В ПОИСКАХ
РОБОТОВ
ИЗДАТЕЛЬСТВО
«МИР»
ALFRED J. COTE
THE
SEARCH FOR
THE ROBOTS
NEW YORK -LONDON
BASIC BOOKS, INC., PUBLISHERS
1967
АЛЬФРЕД ДЖ. КОУТ
В ПОИСКАХ РОБОТОВ
Перевод с английского
и предисловие
канд. техн, наук Н. Д. Устинова
ИЗДАТЕЛЬСТВО «МИР»
МОСКВА 1970
6Ф0.1
К 74
Коут А. Дж.
К 74 В поисках роботов. Пер. с англ, и предисл.
канд техн, наук Н. Д. Устинова. М., «Мир»,
1970.
208 стр. (В мире науки и техники)
Книга посвящена различным проблемам, связанным
с созданием «думающих» машин. В ней органично
объединены вопросы бионики, кибернетики, радиоэлек-
троники и вычислительной техники и достаточно объек-
тивно рассказано об актуальных задачах, трудностях
и достижениях современной «науки о роботах», волну-
ющей умы многих людей — как специалистов, так и
неспециалистов.
3-3-14
154-70
6Ф0.1
Редакция научно-популярной
и научно-фантастической литературы
ОГЛАВЛЕНИЕ
Н. УСТИНОВ, ОТ ПЕРЕВОДЧИКА	6
ПРЕДИСЛОВИЕ АВТОРА	9
ГЛАВА I. ЗАЧЕМ И КАК	11
ГЛАВА 2. УХИЩРЕНИЯ ПРИРОДЫ	18
ГЛАВА 3. НЕРВЫ И ИХ ИМИТАТОРЫ	34
ГЛАВА 4. ПОНЯТИЕ О НЕЙРИСТОРЕ	58
ГЛАВА 5. МАШИНЫ, КОТОРЫЕ ОБУЧАЮТСЯ	74
ГЛАВА 6. РАСПОЗНАВАНИЕ ЗРИТЕЛЬНЫХ	ОБРАЗОВ ЖИ-
ВОТНЫМИ И МАШИНОЙ	101
ГЛАВА 7. РАСПОЗНАВАНИЕ РЕЧИ И СВЯЗАННЫЕ С ЭТИМ
ПРОБЛЕМЫ	136
ГЛАВА 8» РОБОТЫ — БИБЛИОТЕКАРИ, ИГРОКИ В ШАШКИ
И БЕЙСБОЛЬНЫЕ	БОЛЕЛЬЩИКИ	151
ГЛАВА 9.	ЗАКЛЮЧИТЕЛЬНЫЕ	ЗАМЕЧАНИЯ	202
ЛИТЕРАТУРА	208
ОТ ПЕРЕВОДЧИКА
Пожалуй, трудно было бы назвать такую область на-
уки и техники, в которой за последние два десятилетия
не произошло более или менее значительных изменений.
Некоторые из них перевернули все прежние представле-
ния, полностью революционизировав науку и оставив от
соответствующих ее отраслей, по сути, лишь наимено-
вания.
Другая сторона научно-технического прогресса выра-
жается в том, что в наше время постоянно возникают но-
вые отрасли науки и техники, да и совершенно новые дис-
циплины. Особенно интенсивно этот процесс идет на сты-
ках прежних «классических» наук. Такие направления,
как кибернетика, бионика, теория игр, линейное програм-
мирование — яркие примеры новых, «синтетических» наук,
возникших на этих «стыках».
Интенсивность возникновения и развития этих наук
настолько велика, а сами они столь специфичны, что не
только широкие массы любознательных читателей, но и
специалисты других отраслей зачастую не в состоянии
уследить за этим процессом и тем более уяснить содержа-
ние и области применения новых наук. Современный на-
учный язык все более усложняется (иногда его понимает
лишь узкий круг специалистов соответствующей отрасли),
а для наиболее быстрого и гармоничного развития науки
и техники в целом необходимо, чтобы суть достижений
в любой области была известна как можно большему числу
людей, которые могли бы расширять свой кругозор, а
порой и творчески использовать эти достижения в своей
работе.
Поэтому сегодня неизмеримо возросла роль научно-по-
пулярной литературы и, кроме того, во многом изменились
ее функции. Теперь уже недостаточно просто назвать
науку и рассказать о ее сущности. Необходимо также
объяснить читателю взаимосвязи ее с другими науками,
показать примеры ее применения (в том числе — и в буду-
щем), и в то же время как-то определить ее границы или
ограничения. Иногда требуется даже предупредить о воз-
можных опасностях, связанных с ее слишком широким или
бездумным использованием (вспомните хотя бы историю
атомной энергетики или химии инсектицидов). Порой же,
наоборот, следует рассеять предрассудки или предвзятые
6
мнения, сложившиеся под влиянием устарелых взглядов
или ложно понятых идей. Наконец, научно-популярная
книга должна быть написана ярко, живо, по возможности
просто и интересно.
К сожалению, далеко не каждая из выпускаемых книг
этого жанра удовлетворяет всем перечисленным требова-
ниям. Может быть, не всегда и возможно сделать это в
одной книге, так что возникает необходимость в несколь-
ких, даже многих книгах по одной и той же тематике.
И вот перед вами — очередная научно-популярная
книга, посвященная...
Вот и первая наша с вами трудность — определить
тематику книги, ее, так сказать, принадлежность. Может
возникнуть вопрос: что же это за научно-популярная кни-
га, в которой уже с самого начала встречаются трудности?
Что ж, это первая, но далеко не последняя и не самая
главная трудность в этой книге.
В чем же дело? Научная ли это книга? Безусловно.
Популярная? Да! Но не во всем и не для каждого.
Несмотря на образный и доходчивый язык автора, книгу
нельзя читать наспех или между делом. Она заставляет
напряженно мыслить, иногда спорить с автором, сомне-
ваться, обращаться к помощи других источников...
И, наверное, это оправданно. Судите сами. Биология,
бионика, вычислительная техника, электроника, кибер-
нетика — вот неполный перечень наук, затрагиваемых в
книге. То обращаясь к известным каждому простым при-
мерам, то углубляясь в сложнейшие научно-технические
вопросы, автор от главы к главе ведет читателя к проблеме
создания искусственного разума, над которой сегодня ра-
ботают — и небезуспешно — ученые и инженеры многих
стран, в том числе и Советского Союза. Примечательно,
что автор упоминает в своей книге имя и работы нашего
великого соотечественника, академика Ивана Петровича
Павлова, по существу, задолго до появления киберне-
тики, бионики и т. п. открывшего пути к решению этой
проблемы.
Автор в свойственной ему слегка ироничной манере (ее
следует Иметь в виду при чтении книги) касается и фило-
софских проблем, связанных с созданием искусственного
интеллекта. Полемизируя с многими авторами фантасти-
ческого жанра (да и не только фантастического!), он,
будучи не только известным специалистом в области элект-
7
роники, но и здравомыслящим, стоящим на материалисти-
ческих позициях человеком, показывает, что исход
соперничества людей с мыслящими машинами зависит лишь
от самих людей, и если они не остановятся в своем разви-
тии, не будут почивать на лаврах и успокаиваться на
достигнутом, то машины — какие бы они ни были — всегда
останутся верными помощниками человека, но не его
врагами.
Именно в этом основная идея книги Коута. И он дока-
зывает ее, приводя множество убедительных примеров из
самых разных областей науки и техники, причем эти при-
меры сами по себе могут представить интерес не только
для широкого круга читателей, но и для специалистов
различных направлений.
Можно ли было лучше написать такую книгу? Навер-
ное, да. Можно было бы убрать длинноты и излишние под-
робности там, где речь идет об общеизвестных вещах.
Можно было бы, наоборот, больше и подробнее рассказать
о многом, чего Коут касается лишь конспективно или о чем
просто упоминает. Можно было бы... Но это была бы уже
совсем другая книга. Возможно, она еще будет написана.
Но пока ее нет. И мы надеемся, что книга Коута займет
не последнее место в ряду книг, побуждающих к творчес-
кому мышлению, к расширению кругозора, и’поможет чи-
тателю глубже и объективнее разобраться в одной из
интереснейших проблем, стоящих перед человечеством,—
проблеме создания искусственного разума и наших взаи-
моотношений с ним.
Н. Устинов
ПРЕДИСЛОВИЕ АВТОРА
Между деятельностью ученого-исследователя и мани-
пуляциями фокусника существует явное сходство: подчас
болтовня и одного и другого предназначена для сокрытия
простоты тех принципов, на которых основаны их трюки.
В этой книге мы пытаемся рассмотреть, чем же заняты
умы инженеров и ученых, разрабатывающих «думающие»
машины. Эти люди ищут пути создания роботов-автома-
тов, чьи способности со временем будут неизмеримо выше
способностей человека, включая и те, что обусловлены
творческим мышлением. Но в этих поисках немало пута-
ного и спорного. Одни ученые усматривают в создаваемых
машинах угрозу человеку и считают, что для подготовки
к бескровной сдаче позиций нужны срочные правитель-
ственные меры. Напротив, другие доказывают, что попыт-
ки современных исследователей в этой области напоми-
нают потуги человека добраться до Луны, карабкаясь на
вершину высочайшего дерева.
А почему бы вам, читатель, не попробовать разобраться
в этом самому? Вы начнете со знакомства с некоторыми
живыми существами, чьи свойства заинтересовали инже-
неров, работающих над созданием автоматов. Изучите
нервные волокна и постараетесь проанализировать раз-
личные попытки человека создать что-либо им подобное.
Познакомитесь с нейристором — новейшим электронным
прибором, работающим по принципу цепочки падающих
друг за другом костяшек домино, но автоматически воз-
вращающихся в исходное положение. Рассмотрите устрой-
ство, позволяющее машине предсказывать погоду с боль-
шей точностью, чем это сейчас делают синоптики.
Затем вы узнаете, что сообщает глаз лягушки ее мозгу
таким способом, который позволяет обнаруживать как
насекомых, так и объекты радиолокации; каким образом
машина может «читать» чеки, кредитные карточки и коди-
рованные почтовые адреса; может ли машина распознавать
речь.
Познакомитесь вы и с алюминиевой черепахой, которая
ползает по коридорам исследовательской лаборатории в
поисках электрической розетки, чтобы не умереть голод-
ной смертью, или же с роботом, управляющим машиной
для бросания игральных костей.
9
Вы узнаете также о «невидимых роботах» и вспомните
о том, как один из них перенес «припадок». А что пред-
ставляют собой так называемые библиотекари, или бейс-
больные болельщики, или же «лингвисты» с искусствен-
ным интеллектом? Какой стратегии придерживается вы-
числительная машина, побеждая чемпиона по шашкам?
И наконец, что же все это такое: угроза, многообещаю-
щая перспектива или всего-навсего выдумки ученых?
Заменят ли машины и нас?
Альфред Дж. Коут
Силвер-Спринг, Мэриленд
Сентябрь 1967 года
ГЛАВА ПЕРВАЯ
ЗАЧЕМ И КАК
В лаборатории, что расположена на полпути между
Сан-Франциско и Монтереем (штат Калифорния), у рабо-
тающей вычислительной машины терпеливо сидит аспи-
рант. Перед ним на панели взад и вперед мечутся огоньки.
Внезапно печатающее устройство машины начинает от-
бивать стаккато:
ЗАВТРА БУДЕТ ДОЖДЬ
Аспирант протягивает руку к утренней газете, чтобы
посмотреть предсказания синоптиков, и читает: «Завтра
ожидается дождь».
На более ранней стадии обучения машине предостав-
ляли те же сводки атмосферного давления, которыми поль-
зовались метеорологи при составлении прогнозов. Затем
ей сообщали, какая погода наступала на самом деле, когда
ей предшествовали такие условия. Сейчас аспирант про-
верял, «научилась» ли машина связывать определенные
картины распределения атмосферного давления с обуслов-
ленной ими погодой. Чуть раньше в машину ввели новые
сведения, и молодой ученый ожидал прогноза для района
Сан-Франциско. Он получил его: машина усвоила задание.
А на другом конце страны, в лаборатории, располо-
женной на холмистых полях Говард-Каунти, в штате Мэ-
риленд, некий физик пристально всматривается в гречес-
кие символы, написанные на доске, висящей в его кабинете.
Внезапно из коридора через открытую дверь до него до-
носится какое-то жужжание и скрежет. «Опять они во-
зятся с этой штукой»,— бормочет он.
За дверью, в коридоре, три инженера склонились над
странным ползущим по полу предметом. Размерами не
больше коробки для шляп, одетое в алюминий — по по-
следней моде,— устройство имеет множество торчащих
наружу придатков. По мере своего продвижения механи-
ческое «животное» прощупывает путь вдоль стены кори-
дора. Оно ищет розетку. Его электронный «желудок» тре-
бует пищи, и, если только это создание в самом скором
времени не найдет того, что ищет, оно в конце концов ос-
тановится и «умрет».
На примере упомянутых лабораторий можно судить о
деятельности (правда, пока еще в относительно небольших
масштабах), которой заняты ученые в целом ряде подоб-
11
йых учреждений. Конечная цель их усилий — создание
искусственных «людей» или искусственных «животных»,
машин, работающих самостоятельно, машин, способных
поистине творчески думать, короче, машин, которые мож-
но было бы считать «живыми».
Наша цель — познакомить читателя с сутью проблемы
и с прогрессом, достигнутым в области создания искусст-
венного разума энтузиастами — учеными и инженерами,
занимающимися поисками роботов.
Мы познакомимся ближе с машинами, «обучающимися»
предсказывать погоду с той же точностью, что и их пред-
шественники — специалисты-синоптики.
Кроме того, мы внимательно рассмотрим и то ползаю-
щее по полу электронное «животное», о котором мы уже
упоминали, чье счастье спрятано в розетке, а также дру-
гие машины, которые понимают вопросы и дают на них
ответы, исследуют библиотеки, составляют фразы, распо-
знают речь и письмо, играют в шашки и управляют токар-
ными станками.
А если вы, подобно многим другим, боитесь, что в
один прекрасный день машина полностью заменит чело-
века, мы расскажем вам и о том, чего не могут делать эти,
как их можно было бы назвать, «электромеханические
идиоты».
Однако, прежде чем знакомиться с тем, какие исследо-
вания уже проделаны, попробуем сначала ответить на бо-
лее важный вопрос: почему специалистов так заинтересо-
вала проблема создания искусственного интеллекта?
Многие инженеры, занятые разработкой новейших
электронных систем (особенно для оборонных нужд),
образно говоря, начинают биться головой о стенку. А это
вредно.
Постоянно растущая потребность во все более услож-
няющихся рабочих функциях вступает в конфликт с тре-
бованиями, предъявляемыми к повышению надежности.
Поскольку техника, созданная за последние двадцать лет,
при сколько-нибудь трезвом к ней подходе не позволяет
надеяться на преодоление этой проблемы, в настоящее
время ведутся поиски более «экзотических» решений.
Все требования сводятся практически к одному: найти
замену человеку в различных системах. В действительно-
сти же его хотят не просто заменить; необходимо, кроме
того, улучшить качество выполняемой им работы. Причем
12
требование это выдвинуто вовсе не ратующими за автома-
тизацию противниками профсоюзов, а любознательными
учеными.
Некоторые из них хотели бы, например, узнать, что
происходит на дне моря или на поверхности отдаленной
планеты. А поскольку условия там зачастую слишком
вредны для человека, ученые предпочли бы послать в море
или в космос автомат, рассчитанный на то, чтобы преодо-
леть грозящие ему опасности. Однако туда не пошлешь
просто пару механических конечностей, смонтированных
на гусеничном движителе и управляемых из лаборатории
посредством телевизора и системы дистанционного управ-
ления.
Предположим, например, что некая машина-автомат
исследует Марс; время, которое займет прохождение ко-
манд в один конец, составит примерно двенадцать минут.
С таким же двенадцатиминутным запаздыванием мы по-
лучим здесь, на Земле, отчет о действии машины на по-
верхности далекой планеты.
Представьте себе следующую картину. Ученый, нахо-
дящийся на Земле, следит за телевизионным экраном.
Телекамера установлена на машине, ползущей по поверх-
ности Марса. Изображение на экране показывает, что «эле-
ктромеханический идиот» вот-вот сорвется со скалы.
На самом же деле он не вот-вот рухнет. Он уже рухнул
двенадцать минут назад!
Ясно, что нам требуется машина, которая была бы до-
статочно «умна», чтобы не свалиться с обрыва. Но в tq же
время мы против такой машины , которая «мыслила» бы
слишком независимо, а то и вовсе отказалась бы совершать
путешествия в неизведанное.
Сходные трудности и опасности встретятся на нашем
пути, если мы попытаемся исследовать глубины моря. И
хотя здесь нам не грозит проблема запаздывания, дистан-
ционно управляемые роботы нежелательны по другим
соображениям. Итак, и в этом случае мы нуждаемся в ма-
шине, достаточно «смышленой», но не чересчур.
Специалисты, работающие в области военной техники,
испытывают другие трудности, но и для их преодоления
требуется замена человека машиной. Допустим, к приме-
ру, что перед военным аналитиком поставлена задача раз-
работать оптимальную стратегию расходования зенитных
ракет на корабле во время воздушной тревоги.
13
Это происходит примерно так. Радар обнаруживает
атакующие самолеты, когда они еще выруливают к ката-
пульте по палубе вражеского авианосца. (Это очень хо-
роший радар!) Должна ли стратегия, выработанная нашим
аналитиком, предусматривать немедленный запуск всех
ракет, как только враг будет замечен? Некоторые из них
могут и не попасть в цель — имеются веские причины не
называть их бьющими без промаха,— а ведь количество
зенитных ракет на обороняющемся корабле не безгранично.
Таким образом, представляется более разумным оставить
несколько штук до того момента, когда уцелевшие самоле-
ты врага подойдут поближе и шансы на их поражение
увеличатся.
Лица, знакомые с теорией игр, заметят, что эта проб-
лема почти не отличается от задачи о двух бандитах, дви-
гающихся навстречу друг другу по главной улице городка
Кактус-Галч. У каждого из них только по шесть патронов
в револьвере; по мере сокращения дистанции точность
выстрелов возрастает, но и шансы на гибель увели-
чиваются.
Бандит называет свою проблему выживанием. Наш воен-
ный аналитик называет свою теорией игр. Теория игр —
это ряд аналитических манипуляций, находящих, по убеж-
дению математиков, некоторое применение при решении
проблем реального мира.
Во всяком случае, наш аналитик берется за решение
проблемы зенитной обороны корабля, заставляя свою вы-
числительную машину прибегать к методам линейного
программирования, теории массового обслуживания, при-
нятия решений и теории вероятностей, а когда все это
оказывается бесполезным — к методу проб и ошибок.
В конце концов разрабатывается эдакая суперстратегия,
которая сводится к следующему: постарайтесь сохранить
90% ракет до тех пор, пока враг не начнет задевать крылом
капитанский мостик. Тогда стреляйте!
Что ж, в принципе не исключено, что это совершенно
правильная стратегия, возможно, потребовавшая несколь-
ких месяцев предварительного моделирования на вычисли-
тельной машине. Но аналитик отдает себе отчет в том, что
ему никогда не проверить на практике, как сработает его
стратегия, так как ни у кого из тех движимых чувством
самосохранения людей, которыми будет укомплектована
команда корабля, не хватит силы воли для проверки вы-
14
работанной стратегии. Дело в том, что эта, возможно и в
самом деле блестящая, стратегия создавалась в помещении
с кондиционированным воздухом, уютно разместившемся
в тенистом дворе мыслительного центра, а осуществлять
ее в условиях чрезвычайного положения должны люди,
слышащие рев падающих вокруг вражеских ракет. Так
что в реальной обстановке к тому времени, когда враг
приблизится к кораблю на расстояние десяти морских
миль, запас зенитных ракет уже будет израсходован и те,
кто еще не успел спрыгнуть с корабля, будут швырять в
самолеты стулья.
Не удивительно, что наш ученый, дабы удовлетворить
свое интеллектуальное любопытство — пригодна или не-
пригодна его стратегия,— хочет, чтобы людей на гипоте-
тическом корабле заменили машинами. Да и люди на этом
корабле, дабы удовлетворить свою интеллектуальную лю-
бознательность — узнать, каково быть пожилым,—
тоже хотят, чтобы людей на корабле заменили машины.
Итак, казалось бы, имеется немало ситуаций, в которых
почти каждый соглашается, что машины предпочтительнее
людей. А как вы относитесь к такого рода замене?
Существует два подхода к решению этой проблемы.
Можно положиться на постоянные успехи человека в его
попытках самостоятельно и оригинально решать стоящие
перед ним задачи. А можно обратиться к природе и поста-
раться воспроизвести некоторые из уже существующих
биологических систем.
Большинство читателей, несомненно, знакомо с мно-
гочисленными примерами того, что создали люди, нахо-
дящие утешение в превосходстве постоянно прогресси-
рующего человеческого интеллекта. Достаточно назвать
цифровые вычислительные машины — поистине фантасти-
ческое творение. Те, кому доводилось видеть документаль-
ные кинокадры об огромном шумном здании, в котором
Бюро внутренних доходов Министерства финансов США
обрабатывает собранные данные, не смогут опровергнуть
компетентности вычислительной машины в вопросах, ка-
сающихся подоходного налога. Там, в этом здании, ряд
за рядом, насколько хватает глаз, установлены бесчув-
ственные перфорационные машины, а их выключателями
методически, как автоматы, манипулируют программисты.
Кто, видя подобные достижения, осмелится сомне-
ваться в гениальности человека?
15
Но, поскольку человек не застрахован от ошибок,
давайте рассмотрим и такие решения, которые придумал
не он. В частности, оглянувшись вокруг, мы обнаружим,
что существует множество биологических систем (в том
числе и сам человек), успешно совмещающих в себе слож-
нейшие функции с высокой надежностью. Однако, как
понимают многие ученые и инженеры, принципы, исполь-
зуемые в этих природных системах, существенно отличают-
ся от тех, которые ныне закладываются в системы, создавае-
мые людьми.
Поэтому была высказана мысль, что один из подходов
к созданию вожделенных мыслящих машин — копиро-
вание у природы структуры и методов обработки инфор-
мации. Другими словами, необходимо наблюдать за био-
логическими системами, уяснить принципы их действия
и только после этого конструировать машины, основанные
именно на этих принципах. Ученые, официально признав-
шие преимущества такого подхода, создали новую науку
(названную впоследствии бионикой), которой они дали сле-
дующее определение: «наука о системах, функционирую-
щих либо по принципу живых систем, либо характерным
для живых систем образом, либо напоминающих живые
системы».
Необходимо подчеркнуть, что термин «бионика» от-
носится к тем случаям, когда природа служит руководи-
телем при конструировании человеком аппаратуры; не
следует путать бионику с бйоэлектроникой, занимающейся
применением электроники в медицинских и биологических
исследованиях.
Важно заметить, что различные специалисты-бионики
по-разному копируют природу в своих разработках, по-
скольку их цель — использовать природу только в ка-
честве источника идей, но не отвлекаться на подробное изу-
чение природы как таковой. В сущности, бионика гораздо
ближе к технике, нежели к чистой науке.
Следует также подчеркнуть, что «бионический подход»
(если так можно выразиться) далек от всеобщего призна-
ния в научном и техническом мире. По мнению одних,
например, до тех пор пока человек не научился летать,
не было и необходимости выяснять, каким образом произ-
водится приземление между деревьями. Напротив, другие
утверждают, что если бы мы в свое время уделяли больше
внимания этой проблеме, нам, возможно, не приходилось
16
бы сегодня тратить при путешествиях столько времени на
дорогу в аэропорт и обратно.
Но, как бы то ни было, и по сегодня этот спор еще не
закончен. По-прежнему существуют оба подхода, и, види-
мо, в каждом из них заложено разумное зерно.
В последующих главах мы рассмотрим результаты,
полученные представителями обоих направлений. А пока,
поскольку природа первична, начнем с рассмотрения био-
логического мира.
ГЛАВА ВТОРАЯ
УХИЩРЕНИЯ ПРИРОДЫ
Один из наиболее распространенных примеров развитой
обработки информации в биологической сфере — эхочув-
ствительная система летучей мыши. Большую часть своего
активного времени летучая мышь летает в темноте, но при
этом каким-то образом не ударяется о ветки и стены и не
сталкивается с другими летучими мышами. Последнее —
задача отнюдь не простая, ибо летучие мыши, как правило,
собираются в пещерах в таких количествах, что по срав-
нению с этим даже перегруженные автострады США ка-
жутся голой пустыней. К примеру, одна лишь пещера в
Техасе служит пристанищем примерно для сорока милли-
онов летучих мышей, и им каждый вечер требуется не-
сколько часов, чтобы вылететь из пещеры на поиски пищи.
Для обнаружения пролетающей мимо нее «пищи» летучая
мышь опять же использует свою эхочувствительную сис-
тему, выслеживая и затем улавливая мотыльков и других
лакомых для нее насекомых.
Древние ученые объясняли столь искусные действия
исключительно острым зрением летучих мышей или же
чрезвычайно развитым у них чувством осяаания. Такой
точки зрения придерживались долгое время, несмотря
на поразительные экспериментальные доказательства ее
неверности.
В 1793 году в Италии Ладзаро Спалланцани провел
серию опытов, пытаясь установить, каким образом лету-
чие мыши безошибочно ориентируются в темноте. Ана-
лизируя его работы, Д. Гриффин, современный амери-
канский специалист по летуцим мышам, утверждает, что
«в течение года или двух Спалланцани узнал об ориента-
ции летучих мышей почти столько же, сколько остальные
смогли узнать за 140 лет, прошедших с его смерти» [1].
Спалланцани без особого труда установил, что слепые
летучие мыши (ослепленные путем операции, разрушав-
шей роговицу) избегали препятствий почти с такой же лег-
костью, как и мыши с нормальным зрением. Он не мог
объяснить это явление до начала 1794 года, когда Шарль
Жюрин открыл, что если заткнуть уши летучей мыши вос-
ком, то она потеряет способность ориентироваться. Под-
твердив открытие Жюрина более тщательными опытами,
Спалланцани был вынужден заключить, что именно уши,
18
а не глаза направляют летучих мышеи в полете, но каким
именно образом — он определить не сумел.
Однако такой вывод был неприемлем для большинства
современников Спалланцани, и один из них счел необхо-
димым указать, что для этого «требуется больше веры и
меньше философского рассуждения, чем можно ожидать
от философа-зоотома1» [2].
Таким образом, со временем как сам Спалланцани, так
и выдвинутые им идеи скончались естественной смертью,
и более чем за сто лет к представлениям человека об ориен-
тации летучей мыши ничего не прибавилось. И только в
начале XX века было выдвинуто предположение, что ле-
тучие мыши используют эхо от испускаемых ими же зву-
ков. В конце 30-х годов Д. Гриффин и Дж. У. Пирс,
выдающийся специалист по электронике, с помощью но-
вейшей аппаратуры сумели, наконец, уловить лежащие в
ультразвуковом диапазоне звуки, издаваемые летучими
мышами. Впоследствии Гриффин продолжал изучать эхо-
локацию летучих мышей, и именно ему мы обязаны тем,
что в настоящее время гораздо лучше разбираемся в том,
как это происходит.
Теперь мы знаем, что, когда летучая мышь летит, ее
крики становятся как бы короткими взрывами звуков.
Высота, или частота колебаний, этих звуков значительно
выше границы нашего слуха, а их конкретный характер
зависит от того, что мышь делает в данный момент.
Если летучая мышь летает в поисках насекомых, она
испускает от пяти до десяти криков в секунду, причем
каждый крик длится 10—15 миллисекунд (то есть тысяч-
ных долей секунды). И она ожидает эха, которое следует,
если звук отражается от какого-либо насекомого, находя-
щегося в пределах слышимости. Частота звуковых волн
каждого из таких криков остается постоянной — примерно
30 килогерц (30 000 колебаний в секунду).
Но стоит летучей мыши обнаружить насекомое и начать
его преследование, как ее неслышное «стрекотание» ко-
ронным образом меняется. Она начинает кричать гораздо
чаще, испускает около двухсот импульсов (криков) в се-
кунду, и этот темп продолжает нарастать по мере ее при-
ближения к цели. Однако теперь каждый крик уже не столь
громок и значительно короче, он длится всего лишь 1—3
1 Зоотомия — анатомия низших животных.— Прим, перев.
19
миллисекунды. А частота колебаний на протяжении каж-
дого отдельного крика линейно уменьшается — от на-
чальных 80 до 40 килогерц.
Величины, указанные выше, весьма приблизительны,
поскольку ни при медленном, ни при быстром темпе про-
межутки между криками не остаются постоянными. К то-
му же и частота колебаний меняется от импульса к им-
пульсу [3].
Итак, перед нами исключительно сложная биологи-
ческая система. Не удивительно, что разработчики радар-
ных систем заинтересовались ее свойствами.
Сейчас почти каждый знает, что радар (радиолокатор) —
дорогостоящая система генерации электромагнитно-
го эквивалента звуков, объединенная с системой, которая
слушает эхо от этих звуков, отразившееся от различных
предметов на их пути. Еще в 1886 году немецкий физик
Генрих Герц экспериментально доказал, что радиоволны
могут отражаться от многих объектов.
Фактически до второй мировой войны радар не находил
применения. Но с тех пор он получил всеобщее признание
и его применяют для самых разных целей: от выявления
нарушителей скорости на автострадах до участия в ма-
неврировании при посадке орбитальных космических ко-
раблей. И все же, несмотря на сложнейшие функции, за-
ложенные в этих использующих эффект эха системах,
созданных человеком, эхо локационная система летучих
мышей решает гораздо более сложные задачи.
Взять, к примеру, проблему «помех», которая немало
досаждает разработчикам радиолокаторов. Она возникает
из-за того, что радар, этот сложный аппарат, слушающий
эхо, слышит также почти все остальные звуки, которые
заполняют эфир, но часто не может отличить, какой же
из них эхо. Подобная наклонность к одновременному при-
ему в значительной мере осложнила задачу создателей
первых радарных установок. Когда они с гордостью пред-
ставили свои блестяще задуманные системы для эксплуа-
тации в реальных условиях, выяснилось, что, если в одно
и то же время включались два радара, помехи, которые
они создавали друг другу, были настолько велики, что
оба начинали давать неверные показания.
Естественно, что, как только об этой особенности узна-
ли те, кто без всякого удовольствия относился к возмож-
ности быть обнаруженным посредством радара, они сде-
20
лали все, чтобы способствовать неразберихе в радиолока-
торе. «Жертвы» радара в ответ стали посылать свои шумы
и тем самым породили практику контрмер. После этого
разработчикам радиолокаторов не оставалось ничего дру-
гого, как вернуться к чертежным доскам для создания
менее восприимчивых к помехам систем. Так было поло-
жено начало развитию контрконтрмер.
Разумеется, все эти меры и контрмеры усложняют ра-
боту конструкторов радарных систем и станций радиоло-
кационных помех. Прежде всего это связано с модифика-
цией аппаратуры. Приходится добавлять лишние тран-
зисторы, увеличивать число электрических соединений;
весь комплекс аппаратуры требует больше времени для
настройки, а промежутки между возникновением неис-
правностей сокращаются. Технический персонал, отве-
чающий за ввод системы в действие и поддержку ее рабо-
тоспособности, вынужден то и дело производить электри-
ческие и механические регулировки. Зачастую этот про-
цесс настолько сложен, что практически большая часть
времени уходит на настройку и ремонт аппаратуры, а не
на ее работу. Несомненно, это в высшей степени нежела-
тельная ситуация — не исключено, что враг может вы-
брать для нападения именно тот Момент, когда вы,
например, настроили станцию только наполовину.
Итак, с одной стороны — конструктор радиолокатора,
старающийся преодолеть проблему помех, не допуская
при этом, чтобы плоды его труда превратились в груду
обгоревших деталей. С другой стороны — летающая, ка-
залось бы, в безбрежном море помех маленькая, безмя-
тежная летучая мышь, по сравнению с которой столь
рекламируемый электронный гений выглядит просто не-
доумком. Ясно, что нам следует внимательнее пригля-
деться к летучим мышам.
В начале 60-х годов Дж. Мак-Кью, один из создателей
радиолокационной аппаратуры (Линкольновская лабора-
тория Массачусетского технологического института), ре-
шил исследовать поведение летучей мыши в условиях
помех. Очевидно, он случайно натолкнулся на описание
проводившихся Гриффином экспериментов, в которых рас-
сматривалась реакция летучих мышей на воздействие все-
возможных звуков, специально предназначенных для
того, чтобы сбить их с толку. Гриффин обнаружил, что та-
кие помехи не очень мешают мышам.
21
Мак-Кыо решил провести испытания на более строгой
научной основе с применением сложного оборудования.
Он предложил сравнивать полученные результаты с теми,
которые можно предсказать, руководствуясь положени-
ями теории информации. Теория информации — раздел
математики, посвященный задаче выявления характерис-
тик, которыми могла бы обладать система с некими оп-
ределенными конструктивными особенностями. В рамках
теории информации делается также попытка узнать, ка-
ковы условия достижения этих наилучших характеристик,
хотя в то же время не дается никаких рекомендаций в отно-
шении методов их достижения. Наконец, делается попытка
подсказать инженерам, не напрасно ли они будут тратить
время на разработку машины, предназначенной для ре-
шения определенной задачи.
Инженеры, склонные к математической ориентации,
глубоко верят в теорию информации; очевидно, она еще
не проявила свою уязвимость, подобно ставшему леген-
дарным утверждению некоего аэродинамика, безоговорочно
доказывавшего, что шмели летать не могут.
Как бы то ни было, Мак-Кью и его коллеги в сотрудни-
честве с Гриффином провели ряд весьма тщательно разра-
ботанных экспериментов. Прежде всего они установили в
длинной комнате вертикальную сетку из тонких проволо-
чек, после чего в одном конце комнаты выпустили летучую
мышь и заставили ее лететь в другой конец. Для этого
летучей мыши пришлось пролетать сквозь ячейки в про-
волочной сетке — и она успешно справлялась с задачей,
лишь изредка задевая проволочки. Этого и следовало
ожидать — локатор летучей мыши обнаруживал прово-
лочки, и она пролетала мимо них.
Собрав данные о поведении летучей мыши в такой, ли-
шенной шумов обстановке, Мак-Кыо и Гриффин решили
наполнить комнату всевозможными звуками, включая
крики самой летучей мыши, записанные на магнитную
ленту во время ее полетов. Все это делалось для того,
чтобы как можно сильнее сбить мышь с толку.
Однако, казалось, мышь знает: шум не предвещает ей
ничего хорошего — и она отказывалась взлетать! Экспе-
риментаторы вынуждены были буквально заставлять ее
подниматься с места. И всякий раз она каким-то чудом
ухитрялась достичь другого конца комнаты. Но по мере
того как интенсивность звуков увеличивалась, летучая
22
мышь все чаще начинала задевать проволочки, подтверж-
дая своим поведением догадки исследователей. После того
как все экспериментальные данные были собраны и про-
анализированы, оказалось, что способности летучей мыши
можно оценить наилучшими параметрами, которые, со-
гласно теории информации, возможны для прибора, вос-
принимающего звуки двумя «ушами».
Ясно, что летучая мышь обладает чрезвычайно слож-
ной системой, позволяющей ей определять расстояния.
Но принцип действия этой системы никому в точности не
известен.
Данные о свойствах одной только летучей мыши, кото-
рыми мы располагаем, уже сами по себе оправдывают
взгляд на природу как на источник идей, которыми можно
воспользоваться при решении ряда интересующих чело-
века проблем. Не следует, однако, забывать, что летучая
мышь — всего лишь одна из множества сложнейших био-
логических систем.
Так, если на мгновение задуматься о непрерывной
борьбе за существование, с которой сталкивается все
живое на нашей планете, и с этой точки зрения взглянуть
на летучую мышь, то в первый момент может показаться,
что природа наделила это существо приспособлением,
дающим ему решительное преимущество над теми, кем
оно питается. Но при ближайшем рассмотрении оказы-
вается, что природа в какой-то мере постаралась уравнять
шансы в этой борьбе: она снабдила мотыльков (обычную
добычу летучих мышей) органами слуха, позволяющими
им улавливать звуки, которые издает летучая мышь. Бо-
лее того, эти органы слуха чувствительнее к передачам в
диапазоне частот, используемом летучей мышью, чем
любой микрофон, изготовленный руками человека.
Как показали некоторые опыты (в частности, проведен-
ные Рёдером и Тритом в 1960 году вблизи Тирингэма,
штат Массачусетс), мотылек пользуется своими «ушами»
с большим успехом. Рёдер и Трит долгое время наблюдали
за поведением мотыльков, когда те слышали звуки, ими-
тирующие крики летучей мыши. К шесту, установленному
на участке, находящемся в поле зрения кинокамеры, под-
вешивался громкоговоритель. Стоило мотыльку оказаться
перед камерой, как динамик начинал издавать серию зву-
ков, не слышимых человеческим ухом. И тотчас же мотылек
резко изменял характер полета. Иногда он отвесно падал
23
вниз, после чего возобновлял полет в прежнем направ-
лении. Иногда же выполнял не прямолинейное пикирова-
ние, а снижение по замысловатой спирали. А бывали слу-
чаи, когда он, оставаясь на одной и той же высоте, резко
менял направление полета. Ясно одно: мотылек знал, что
надо делать, чтобы «заморочить голову» летучей мыши [4].
Это всего лишь два примера из множества других, ил-
люстрирующих различные возможности биологических
систем.
Существуют и другие живые существа, применяющие
эхочувствительный механизм в целях навигации. Так, в
пещерах Южной Америки живет птица, которая также
использует эхо от испускаемых ею криков как средство
обнаружения препятствий. В отличие от криков летучих
мышей крики этой птицы имеют достаточно низкую час-
тоту, и человек их слышит; говорят, что никто не может
ослышаться, когда тучи этих птиц вылетают из своих пе-
щер или возвращаются обратно.
В Юго-Восточной Азии водятся также некоторые виды
стрижей (их гнезда — главная составная часть супа из
съедобных птичьих гнезд), которые живут в пещерах вме-
сте с летучими мышами и используют аналогичные методы
эхолокации.
Совершенно иная форма эхолокации наблюдается у
жуков-вертячек. Это насекомое обнаруживает на поверх-
ности воды колебания от собственных движений, отража-
ющиеся от берега или от к,аких-то предметов в воде. По-ви-
димому, основным чувствительным элементом жука-вер-
тячки служит его усик; если свободный конец усика при-
крепить к голове жука, последний начнет непрерывно
натыкаться на препятствия. Очевидно, это вызвано тем,
что усик в новом положении не касается воды.
Другим методом обнаружения препятствий является
электрический метод, характерный для некоторых рыб.
Встречаются разновидности, генерирующие маломощные
электрические разряды, которые образуются в хвостовой
части и порождают электрические поля (сходные с маг-
нитным полем магнита). Силовые линии замыкаются на
чувствительных отверстиях в голове рыбы. Таким обра-
зом, голова и хвост электрических рыб как бы соответ-
ствуют северному и южному полюсам магнита.
Эти рыбы (не следует путать их с теми рыбами, которые
пользуются более мощными разрядами с целью оглушить
24
свою жертву или отбить охоту у преследующего их хищ-
ника) способны, по-видимому, обнаруживать искажения,
вносимые в их электрическое поле посторонними предме-
тами. Установлено, что отдельный чувствительный орган,
находящийся в голове таких рыб, реагирует на ничтожное
изменение силы тока в 0,003 пикоампера (1 пикоампер
равен одной триллионной части ампера) [5].
И все же ни одно из упомянутых выше существ не под-
вергалось столь интенсивному изучению, как летучая
мышь или млекопитающее, к рассмотрению которого
мы сейчас перейдем.
Представьте себе, что вы находитесь на борту неболь-
шого судна примерно в трех километрах от одного из зна-
менитых пляжей в заливе Коуст во Флориде. Пока ваше
суденышко лениво дрейфует по легкой зыби под расшитым
облаками лазурным пебом, вы осторожно опускаете под-
водный микрофон — моряки называют его гидрофоном —
в искрящуюся прохладную голубую воду. Затем вы щел-
каете переключателем и поудобнее усаживаетесь в ожида-
нии любого звука, который может донестись от стаи дель-
финов, резвящихся метрах в восьмистах от вас.
Стоит электронной аппаратуре на судне прогреться,
как вы отчетливо услышите шум волн, плещущихся о
борт. И одновременно вы заметите, что дельфины вдали
перестали проказничать и двинулись, по-видимому, в
вашем направлении. Постепенно на фоне плеска волн до
вас станут доходить какие-то слабые постукивания и
пощелкивания. Эти звуки будут множиться и усиливаться
по мере приближения дельфинов. Вскоре перед вами по-
явятся лоснящиеся серые спины, они сверкают на солнце,
когда дельфины выпрыгивают из воды. Звуки, которые
теперь улавливает гидрофон, напоминают шум поезда.
Будучи еще метрах в сорока от вас, дельфины неожи-
данно ныряют, и вы видите в воде, как темные силуэты
несутся к судну. Но вот они проносятся под вами, и сразу
же шум стихает, и над всеми остальными звуками вновь
господствует плеск волн.
Такова последовательность событий, описанных Уин-
тропом Н. Келлогом в его книге «Дельфины и сонар»1,
1 W. N. Kellogg, Porpoises and Sonar, Chicago, Univ.
Chicago Press, 1961.
25
где он показывает, что дельфины переговариваются друг
с другом под водой и, двигаясь, издают звуки.
Согласно Кел логу, звуки в основном сводятся к свисту
либо пощелкиванию. Свист дельфина напоминает щебет
канарейки. Он начинается с частоты около 7 килогерц и
на протяжении полу секунды плавно поднимается до 15 ки-
логерц. Щелкающие звуки они издают в виде своеобраз-
ных «очередей», в которых может быть всего лишь пять
промежутков на протяжении секунды, а может оказаться
и до нескольких сот промежутков. Сама «очередь» длится
несколько секунд; частота щелчков поначалу низкая, а
затем повышается, или же наоборот.
Хотя все эти звуки — и свист, и щелканье дельфинов —
доступны человеческому уху, они все же содержат состав-
ляющие и в ультразвуковом диапазоне. На основании это-
го Келлог пришел к выводу, что дельфины, подобно ле-
тучим мышам, способны использовать звук для обнаруже-
ния объектов и в целях навигации. Он решил доказать это
экспериментально.
В конце 50-х годов в Морской лаборатории Универ-
ситета штата Флорида был сооружен специальный пла-
вательный бассейн для дельфинов, расположенный на
побережье Мексиканского залива, южнее города Талла-
хасси. Размер бассейна — пятнадцать на двадцать метров,
глубина от полутора до двух метров (в зависимости от при-
лива). Вода в бассейн поступает по трубопроводу из со-
седней гавани Аллигатор-Харбор. Чтобы свести к мини-
муму отражение звуковых волн, пол и стены бассейна
покрыли илом. Для размещения испытательной аппара-
туры и всего, что так или иначе связано с экспериментами,
в различных местах как в самом бассейне, так и вокруг
него предусмотрены соответствующие гнезда. Двух дель-
финов пожертвовала Морская лаборатория из Марин-
ленда (штат Флорида).
Проведя ряд опытов, Келлог смог доказать, что дель-
фины не только применяют принцип сонара1 для обна-
ружения объектов, но и способны различать разного рода
цели — возможно, на основе характера возвращающегося
эха! Его результаты в основном сводятся к следующему.
Когда дельфин лениво плавал по окружности бассей-
1 Сонар (от англ, sonar — устройство, использующее звуко-
вые волны) — подводный ультразвуковой локатор.— Прим, перев.
26
на или же оставался на одном месте, каждые пятнадцать-
двадцать секунд он испускал серию сигналов. Очевидно,
это был режим обследования. Его реакция на предмет,
вводившийся экспериментаторами в бассейн, зависела
от характера самого предмета и метода его погружения.
Если предмет опускали в воду медленно, он оставался не-
замеченным до тех пор, пока не раздавалась очередная
«обследующая очередь» сигналов. Но вот дельфин обна-
ружил предмет; после этого следовала более длинная
серия импульсов — по мере того как дельфин прибли-
жался к цели, если она была съедобна. Если же цель ока-
зывалась несъедобной, то после предварительного зву-
кового «нащупывания» животное либо игнорировало ее,
либо избегало.
В тех случаях, когда предмет погружали в воду с плес-
ком, дельфин сразу начинал испускать сигналы и затем
приближался к пище, одновременно продолжая звуковое
наблюдение.
Можно было видеть, как при сближении с объектом
дельфин начинал поводить головой. По-видимому, такое
движение служит средством определения пеленга цели
путем усиления «стереоэффекта» от возвращающегося
эха. (У приближающихся к цели летучих мышей также
отмечались чередующиеся покачивания ушами, возможно,
по той же причине.)
Поскольку шум от погружения мог стимулировать
начало звукового поиска дельфинов, Келлог решил про-
верить, как они реагируют на всплески. Капля воды,
падающая с высоты полутора метров, не вызывала ника-
кой реакции. Половина чайной ложки воды, вылитой в
бассейн, вызывала звуковые сигналы, но не движение.
Совершенно иной эффект производили струя из брандспой-
та или же внезапный ливень. Дельфин отвечал на них не-
прерывным потоком звуков, которые, вероятно, служили
сигналами тревоги, и начинал неистово метаться по бас-
сейну. Видимо, шум струи воды или ливня причинял боль
его ушам, а нырнуть вниз, чтобы избежать этих звуков,
дельфину не позволяла глубина бассейна. По крайней
мере Келлог пришел именно к такому выводу.
Он установил также, что дельфины довольно приверед-
ливы в отношении пищи. Первое время их кормили ке-
фалью, но вскоре они, очевидно, решили, что эта рыба не
соответствует их стандартам качества, и стали от нее от-
27
называться. Экспериментаторы вынуждены были перейти
на лагодонов. К ним дельфины оказались снисходитель-
нее.
Проводились опыты, во время которых лагодона и ке-
фаль одновременно погружали в бассейн, чтобы проверить,
могут ли дельфины обнаружить разницу, руководствуясь
характеристиками эха, в условиях — если можно так вы-
разиться — испытания на сличение в воде соседних объ-
ектов. Дельфины решили, что скорее умрут от голода, чем
переменят вкусы!
Исследователи неоднократно пытались эксперименталь-
но доказать, что дельфины ориентируются именно по слу-
ху, а не по зрению. С этой целью в воду погружали два
«окна», за каждым из них помещали рыбу. В ходе испы-
тания одно из окон было закрыто. Экспериментаторы рас-
суждали так: если испытуемый дельфин (по кличке Аль-
берт) руководствуется зрением, а не слухом, он может об-
мануться. Если же он пользуется слухом, то ошибки не
произойдет: ведь эхо от стекла иное, чем от рыбы. Однако,
чтобы закрыть стеклянное окно, требовался какой-то
пусть малый, но все же отрезок времени. И Альберта ни
разу не удавалось обмануть — более того, вскоре он начал
располагаться перед открытым окном еще до того, как
экспериментаторы опускали рыбу в воду. Вслед за этим
он начинал издавать серию обследующих сигналов до тех
пор, пока рыба не оказывалась в воде. Если бы он был че-
ловеком, он точно также стучал бы ножом и вилкой по
столу, требуя пищи!
Проведенные эксперименты почти несомненно доказы-
вают, что дельфины — эти огромные, весом до 150 кило-
граммов плавающие сигары — в самом деле чрезвычай-
но эффективно применяют эхолокацию. Их способности
отличать лагодонов от кефали может только позавидовать
военно-морской флот, ибо применяемый моряками сонар
до сих пор не в состоянии отличить подводную лодку от
кита.
Бесспорно, внимательное изучение эхолокации, ис-
пользуемой летучими мышами и дельфинами, равно как
и другими существами, может помочь создателям систем,
управляемых человеком. Смогут ли они до конца разо-
браться в методах, созданных природой, чтобы затем при-
менить их на практике, покажет время.
А сейчас постараемся переключить наше внимание на
28
другой источник замешательства конструкторов сложных
машин. Для них до сих пор остается загадкой, каким об-
разом маленькая хрупкая бабочка данаида (Danaus ple-
xippus), весящая около 0,4 грамма, ухитряется находить
дорогу от Онтарио до Техаса — расстояние в две с лиш-
ним тысячи километров,— пролетая в среднем пятьдесят
три километра в день? И как объяснить, что ласточка,
совершающая перелет из Великобритании в Южную Аф-
рику, возвращается в то же гнездо, которое она покинула
осенью?
Или взять, к примеру, щетинобедрого кроншнепа —
птицу, которая с Аляски перелетает на Таити или Гавайи
и возвращается выводить птенцов на Аляску. Ведь для
этого ей приходится преодолевать путь в три тысячи двести
километров через Тихий океан — водную пустыню без
единого ориентира!
Или же, наконец, случай с буревестником, взятым —
эксперимента ради — в Великобритании, доставленным
на реактивном самолете в Бостон (расстояние в пять с
половиной тысяч километров) и отпущенным на волю.
Через двенадцать с половиной дней он уже был в родном
гнезде, опередив письмо, в котором сообщалось о его ос-
вобождении (в отличие от буревестника письмо, очевидно,
не летело).
А ведь мы даже не упомянули почтового голубя!
Очевидно, методы, которые используют различные
живые существа, чтобы добраться из одной точки нашей
планеты в другую, заинтересуют виртуоза логарифмичес-
кой линейки, пытающегося создать более совершенную
систему навигации. Однако не все методы оказываются
одинаково привлекательными для конструктора. Трудно,
например, представить себе реактивный самолет (или,
скажем, джип), который бы, подобно муравью, оставлял
за собой жидкий след, а затем по нему пытался «унюхать»
обратный путь!
Любопытный способ применяют осы в поисках своих
гнезд. Перед тем как покинуть гнездо, оса замечает ори-
ентиры, а на обратном пути отыскивает их. Обычно такой
метод оказывается весьма действенным, за исключением
тех случаев, когда какой-нибудь зоолог умышленно уби-
рает ориентиры. К сожалению (с точки зрения конструк-
тора навигационной аппаратуры), до сих пор нет такой
машины, которая умела бы распознавать ориентиры.
29
Разумеется, всегда найдутся люди, которые, увидев,
как осы решают эту проблему, могут сказать, что все это
для нас не ново. При этом они даже сошлются на то, что,
мол, подобный метод только подтверждает справедливость
их утверждения: природа едва ли поведет нас в направ-
лении, о котором бы мы не знали раньше.
Пойдем же им навстречу и рассмотрим поведение пчел,
воспользовавшись исследованиями известного мюнхен-
ского ученого Карла Фриша. Каждый знает, что пчела
покидает свой улей в поисках цветов с их нектаром. Об-
наружив особенно богатый источник, она возвращается
домой и сообщает об этом своим товаркам. Но для этого
пчела должна узнать нужный цветок, определить его мес-
тоположение относительно улья и передать информацию
другим пчелам.
Пчела способна выполнить первые две задачи бла-
годаря тому, что ее глаз, равно как и мозг, особым образом
воспринимает окружающее. Что же касается передачи
сообщения, то она осуществляется путем очень сложного
танца, который пчела начинает исполнять на стенках
улья.
Глаз пчелы распознает цвета, но не совсем те, которые
воспринимает человек. Пчела, очевидно, различает желтый,
сине-зеленый, голубой цвета и невидимые для нас ультра-
фиолетовые лучи. Но красные цвета розы, мака или аза-
лии пчела не видит. Правда, от этого она почти ничего
не теряет, ибо многие наши цветы в ультрафиолете выгля-
дят еще прелестнее. Например, желтая маргаритка ста-
новится похожей на ореол из ярких точек, окружающих
сердцевину.
Кроме того, глаз пчелы, по-видимому, больше привле-
кают сложные образы, чем простые. Как показали экспе-
рименты, пчела отдает предпочтение (в пропорции 5 : 1)
образам типа шахматной доски, нежели одноцветным по-
верхностям. К счастью, цветы по сравнению с листьями
гораздо сложнее по форме, не то пришлось бы пчеле туго
при попытках извлечь нектар из листвы.
В 30-х годах Фриш установил, что, возвращаясь домой
и проникая в улей, пчела начинает вести себя подобно
лихому танцору. Малейшее движение пчелы имеет свое
значение. У пчелы два основных танцевальных па: круг
и восьмерка. Оба исполняются на внутренних стенках
улья, и для пчел очень важно, какое именно па исполни-
30
ется в данный момент. Это позволяет им определить рас-
стояние от улья до цветка.Но если дует сильный встречный
или попутный ветер, точность оценки пчел иногда сни-
жается.
Рассмотрим основное круговое па. Оно выполняется
только в тех случаях, когда цветок находится не далее
чем в сотне метров от улья. Пчела как бы вальсирует по
кругу (возможно, слово «вальсирует» не совсем точное),
а затем меняет направление. И, что самое поразительное,
она всегда меняет направление в одной и той же точке
круга. Удалось обнаружить ее «географический» смысл:
самая верхняя точка принимается за «полдень» — две-
надцать часов на циферблате. Эту точку — зенит — пчелы
принимают за направление, в котором находится солнце
по отношению к улыо. Это значит, что если солнце нахо-
дится точно на юге от улья и пчела меняет направление
в точке круга, соответствующей шести часам, то цветок
надо искать к северу от улья. Если же направление меня-
ется в точке, соответствующей трем часам, цветок нахо-
дится к западу от улья.
Па в виде восьмерки несколько сложнее и обычно вы-
полняется для описания цветков, находящихся дальше
ста метров от улья. Это па представляет собой сплющен-
ную цифру восемь; кульминационный момент танца —
место соединения двух кругов, образующих восьмерку.
Здесь важна угловая ориентация проходимого пути,
опять-таки по отношению к двенадцати часам на цифер-
блате. Если солнце находится к югу от улья, а эта линия
в танце направлена вертикально, то цветок следует ис-
кать либо на севере, либо на юге, в зависимости от направ-
ления движения пчелы. Если она движется от двенадцати
часов к шести, цветок находится на севере. Если же сое-
динительная линия направлена горизонтально к стенке
улья, а пчела движется слева направо, цветок находится
на западе.
Для этого па характерно еще одно обстоятельство.
Пересекая среднюю линию, пчела одновременно как
бы «виляет». Частота виляний (то есть число их в секунду)
весьма важна, так как она, по-видимому, указывает на рас-
стояние между ульем и цветком.
В 1959 году другой ученый из Мюнхена, Вольфганг
Штехе, поместил в улей искусственную пчелу. Управляя
ее танцем извне с помощью электронной аппаратуры, он
31
выманил из улья рои пчел и направил его прямо к при-
готовленной кормушке.
Любопытно, что способ ориентации по солнцу срабаты-
вает и в том случае, когда солнце скрыто облаками. Ока-
залось, что солнце лишь косвенно участвует в этом про-
цессе; важнейшие навигационные свойства обеспечивает
скорее небо. Объясняется это следующим образом.
Солнце излучает неполяризованный свет. Однако зем-
ная атмосфера действует подобно чрезвычайно специфич-
ному поляризатору. Доведись вам исследовать свет, иду-
щий от определенной точки безоблачного неба, вы бы об-
наружили, что он частично поляризован и имеет известный
угол поляризации. От другой точки неба исходил бы свет
с иным углом поляризации. Степень и угол поляризации
зависят от местонахождения данной точки по отношению
к солнцу. Другими словами, распределение поляризации
по небесной сфере меняется по мере перемещения солнца.
Взглянув на небо, вы этого распределения поляриза-
ции не заметите. А пчела замечает, так как смотрит на небо
не непосредственно, а через своего рода поляроидные
очки. Элементы ее глаз — поляризаторы, ориентирован-
ные под разными углами. Поэтому, когда пчела глядит
на определенную часть неба, она видит своеобразную кар-
тину распределения различных световых интенсивностей;
не удивительно, что, возвращаясь от цветка к улью, она
запоминает виденную картину. Но каким образом ей уда-
ется затем связать эту картину с углом, который она дол-
жна показать в темноте на стенке улья, — вопрос, на кото-
рый до сих пор нет ответа. По-видимому, она все-таки
опять же использует явление поляризации. Это доказы-
вают опыты: исследователи помещали поляризаторы между
пчелой и небом, и пчела выполняла задание.
Итак, пчелы используют метод навигации, который
человеку пока недоступен. Помимо пчел есть и другие
существа, способные распознавать поляризованный свет;
они, очевидно, также используют эту свою способность
в целях навигации или же как средство, гарантирующее
им движение по прямой линии.
Примеры, на которые мы ссылались в этой главе, при-
званы проиллюстрировать некоторые наиболее привлека-
тельные свойства животных и насекомых, представляющие
потенциальный интерес для создателей различной аппара-
туры. Но, как мы уже отмечали выше, «бионический» под-
32
ход к созданию машин не был с таким уж энтузиазмом
подхвачен теми, кто так или иначе связан с этими пробле-
мами. Как выразился один исследователь, «бионика объ-
единяет самую безумную часть электроники с самой без-
умной частью биологии».
Но, невзирая на известный скептицизм ученых, загля-
нем во внутреннюю структуру некоторых природных сис-
тем и посмотрим:, как их интерпретировали инженеры.
2 Заказ № ИЗО
глава третья
НЕРВЫ И ИХ ИМИТАТОРЫ
Если уж мы всерьез намерены соперничать с биологи-
ческими системами, необходимо сначала разобраться в
принципе их действия. Но коль скоро мы поставили перед
собой такую задачу, нам надо прежде всего заглянуть
внутрь и выяснить, из каких составных частей они состоят
и как в свою очередь взаимодействуют эти компоненты.
Нам предстоит узнать, что заставляет живые существа
вести себя именно так, как они себя ведут. Ясно одно:
проблема эта отнюдь не тривиальна, и мы бы буквально
зашли в тупик, если бы вынуждены были ждать, когда
ее решат инженеры и ученые-физики. Ведь в то время как
большинство из них не задумываясь воткнут щуп осцил-
лографа в самое сердце цифровой вычислительной машины,
при одной мысли о том, что им предстоит вскрыть череп
лягушки и погрузить зонд в ее мозг, они бледнеют.
К счастью, естествоиспытатели сделаны из более «стой-
кого материала» и, как правило, не пугаются при виде
крови. Долгие годы зоологи и биологи, где и куда могли,
вонзали свои скальпели и со временем накопили солидный
запас сведений о свойствах тех или иных органов у живых
существ. Именно эта основополагающая информация и
стимулировала многие исследования, рассматриваемые
в нашей книге.
Одной из наиболее важных клеток, открытых учеными-
биологами, является нейрон. Это кирпичик, из которого
построена нервная система. Подсчитано, что в нервной
системе человека содержится 10 000 000 000 нейронов.
Нейрон — разновидность электронного прибора, прини-
мающего, обрабатывающего и передающего электрические
сигналы внутри нервной системы. Мы видим, слышим,
щупаем, пробуем на вкус или нюхаем что-либо только
благодаря тому, что нейроны передают друг другу сиг-
налы внутри нашего организма и мозга. Процесс мышле-
ния также связан с перемещениями электрических сиг-
налов в мозгу, и всем этим мы обязаны нейрону. Не уди-
вительно, что, познав природу нейрона, мы хотя бы в
первом приближении сумеем понять принцип действия
биологической системы в целом.
Поэтому начнем с обзора того, что, как полагают био-
логи, им известно о нейронах. Мы говорим «полагают»,
34
ибо работа в этом направлении еще не завершена и в один
прекрасный день ученые могут столкнуться с такими
данными, которые опрокинут все их сегодняшние концеп-
ции и заставят сформулировать новые. Сейчас в распоря-
жении ученых имеется только модель нейрона. Те опи-
сания нейрона, которые они приводят, лишь комбина-
ция признаков, установленных либо опытным путем,
либо на основе теоретических предположений. Она полу-
чила название модели только для того, чтобы мы могли
подчеркнуть ее экспериментальный, временный характер.
Модель эта пока представляет собой самое современное
суждение ученых-биологов о том, что такое нейрон и каков
механизм его действия. Но она может оказаться устарев-
шей, как только появятся новые экспериментальные
данные.
Поэтому, когда мы будем говорить о свойствах нейрона,
помните, что на самом деле речь пойдет лишь о тех или
иных мнениях современных ученых-биологов и мнения
эти вовсе не всегда совпадают. Иными словами, мы соби-
раемся познакомить вас с тем, что можно было бы назвать
«общепринятой» моделью. А кроме того, нейроны бывают
различных размеров и форм и их функции насчитывают
не менее пятидесяти семи различных модификаций.
Удобнее всего начать с описания структуры нейрона,
которая очень напоминает дерево и, подобно ему, имеет
ветви, ствол и корни (рис. 1). Более того — и мы об этом
уже упоминали — конфигурации нейрона столь же мно-
гообразны, как и очертания деревьев. Но в отличие от де-
рева нейрон неизмеримо меньше по размеру. Подсчитано,
что в ящик объемом 0,028 кубического метра можно втис-
нуть 100000 000 000 нейронов. Разумеется, при этом мы
имеем в виду самые маленькие нейроны. Некоторые же из
них достигают более метра в длину.
Обычно электрические сигналы поступают в нейрон
по его отросткам через контактные точки, называемые
синапсами. На отростке, который именуется дендритом,
находятся тысячи синапсов. Часть нейрона, расположен-
ная непосредственно над стволом, носит название тела
клетки. Это центр сбора и оценки информации, поступаю-
щей в нейрон; здесь определяется природа электрических
сигналов, достигающих нейрона. Результаты этой оценки
2
35
передаются по стволу, который получил название аксона.
У основания ствола сигнал распространяется по корневой
структуре.
Нейроны, как правило, не изолированы друг от друга.
Напротив, если продолжить нашу аналогию с деревом,
следует подчеркнуть, что они существуют в виде скопле-
ний, напоминающих леса, и эти «леса» расположены друг
под другом таким образом, что корни одного из них пере-
плетаются с ветвями другого, находящегося ниже. Точно
так же сигнал, проходящий через несколько нейронов,
редко бывает одиночным; это лишь один из многих сигна-
лов, в один и тот же момент совершающих аналогичное
путешествие по другим нейронам.
Таким образом, поток электрических сигналов, иду-
щих по сети нейронов, входит в какую-то группу ответвле-
ний, проходит по стволу и выходит через корни к ветвям
36
нижних деревьев, продолжая путь по следующему слою
«леса».
Что же касается единичного нейрона, то он собирает
сигналы от синапсов (контактных точек). Затем эти сиг-
налы по дендритной структуре (ответвлениям) проходят
к телу клетки. Здесь оценивается общий эффект всех при-
шедших сигналов, и результирующая оценка передается
дальше по аксону (стволу) вниз, где она расходится по
корням и переносится на дендритные структуры нижнего
леса.
Иными словами, нейрон действует подобно электричес-
кой схеме, предназначенной для преобразования сигна-
лов. Сейчас для нас главное — понять принцип действия
нейрона и всех его составляющих; после этого мы сумеем
разгадать, как мыслит человек. Что делает единичный
нейрон, нам в принципе ясно, но как действует скопление
нейронов — по-прежнему загадка.
Сигнал, достигающий синапса,— слабый и короткий
электрический импульс. Правильнее было бы сказать,
что это поток импульсов, которые поступают друг за дру-
гом в определенном темпе, называемом частотой (то есть
числом импульсов в секунду) (рис. 2).
Однако сам по себе импульс не переходит через синапс.
Он лишь служит причиной образования потока хи-
мически активных веществ, который и проходит через
синапс, возбуждая внутри дендрита еще более слабый, но
более длительный импульс; этот импульс затем идет к телу
клетки, по пути становясь все меньше.
Тело клетки получает множество таких импульсов от
всех частей дендритной структуры. Оно складывает их
друг с другом, и, когда накопленная сумма достигает оп-
ределенного значения, говорят, что превышен порог. Нечто
подобное происходит, когда превышается предел прочно-
сти. Например, вы сгибаете ветку. Напряжения в ней
постепенно достигают величины, превышающей определен-
ный предел, и ветка ломается. Есть такой предел и у тела
клетки. Когда суммарный принятый сигнал превышает
этот предел, происходит перелом: тело клетки посылает
импульс.
Посылка импульса — показатель того, что суммарный
сигнал, принятый телом клетки, превысил определенный
критический уровень, который мы и называем порогом.
Таким образом, если последующие нейроны узнают, что
37
Рис. 2. Нервные импульсы.
Электрические сигналы, идущие по нервной системе, можно
наблюдать с помощью осциллографа. Сигнал, приходящий к си-
напсу нейрона, как правило, представляет собой последова-
тельность таких электрических импульсов.
импульс был послан, они тем самым получат некоторые
сведения о том, сколько сигналов было принято исходным
нейроном.
Как только тело клетки выработает импульс, величина
порога резко возрастает. Это означает, что для генерации
следующего импульса тело клетки должно принять от
своей дендритной структуры неизмеримо больший суммар-
ный сигнал, другими словами, оно временно «истощается».
Но постепенно величина порога падает до первоначального
уровня, и импульсы (если они продолжают поступать),
достигающие синапсов, снова могут достаточно легко вы-
звать возбуждение тела клетки, сопровождающееся об-
разованием очередного импульса.
Количество возбуждений тела клетки в секунду служит
мерой величины итогового сигнала (тр есть числа импуль-
38
сов), принятого дендритной структурой. Чем больше при-
ходящий сигнал, тем больше число импульсов в секунду,
генерируемых телом клетки.
Для большей наглядности рассмотрим нейрон в виде
крошечного человечка, или, как его принято называть,
«демона». (Демонами ученые нередко пользуются как
весьма удобным средством для более четкого изложения
своих идей.)
Наш воображаемый демон прислушивается к звукам
(синапсы — его уши, а принимаемые сигналы — звуки);
он оценивает их общий эффект (тело клетки суммирует
сигналы и сравнивает их с величиной порога) и затем со-
общает свою оценку демону, стоящему под ним (тело клет-
ки генерирует импульсы). При этом сила его крика зависит
от громкости звуков, которые он слышит. Если демон мол-
чит (тело клетки не генерирует импульсы), значит он
ничего не слышит. Если же он кричит во всю мочь (тело
клетки генерирует импульсы в очень быстром темпе),
значит приходящие звуки бомбардируют его. Повторяем,
сила криков демона пропорциональна силе приходящих
звуков.
Так вот, этот демон — одна клетка (нейрон). Сеть из
множества функционирующих клеток означает множество
одновременно кричащих демонов. Для слушателя это ад
кромешный!
Кое-кому из читателей, особенно тем, кто превос-
ходно усвоил предыдущее изложение, весь этот разговор
о демонах может показаться чепухой, предназначенной
разве лишь для ребятишек. Но понятие демона служит
совсем иным целям. Один из принципов конструирования,
предложенных для * применения в области создания искус-
ственного разума, получил название пандемониума1;
он построен именно на таком «демоническом» подходе. Суть
его заключается в том, что в большом нервном скоплении
имеются особые группы, ответственные за измерение опре-
деленных количеств информации. Эти измерительные
группы называют демонами данных; их роль — переда-
вать то, что они обнаруживают, другой группе демонов,
так называемым демонам решения. Но поскольку все де-
моны данных передают информацию одновременно, демоны
решения уделяют внимание только самой громкой группе.
1 Пандемониум — обиталище демонов.— Прим, пер ев.
39
И как раз данные этой группы являются наиболее важ-
ными. Если изложить нашу мысль языком техники, мож-
но сказать, что в пандемониумическом типе системы силь-
нейшие сигналы считаются и наиболее важными. В неко-
торых научных кругах различные концепции не всегда
оправданно сводятся к демоническим. Мы же упомянули
о теории демонов на тот случай, если читатель столкнется
с ней при более подробном изучении какого-нибудь во-
проса.
Но вернемся к нейрону и попытаемся взглянуть на
него с другой точки зрения. Все, о чем говорилось выше,
есть не что иное, как переработка информации, представ-
ленной в особой форме. В случае с демонами такой формой
является звук, в нервной системе — последовательность
импульсов, частоту которых можно уподобить громкости
криков демона. В некоторых отношениях нейрон действует
одновременно и как радиоприемник и как радиопередат-
чик.
Предположим, что вы ведете радиоразговор из Кали-
форнии с Японией, используя в качестве ретранслятора
какое-то. лицо на радиостанции на Гавайских островах.
Эта гавайская станция напоминает нейрон в «лесу», рас-
положенном, как в сандвиче, между двумя другими «ле-
сами» — один сверху, другой снизу.
Чтобы обеспечить более эффективную передачу инфор-
мации (то есть того, что вы говорите), ваш голос в Калифор-
нии преобразуется в радиоволны. Это объясняется тем, что
в отличие от радиоволн звук голоса не может распростра-
няться далеко. На Гавайях радиоволны вновь должны
быть преобразованы в звук. В нейроне синапсы (иначе
говоря, приемник) превращают приходящие импульсы
(в данном случае радиоволны) в меньшие по частоте и бо-
лее длительные импульсы (звук), с тем чтобы их могло
оценить тело клетки (то есть слушатель на Гавайях).
Тело клетки преобразует эту оценку в импульсы (слуша-
тель говорит в микрофон, снова превращающий его слова
в радиоволны) для передачи корням (в Японию).
На первый взгляд нарисованная картина может по-
казаться очень запутанной, но, признайтесь, не можете
же вы кричать так громко, чтобы вас услышали в Японии
(или, на худой конец, на Гавайях, как в данном случае).
Точно так же и нейроны не могут передавать сигналы от
своих отростков к корням, минуя этот сложный процесс.
40
Нейрон не просто служит средством более эффективной
передачи сигналов. Он делает больше — истолковывает
то, что принимает, прежде чем передать полученное сооб-
щение дальше. И в этом отношении его можно сравнить
со слушателем на Гавайях, который принимает также пе-
редачи из Чили и с Аляски, а затем передает все данные
дальше, в Японию.
Короче говоря, нейрон выполняет две основные функ-
ции. Во-первых, он реагирует на принимаемые сигналы,
причем реакция эта зависит от силы приходящих сигна-
лов. Во-вторых, он преобразует свой ответ в такую форму,
которая позволяет наиболее эффективно передавать его
другим нейронам.
На этой функции нейрона мы остановимся подробнее.
Как уже отмечалось, при превышении порога тело
клетки образует импульс, который в свою очередь должен
быть передан по стволу (аксону) к корням. Но если бы
ствол был устроен так же, как дендритная структура,
мы оказались бы в затруднительном положении. Выше
упоминалось, что слабые импульсы, распространяющиеся
от синапса к телу клетки, по пути уменьшаются. Это объ-
ясняется тем, что в некоторых отношениях дендриты упо-
добляются электрическим сопротивлениям. Если рассто-
яние, которое предстоит пройти импульсам, не слишком
велико, это не так страшно. Если же расстояние достаточ-
но велико, потери, связанные с преодолением сопротивле-
ния, в конце концов сведут импульс к нулю. Сигнал, по-
сланный по аксону, как правило, должен пройти сравни-
тельно длинный путь, и для гарантии того, что импульс не
исчезнет, аксон устроен по-особому. Он действительно соз-
дан специально для передачи импульсов.
Вернемся на время к аналогии аксона со стволом. Как
известно, ствол дерева состоит из мягкой сердцевины и
оболочки, называемой корой, и все это окружено еще од-
ной средой — воздухом.
Аксон в разрезе напоминает колбасу; оболочка его име-
нуется мембраной. Внутри оболочка заполнена веществом,
содержащим электрически заряженные частицы — ионы.
Окружающая среда также содержит ионы. Внутри преоб-
ладают ионы калия (К+), а снаружи — ионы натрия
(Na+).
Предположим, что в нашем распоряжении имеется ак-
сон, который мы можем подвергнуть тщательному анализу.
41
Точка возбуждения
- М

5
ИШ ------------**
Рис. 3. Воздействие электрического сигнала на аксон
приводит к возникновению области разряда, распро-
страняющейся от точки возбуждения.
За каждой из движущихся областей разряда следует движущая-
ся область восстановления.
Если поместить один щуп вольтметра (прибора, измеряю-
щего электрическое напряжение) в окружающую аксон
жидкость, а другой через мембрану ввести в глубь аксона,
прибор покажет наличие напряжения около 70 милли-
вольт (1 милливольт — тысячная доля вольта). Таково
постоянное напряжение аксона. Потенциал его сердце-
вины отрицателен по отношению к внешней среде.
Теперь введем еще два щупа — один внутрь аксона,
а другой, как и прежде, снаружи мембраны. Но подсое-
диним их не к вольтметру, а к батарее, напряжение кото-
рой можно изменять. Если теперь, например, уменьшить
полное напряжение на мембране, состояние ее коренным
образом изменится. Уровень напряжения, при котором
это произойдет, называется порогом, точно так же как и в
случае с телом клетки.
Для лучшего понимания путей протекания процесса
обратимся к рисунку. Рассмотрим сначала, что происхо-
дит в непосредственной близости от щупов (рис. 3), а затем
42
Рис. 4. Автоматическое движение электрических импульсов по
аксону обусловлено тем, что ионы калия и натрия особым об-
разом проходят через мембрану.
проанализируем поведение аксона через некоторое время
в другой точке, расположенной неподалеку (рис. 4). Об-
наруженное нами внезапное изменение состояния мем-
браны автоматически распространяется по аксону от
точки, где расположен щуп батареи. Точка эта получила
название точки возбуждения (рис. 3).
Этот процесс автоматического распространения лучше
всего изучать, если ввести понятие движущихся областей
разряда и восстановления. На рис. 4 можно видеть, что
происходит, когда такая подвижная область распростра-
няется вдоль аксона. Часть оболочки аксона (незаштри-
хованная) на рис. 4 — это область разряда; заштрихо-
ванная часть — область восстановления, а полностью
зачерненные части не имеют специального наименования.
Чистые и заштрихованные области на рис. 3 имеют тот же
смысл. Это важно запомнить.
Как отмечалось выше, если под влиянием напряжения
батареи общее напряжение на мембране уменьшается и в
43
определенный момент уровень напряжения на мембране
достигает порогового значения, происходит внезапное и
резкое изменение состояния мембраны, называемое раз-
рядом. На рис. 3 показаны состояния аксона для пяти
последовательных моментов времени. Аксон схематически
изображен в виде прямой линии, а прямоугольники под
этой линией показывают, что происходит в тех частях
аксона, где они расположены.
Вблизи щупа (точки возбуждения) мембрана раскры-
вается подобно шлюзу и внутрь аксона устремляются ионы
натрия (Na+). Этот процесс сопровождается быстрым из-
менением напряжения; оно достигает величины, при ко-
торой сердцевина аксона по отношению к внешней среде
будет иметь положительный потенциал около 40 милли-
вольт. Затем через мембрану начинают выходить наружу
ионы калия (К+), что также сопровождается изменением
напряжения, но уже в обратном направлении. Часть ак-
сона, в которой происходит подобное явление, помечена
на рис. 3 незаштрихованным прямоугольником, располо-
женным под верхней линией.
В течение всего времени, пока на этом обособленном
(возбужденном) участке сердцевина аксона положительна
по отношению к внешней среде, смежные с ним районы ос-
таются отрицательными. Возникающая при этом разность
потенциалов заставляет некоторые ионы двигаться парал-
лельно мембране — как внутри аксона, так и снаружи.
Это меняет распределение типов ионов в соседних облас-
тях, а следовательно, и изменение напряжения на соответ-
ствующих им участках мембраны. Изменяясь, напряже-
ние приближается к пороговому значению. Как только
порог достигнут, состояние мембраны на этих соседних
участках изменяется так же, как и в начальной точке
возбуждения. Иными словами, эти два соседних участка
превращаются в области разряда. Процесс, начавшийся в
точке возбуждения, автоматически распространяется (в
обоих направлениях) на прилегающие участки, и теперь
у нас уже две области разряда, местонахождение которых
помечено на второй сверху линии на рис. 3. Но там же име-
ется заштрихованный участок. Смысл его заключается
в следующем.
В ходе разряда Na+ перемещается внутрь аксона,
а К+ — наружу. Но такие условия существуют лишь до
поры до времени. Натрий постепенно возвращается во
44
внёшнюю среду, а калий — обратно в сердцевину. Интер-
вал времени, в течение которого происходит этот переход,
называется периодом восстановления. В конце концов в
области первоначального возбуждения восстанавливаются
исходные условия (см. третью — пятую линии на рис. 3).
Заметим, однако, что области разряда и восстановления
распространяются по аксону в направлениях от исходной
точки возбуждения.
Возбуждение аксона порождает движущуюся область
разряда, что напоминает продвижение фронтов пламени в
длинном запальном шнуре, если поджечь его посередине,
с той лишь разницей, что запальный шнур невозможно
вернуть в исходное состояние.
Если поместить щупы в какой-то точке аксона, скажем
справа от точки возбуждения (см. рис. 3), можно в конеч-
ном счете увидеть импульс напряжения в тот момент, когда
область разряда проходит мимо щупов. Физиологи назы-
вают этот импульс потенциалом действия; его связь с
движением ионов показана на рис. 4. Импульс можно за-
метить только через некоторое время после возбуждения,
ибо продвижение разряда по аксону происходит не сразу.
Подведем теперь некоторые итоги. Мы описали процесс,
в ходе которого импульс (или потенциал действия) автома-
тически движется по аксону. Однако мы допускали, что
импульс был первоначально возбужден с помощью батареи
и что сам аксон находился в некой сплошной среде. Теперь
вернемся к нейрону, в частности, к той его части, которая
называется телом клетки (рис. 1).
Тело клетки, дендриты и корни можно рассматривать
как структурное продолжение аксона, но с несколько ины-
ми свойствами, обусловленными их формой и, возможно,
концентрацией содержащихся в них ионов. Следовательно,
и мембрана может вести себя здесь по-иному.
Когда суммарная величина сигналов, принятых ден-
дритной структурой, достигает порога тела клетки, то,
как мы уже говорили, образуется импульс. Механизм ге-
нерации этого импульса тот же, что и в аксоне.
Поскольку один конец аксона соединен с телом клетки,
возбуждение тела клетки вызывает разряд и в аксоне.
Иными словами, процесс возбуждения охватывает не толь-
ко тело клетки, но и прилегающие к нему области. Только
дендриты обладают свойствами, отличными от свойств
тела клетки, поэтому они не возбуждаются. Итак, обра-
45
Рис. 5. Распространение импульса.
Области разряда и восстановления в аксоне двигаются по нему со скоро-
стью 1 —10 м/сек. Аксон показан в три различных момента времени (Л,
Т2, Т3), чтобы продемонстрировать движение импульсов.
зование импульса в теле клетки передается аксону и им-
пульс распространяется по аксону от тела клетки.
Заметим, что разряд возникает последовательно в раз-
личных точках вдоль аксона (рис. 5), так что импульс не
ослабляется в противоположность тому, что имеет место
в дендрите. Это позволяет посылать по аксону импульсы
на большие расстояния, причем они не будут уменьшаться
по амплитуде. Такой механизм передачи можно сравнить
со способами модуляции на радиостанциях. Он служит
средством эффективной передачи информации из одной
точки в другую.
Импульсы, наблюдаемые в нервной системе и в мозге,
существуют именно благодаря этому уникальному меха-
низму передачи, свойственному аксонам. Но — и это очень
важно иметь в виду — они не выполняют тех функций,
которые характерны для импульсов в цифровой вычисли-
тельной машине. Мы должны заранее это обусловить, ибо
иллюзия такого сходства в прошлом была источником це-
лого ряда недоразумений. Многие физиологи, впервые об-
наружившие эти импульсы во время экспериментов над
нервной системой, пытались объяснить их наличие тем,
46
что мозг якобы выполняет какой-то вид вычислений, как
и в цифровой вычислительной машине. Им вторили и мно-
гие популяризаторы науки, утверждавшие, что цифровая
вычислительная машина не что иное, как «гигантский
мозг», поскольку и она и мозг генерируют импульсы.
В вычислительной машине каждый отдельный импульс
значит гораздо больше, чем для мозга. По-видимому,
в мозге передача информации зависит от того, сколько им-
пульсов в секунду достигает определенного участка. Если
в вычислительной машине затеряется хотя бы один им-
пульс (скажем, из-за повреждения транзистора), то пере-
даваемая информация будет очень сильно искажена, в
то время как потеря единичного импульса в мозге, по всей
вероятности, не имеет особого значения.
И последнее: когда импульс доходит до конца аксона,
он расходится по корневой структуре и возбуждает синап-
сы, находящиеся в контакте с дендритными структурами
других нейронов.
Итак, мы в основном рассмотрели вопрос о том, каким
образом нейрон обрабатывает принятые им электрические
сигналы. Вкратце он сводится к следующему. Сигналы в
виде импульсов поступают к синапсам, где превращаются
в меньшие по амплитуде, но более длительные импульсы,
проходящие по дендритам к телу клетки. Когда общая сум-
ма сигналов, дошедших до тела клетки, превышает крити-
ческий порог, тело клетки генерирует импульс; затем
этот импульс автоматически передается по аксону к кор-
ням, где он расходится, возбуждая при этом синапсы дру-
гих нейронов, которые далее повторяют тот же цикл.
Вот и все, что пока нам следует знать о нейроне, за
исключением, пожалуй, одного: не надо торопиться с вы-
водами. То, о чем мы говорили выше, представляет собой
известное обобщение (быть может, несколько однобокое
из-за того, что автор книги по профессии — специалист по
радиоэлектронике). Вполне возможно, что кое-кто из фи-
зиологов в противовес нам по-прежнему будет утверждать,
что важен каждый отдельный импульс. Другие ученые
также могут оспаривать отдельные положения книги, но
ведь они точно так же спорят и между собой. С другой сто-
роны, могут найтись люди, которые, рассматривая нейрон
с позиций радиоэлектроники, способны приписать ему
более сложную, чем это есть в действительности, роль в
обработке информации.
47
Мы в своих описаниях исходили из концепции, которая
кажется нам наиболее разумной, не пренебрегая, однако,
тем, что, на наш взгляд, не очень убедительно, но получило
широкую поддержку у других. Мы не всегда будем указы-
вать на эти разграничения по ходу изложения. Так что
не стоит искать ярлыков «истина», «предположение» или
«фантастика» в конце каждого обсуждения.
Читатель вправе задать вопрос: какое отношение име-
ют все эти рассуждения к проблеме создания искусствен-
ного мозга?
Нельзя создать искусственный мозг из ничего, надо
иметь какие-то его компоненты. Такие компоненты полу-
чили название, в частности, искусственных нейронов.
Чтобы судить о том, сколь «искусственными» были дости-
жения ученых в действительности, вернемся на время к
истории развития искусственных нейронов. Вначале этой
проблемой занимались лишь физиологи, психологи и дру-
гие ученые-естествоиспытатели. Так что уместнее прежде
остановиться на некоторых их идеях.
Модели нейронов обычно бывают двух видов. При соз-
дании одного из них для описания действия нейрона при-
бегают к математическим уравнениям — как к очень
простым, так и в высшей степени сложным. Примером
первых могут служить логические уравнения (аналогичные
выражениям булевой алгебры, используемым для описания
работы схем вычислительных машин). Обоснованность
такого подхода весьма сомнительна; на наш взгляд, он
вводит исследователей в заблуждение. В более хитроумных
математических трактовках для обоснования поведения
аксона пользуются системами нелинейных дифференци-
альных уравнений в частных производных. При этом по-
лучают более близкую к действительности модель, но ода
слишком сложна, и поэтому мы не будем ее рассматривать
в этой книге.
Для создания второго, более интересного вида моде-
лей используют физические приборы, специально постро-
енные для моделирования поведения нейрона или его
частей. Их можно разбить на две группы: приборы, модели-
рующие тело клетки и ее дендритную структуру, и при-
боры, моделирующие аксон и его способность передавать
сигналы.
48
Ключ для создания
начального импульса
—-АЛЛ-	—]{—
Соединение Переключатель	Конденсатор Неоновая Орган настройка
Ват а рея	Резистор	лампа
Рис. 6. Модель аксона Грея Уолтера.
Соединив элементы таким образом, Уолтер одним из первых имитировал пове-
‘ дение аксона с помощью искусственного «нерва».
К одной из первых моделей аксона принадлежит мо-
дель Р. С. Лилли, описанная еще в 1935 году. Если кусок
очень тонкой железной проволоки погрузить в сосуд с
азотной кислотой, то проволока покроется пленкой, или
оболочкой. Если затем поскрести эту проволоку более
твердым металлом, можно увидеть, как в обе стороны от
царапины будут распространяться пузырьки. Это явление
можно уподобить распространению электрического им-
пульса по аксону.
Но, поскольку те характеристики нейрона, которые
мы хотим промоделировать, имеют электрическую при-
роду, вполне естественно, что больший интерес представ-
ляют электронные схемы, ведущие себя подобно нейрону.
В одном из первых опытов, проведенных им в начале 50-х
годов, Грей Уолтер, чтобы имитировать аксон, связал спе-
циальные компоненты друг с другом в цепочку. Цепочка
состояла из маленьких неоновых лампочек, резисторов,
конденсаторов и батареек, соединенных, как показано
на рис. 6. Прикладывая напряжение к одной из неоновых
49
лампочек, ее можно было «зажечь» (то есть заставить све-
титься). Это в свою очередь вызывало протекание тока к
смежным элементам, в результате чего соседние неоновые
лампочки также начинали светиться. Действие, состоящее
в загорании лампочки, распространялось, таким образом,
вдоль всей цепи. Если к схеме подключали осциллограф,
можно было обнаружить импульс, распространяющийся
по этой цепочке точно так же, как он распространяется
по аксону.
Уолтеровская имитация аксона была весьма грубой
(и ненадежной в работе). В последние годы появились
более хитроумные модели, получившие название нейрис-
торов. Однако в свое время схема Уолтера была значи-
тельным достижением. Позднее мы подробно остановимся
на принципе действия нейристоров, но прежде обсудим
те модели, в которых сделана попытка имитировать пове-
дение синапсов, дендритов и тела клетки.
К числу первых таких моделей относится модель
Л. Д. Хармона (фирма «Белл»). Хармон создал несколько
различных схем с целью собрать из них простейшую экс-
периментальную «нервную систему», позволяющую уста-
новить, каким образом совокупности нейронов объеди-
няются для обработки сигналов. Схемы строились на тран-
зисторах, диодах, резисторах и конденсаторах; каждая
из них имела несколько входных и только одну выходную
клемму (рис. 7). Большое число входов соответствовало
количеству входных синаптических точек на дендритной
части нейрона, а единственный выход — той точке, в ко-
торой аксон соединяется с телом клетки. Таким образом,
на несколько входов можно было одновременно подавать
последовательности входных импульсов, в то время как
на выходном конце появлялась другая последовательность.
Для имитации свойства нейрона, о котором мы еще не упо-
минали, многочисленные входы подразделялись на воз-
буждающие и запрещающие (тормозящие).
Выше мы говорили, что, по мере того как увеличивает-
ся частота импульсов, приходящих к нейрону, возрастает
и частота импульсов на выходе. Но в действительности это
не всегда так. Иногда при увеличении частоты входных
импульсов частота выходных импульсов уменьшается.
Физиологи еще не могут объяснить это явление, но в ходе
эксперимента его наблюдали.
Учитывая это обстоятельство, Хармон смонтировал
50
Возбуждающие
входы
Рис. 7. Схема нейрона Хармона.
Одна из первых электронных схем, построенных для того, чтобы показать, ка-
ким образом тело клетки в нейроне обрабатывает нервные импульсы.
свою схему таким образом, чтобы иметь возможность ими-
тировать оба эффекта. Входы, которые обусловливали
увеличение частоты выходных импульсов, он назвал воз-
буждающими, а входы, которые обусловливали уменьше-
ние частоты,— запрещающими (тормозящими).
Каждый из входных контактов в схеме Хармона соеди-
нен с остальной схемой посредством резистора. Во время
работы экспериментатор может в той или иной степени
изменять номиналы составных частей схемы — и все же
она будет работать. Такого рода изменения позволяют мо-
делировать электрические эффекты, вызванные различной
длиной путей, по которым проходит сигнал в своих путе-
шествиях по дендриту от синапса к телу клетки. Ранее
мы отмечали, что амплитуда импульсов, идущих от си-
напсов, по мере прохождения по дендриту уменьшается.
Необходимо отметить, что схема Хармона имитирует
лишь одну из двух основных функций нейрона: ее реакция
на принимаемые сигналы зависит от силы (частоты) вход-
ных сигналов. Что же касается схемы Уолтера, то она мо-
51
делирует механизм передачи, используемый аксоном для
распространения импульсов.
Схема Хармона — относительно простая модель струк-
туры синапса, дендрита и тела клетки. В целях экономии
Хармон моделировал только то, что представлялось ему
наиболее важным в поведении нейрона.
Можно построить (и это было сделано) более сложные
схемы, имитирующие нейрон. Если в схеме Хармона, не
считая резисторов, имитирующих дендритные пути, на-
считывалось тринадцать резисторов, два конденсатора, два
диода и пять транзисторов, то в более сложной схеме, раз-
работанной К. Кюпфмюллером и Ф. Джеником, было
уже семьдесят один резистор, двадцать два конденсатора,
три диода и восемнадцать транзисторов. Такая схема
влетит в копеечку!
Невольно возникает вопрос: можно ли утверждать, что
такие совершенно различные схемы моделируют один и
тот же нейрон? Скажем прямо: все зависит от того, какую
цель преследует разработчик и какое свойство нейрона
его интересует. Вопрос этот не так прост. Многое зависит
от опыта и квалификации исследователя.Но читателю важ-
но помнить, что существуют различные подходы.
Возьмем, к примеру, физиолога, не имеющего соответ-
ствующей подготовки или опыта в области электроники.
Если он посмотрит на осциллограф, показывающий им-
пульс потенциала действия, и увидит, что в действитель-
ности форма этого импульса не идеально прямоугольна,
а несколько искажена, то, строя схему для моделирования
такого импульса, он будет стараться скопировать мель-
чайшие извивы, которые увидел на экране осциллографа.
Если же кто-либо покажет ему модель, образующую им-
пульс, не во всем идентичный реальному нервному импуль-
су, он эту модель отвергнет. И одна из причин его отказа
заключается в том, что он не знает точно, каков механизм
нейрона, и потому беспокоится, что, упустив крошечный
извив, может потерять важную подробность.
Напротив, специалист по электронике, имеющий опыт
в обработке электронных сигналов, знает, что именно
важно при такой обработке. Он уверен также, что может
определить, какие извивы представляют собой всего лишь
ложные побочные эффекты от специфических колебаний,
связанных со свойствами использованных им для построе-
ния схемы компонентов. Так что, есди в модели и не хва-
52
тает какого-то извива, инженер без труда решает, нужен
ему этот извив или нет.
Таким образом, мы располагаем множеством моделей
нейрона и минимумом аргументов, поскольку инженер и
не старается уверить физиолога, что его модель наилуч-
шая. Он-то убежден, что она не хуже, а, возможно, лучше,
чем модель физиолога, но в интересах мирного сосущество-
вания пытается создать впечатление, будто его дело —
лишь построить прибор, а не объяснять принцип действия
нервной системы.
Большинство описанных моделей, несмотря на разли-
чие их характеристик, имеет гораздо большее сходство
с реальным нейроном, чем модели исследователей, при-
держивающихся противоположных взглядов. С этим типом
нейрона мы можем познакомиться на примере Л-ячейки,
предложенной Ф. Розенблаттом (Корнелльская лабора-
тория аэронавтики) (рис. 8).
У Л-ячейки много входных контактов, аналогичных
синапсам нейрона. Каждый вход, в отличие от нейрона,
возбуждается не последовательностью импульсов, а еди-
ничным импульсом. Не все входы обязаны возбуждаться
Сигналы
Входы
Выход
Сигналы +/
Рис. 8. Л-ячейка, основной «нейрон», используемый в персе-
птроне (машине, которая была обучена распознавать буквы
алфавита).
53
в одно и то же время. Кроме того, входной импульс в от-
личие от импульса, принимаемого нейроном, может быть
либо положительным, либо отрицательным. Та часть А-
ячейки, которая соответствует телу клетки, производит
алгебраическое сложение импульсов со всех входов.
Это делается следующим образом. Положительному
импульсу присваивается численное значение J-1, отри-
цательному импульсу — значение —1; отсутствие импуль-
са рассматривается как 0. Предположим, что у ячейки
десять входов. Если на трех из них будут положительные
импульсы, на пяти — отрицательные, а на оставшихся
двух импульсов не будет, то сумма равна: 3—5+0 = —2.
Но у А -ячейки имеется также порог, величина которого
равна некоторому заданному числу. Если алгебраическая
сумма входных импульсов превышает величину порога,
то А -ячейка вырабатывает выходной сигнал величиной
+ 1. Если же сумма меньше порогового значения, на вы-
ходе А -ячейки будет нуль.
Как построены схемы А -ячейки, чтобы она вела себя
именно таким образом, не имеет большого значения, важ-
но, что она делает это. Что же касается вопроса, почему
она так построена, то подробнее на этом мы остановимся
в гл. 5, поскольку А -ячейка — основной нейрон в искус-
ственной нервной системе, называемой «обучающейся ма-
шиной». Такие машины, персептроны, были «обучены»
распознавать буквы алфавита. Описанные выше свойства
А -ячейки мы используем в, гл. 5, когда будем рассматри-
вать, как эти машины «преуспели» в распознавании букв.
Существует и другой упрощенный «нейрон», представ-
ляющий для нас интерес. Он называется АДАЛИН
(ADALINE); это имя выведено из начальных букв слов
АДАптивный 1 ЛИнейный Нейрон (ADAptive Linear
NEuron) (рис. 9). Множество таких ячеек было смонтиро-
вано в машину, названную М АД А Л ИН,— название ес-
тественное, ибо машина содержит Много (Many) АДА-
ЛИНов! Эта машина, описание которой также приводится
ниже, была «обучена» распознавать речь, предсказывать
погоду и балансировать метлой. Мы не знаем, велик ли спрос
на машины, умеющие балансировать метлой, но чего только
не бывает!
Подобно А-ячейке, каждый АДАЛИН может прини-
1 То есть самоприспосабливающийся.— Прим, перев.
54
АДАЛИН
Рис. 9. АДАЛИН.
Этот основной «нейрон» был использован в машине, обученной ба-
лансировать метлой, распознавать речь и выполнять ряд других задач.
мать иа каждый из своих входов либо сигнал +1, либо
сигнал —1. Но он никогда не воспринимает нулевой сиг-
нал на входе. Как и в ячейке Хармона, в каждой входной
цепи АДАЛИНа имеется резистор. Все входные цепи сое-
динены в схему, которая подсчитывает итоговую сумму
сигналов, принятых с входов через эти резисторы. «Цена»
сигнала от каждого входа, приходящая к суммирующей
точке, зависит от номинала резистора, присоединенного
к данному входу, и не равна точно 4-1 или —1. Номиналы
резисторов могут быть изменены оператором, работающим
с АДАЛИНом, в течение каждого «урока». В этом и за-
ключается метод, с помощью которого происходит «обу-
чение» нейрона.
В АДАЛИНе цены всех поступивших сигналов алгеб-
раически складываются и сравниваются с величиной
порога. Если суммарный входной сигнал превышает порог,
на выходе нейрона будет4~1.Если же сумма меньше порога
или равна ему, то на выходе будет —1.
Вот пока и все, что следует сказать об АДАЛИНе.
55
Существует немало других подобных «нейронов», ис-
пользуемых во множестве «обучающихся машин», которые
сейчас усиленно разрабатываются, но мы ограничимся
этими двумя как наиболее типичными из всего семейства.
Теперь вернемся на время к нейрону Хармона. Эта
схема принимает входные и выдает выходные последова-
тельности импульсов. Но, как мы уже отмечали, назначе-
ние таких импульсных последовательностей состоит толь-
ко в том, чтобы обеспечить эффективный способ передачи
информации по аксону. Следует заметить, что вопрос о
том, используется ли всего один или множество импуль-
сов, оказывается решающим лишь в том случае, когда мы
имеем дело с очень маленькими нейронами — такими,
как в нервной системе живого организма.
Если не считать эстетического удовлетворения, полу-
чаемого от созерцания последовательностей импульсов
наподобие тех, которые наблюдаются у реальных нейронов,
инженеру, как правило, нет нужды применять нейрон,
в котором вообще используются какие бы то ни было им-
пульсы. Более того, гораздо удобнее вообще обойтись
без них.
Это связано с тем, что информация, получаемая ней-
роном, представляет собой частоту следования импульсов.
Поэтому нетрудно выразить ее через некоторый уровень
напряжения. Аналогично частота выходной последова-
тельности импульсов у нейрона также может быть выраже-
на определенным уровнем напряжения. В таком случае
нулевое значение входного напряжения соответствует от-
сутствию импульсов на входе нейрона. При увеличении
напряжения получаем эквивалент последовательностей
импульсов со все возрастающей частотой. Точно так же
высокое напряжение на выходе соответствует высокой
частоте повторения импульсов.
Такие безымпульсные нейроны изучались несколькими
группами исследователей. В фирме «Рэйдио корпорейшн
оф Америка» (РКА) были созданы искусственные нервные
системы, в которых использовались как импульсные ней-
роны, так и их безымпульсные модификации; в большин-
стве работ применялись последние. Сама схема представ-
ляет собой всего лишь усилитель, обладающий способ-
ностью возбуждать нейрон. Сходный безымпульсный
нейрон использовался и в экспериментах Лаборатории мор-
ской артиллерии США. Нейрон фирмы РКА нашел приме-
56
некие в искусственных нервных системах, разработанных
для исследований по распознаванию речи. Подробнее об
этом мы будем говорить в гл. 7.
Существует множество разновидностей моделей искус-
ственных нейронов.
Ну, а теперь, чтобы связать работу отдельных нейро-
нов с машинами, в которых они используются, обратимся
к понятию о нейристоре, о котором мы упоминали в начале
этой главы.
ГЛАВА ЧЕТВЕРТАЯ
ПОНЯТИЕ О НЕЙРИСТОРЕ
Одним из наиболее значительных достижений в элект-
ронике за последние годы была тенденция к миниатюриза-
ции электронных схем. Инженеры старались разместить
в заданном объеме как можно большее количество схем —
тем самым они добивались того, что электронное оборудо-
вание усложнялось, в то время как занимаемое им про-
странство не изменялось. Это в свою очередь привело к
развитию все более хитроумных схем.
В середине 50-х годов типовая логическая схема, при-
меняемая в наиболее усовершенствованных цифровых
вычислительных машинах, представляла собой набор ре-
зисторов, конденсаторов, диодов и транзисторов, смонти-
рованных на печатной плате размером около 7,5x13 сан-
тиметров. Транзистор в этих схемах по размеру не превы-
шал крупной таблетки аспирина.
Коренные изменения в методах производства вскоре
позволили изготавливать транзисторы и диоды значитель-
но меньших размеров — они настолько малы, что целая
плата (та самая, которая имела размеры 7,5x13 сантимет-
ров) по объему стала почти такой, каким некогда был один-
единственный транзистор. Вся схема целиком теперь из-
готавливается на маленькой кремниевой пластинке и упа-
ковывается в оболочку, подобную той, которая в прежних
схемах вмещала только транзистор. В наши дни появилась
возможность разместить более чем миллион электронных
деталей в объеме 0,028 кубического метра. Техника, поз-
воляющая это осуществить, называется микроэлектро-
никой.
Микроэлектроника способствовала применению циф-
ровых вычислительных машин во многих областях элект-
роники и одновременно стимулировала проведение работ,
направленных на создание искусственного разума и син-
тетической нервной системы. Раньше ученым казалось,
что для «конкуренции» с мозгом — если только мы вообще
когда-нибудь достигнем этого — нам потребуется огром-
ное количество схем. Достижения микроэлектроники, по
всей видимости, способствуют получению схем в более
приемлемом для этой цели объеме. Но нам далеко до до-
стижения плотности упаковки нервных клеток в мозге.
Там, где микроэлектроника может достичь плотности в
58
1 000 000 деталей на 0,028 кубического метра, мозг может
разместить 100 000 000 000 нервных клеток. Таким образом,
микроэлектронике предстоит еще проделать долгий путь,
прежде чем она сможет соперничать с нервной системой.
В конце 1959 года Г. Д. Крейн из Стэнфордского на-
учно-исследовательского института попытался установить,
какие факторы препятствовали бы специалистам по мик-
роэлектронике в достижении этих целей, где столкнулись
бы они с трудностями, если бы постарались еще больше
уменьшить размеры своих схем.
Как известно, схема — совокупность деталей, соеди-
ненных между собой проводниками. Поэтому уменьшение
размеров деталей неизбежно связано с соответствующим
уменьшением проводников. Но по мере уменьшения диа-
метра проводников последние начинают ограничивать те-
кущий через них ток, поскольку их сопротивление увели-
чивается. Таким образом, если бы даже удалось уменьшить
размеры деталей и проводников по сравнению с существу-
ющими в настоящее время, проводники стали бы узким
местом схемы, ибо сигналы не смогли бы проходить между
различными ее участками.
Задача Крейна как раз и заключалась в том, чтобы
справитьсй с этой потенциальной проблемой, хотя сами
специалисты еще не пытались достичь такой степени ми-
ниатюризации. Но было ясно, что в конце концов они к
этому придут, и Крейн хотел облегчить им задачу.
В ходе поисков он пришел к выводу, что нервная сис-
тема решила эту проблему, применив для передвижения
импульса внутри себя нечто вроде «активного» провод-
ника. Таким проводником у нейрона является аксон, опи-
санный в гл. 3. Поэтому Крейн начал присматриваться к
аксону, но уже с позиций инженера по радиоэлектронике.
Он не задумывался над тем, каким образом можно было
построить аксон, а сосредоточил свое внимание на общих
его чертах и возможных аналогиях аксона в электронных
схемах.
Итак, известно, что аксон передает электрический им-
пульс по всей своей длине. Бикфордов шнур, вроде того,
который имеется на конце шутихи, проводит по себе «им-
пульс» пламени. Но аксон можно использовать неодно-
кратно, в то время как бикфордов шнур используют лишь
один раз. Так что его сходство с аксоном ограничивается
только способностью распространять возмущение.
59
Мы можем охарактеризовать это возмущение более
обобщенным термином — разряд. Разряд в бикфордовом
шнуре — это пламя, разряд в аксоне — импульс напря-
жения.
Если взглянуть на аксон в тот момент, когда он про-
водит единичный импульс, можно обнаружить три различ-
ных участка. В одном из них внутренний потенциал (на-
пряжение) положителен по отношению к внешней среде.
Это так называемое «место действия импульса». Предполо-
жим, что оно передвигается вправо, и посмотрим, что
происходит с аксоном (см. рис. 3 и 4). Левая часть аксона
старается возвратиться в свое первоначальное состояние,
поскольку импульс только что миновал этот участок. Здесь
внутри аксона содержится больше ионов натрия (Na+),
чем обычно, а в окружающей среде — больше ионов ка-
лия (К + ); это обусловлено спецификой действия мембраны
во время прохождения импульса (разряда). Поскольку
упомянутое распределение натрия и калия выходит за
рамки нормы, ионы стараются вернуться на свои прежние
места. Поэтому принято говорить, что в этом участке ак-
сон испытывает восстановление (физиологи иногда назы-
вают его участком невозбудимости).
Справа от импульса наблюдаются нормальные кон-
центрации натрия и калия, поэтому можно сказать, что
аксон в этом районе заряжен (физиологи называют это
состояние «покоем»).
Итак, три фазы распространения импульса по аксону
можно выразить более общими понятиями, как участки
заряда, разряда и восстановления. В момент продвижения
по аксону местоположение самого импульса соответствует
участку разряда. Участок непосредственно перед ним за-
ряжен, а там, где импульс только что прошел, происходит
восстановление. В свою очередь участок восстановления
вновь становится заряженным, и таким образом следую-
щий импульс имеет возможность пройти через эту точку.
Важно помнить, что на участке, где в данный момент
происходит восстановление, не может иметь места разряд.
Поясним это следующей аналогией.
Предположим, перед нами лес, в котором бушует по-
жар. Район, охваченный пламенем, претерпевает состоя-
ние разряда. Район, до которого пламя еще не добралось,
заряжен, а выгоревший район находится в стадии восста-
новления. Там уже нельзя поддерживать пламя (разряд),
60
Рис. 10. Столкновение импульсов нейристора.
Так как области разряда у двух сталкивающихся импульсов
нейристора попадают в области восстановления этих же импуль-
сов, оба импульса в точке столкновения исчезают. Стрелкой
внизу обозначена точка исчезновения импульсов.
ибо нечему гореть. Но в конце концов процесс восстанов-
ления закончится (т. е. вырастут новые деревья) и путем
нового воспламенения можно будет начать следующий
разряд.
Или возьмем другой пример. Рассмотрим корабль как
импульс, а его кильватерную струю — как район восста-
новления, причем этот район обладает удивительной осо-
бенностью: если в кильватерную струю попадет другой
корабль, то он потонет.
Что происходит, когда два импульса движутся на-
встречу друг другу с противоположных концов аксона?
В точке столкновения оба они исчезнут, так как один из
них попадет в район восстановления другого. Поэтому,
если вы хотите помешать импульсу достичь конца аксона,
пошлите навстречу ему другой, с тем чтобы оба импульса
столкнулись (рис. 10).
Именно таким способом останавливают лесные по-
жары: поджигают второй огненный фронт, и он начинает
61
двигаться навстречу тому, который хотят остановить.
В месте встречи огонь гаснет.
Рассмотрев аксон в свете этих общих категорий, Крейн
пришел к выводу, что можно создать множество разнооб-
разных аксонов путем использования подходящих комби-
наций материалов, с тем чтобы обеспечить распространение
разряда того типа, который соответствовал бы выбранным
материалам.
С этой целью он предложил новый класс электронных
компонентов, названный им нейристорами. По его пред-
ставлению, это подобные проводникам структуры, по ко-
торым импульс мог бы распространяться так же, как по
аксону. Но Крейн не остановился на этом. Его заинтере-
совала возможность применения таких проводников для
электронной обработки сигналов. Вскоре он понял, что
может построить электронные цепи, используя один лишь
компонент — нейристор — вместо комбинаций из резис-
торов, конденсаторов, диодов и транзисторов. Короче
говоря, нейристор должен представлять собой качественно
новый тип компонента, особенно подходящий для сверх-
миниатюрной электроники.
Чтобы осуществить обработку сигналов, нейристоры
необходимо соединить каким-то особым образом. Крейн
предположил, что это можно сделать с помощью двух ти-
пов пересечений, которые он назвал триггерными, или
активными (Л) переходами и невозбудимыми переходами,
или переходами восстановления (5-переходами). Эти пере-
ходы требовалось сконструировать следующим образом.
Предположим, что у нас имеются три нейристора (три
линии), соединенных в какой-то точке в Л-переход
(рис. 11, а). Этот переход будет функционировать таким
Область
контакта
Рис. 11. Нейристорные переходы.
(«Проводники» нейристора могут быть соединены друг с другом с помощью лю-
бого из двух основных методов создания переходов: активного, или А-перехода
(а), и перехода восстановления, В-перехода (б).
G2
образом, что импульс, посланный по одной линии, авто-
матически потечет по всем остальным линиям, как только
достигнет точки перехода. Следовательно, применяя Л-пе-
реходы в пересечениях, можно пересылать импульсы из
одной нейристорной линии в другую.
Второй тип перехода (рис. 11, б), предложенный Крей-
ном, основан на способности двух сталкивающихся им-
пульсов к взаимному уничтожению. По замыслу исследо-
вателя 5-переход должен представлять собой пересечение
двух линий, причем импульс с одной линии нельзя
передать на другую, в то время как эффект невозбудимос-
ти — можно. Таким образом импульс, проходящий Б-пе-
реход по одному из нейристоров, временно выводит из
строя другой нейристор, и поэтому импульс, пытающийся
пройти по последнему, достигнув перехода, затухнет,
если только он прибудет слишком скоро после прохожде-
ния импульса по первой линии.
Итак, перед нами новый тип компонента электронной
схемы и методы взаимного соединения этих необычных
«проводников». Какое применение можно им найти, если
предположить, что имеются три нейристора, которые
можно было бы соединить друг с другом предложенным
способом?
Прежде всего — построить цифровую вычислительную
машину. Цифровая вычислительная машина — это прак-
тически совокупность переключателей, управляющих по-
током электрических сигналов внутри себя. Следователь-
но, если мы сумеем доказать, что возможны переключатели
с использованием нейристоров, мы по существу докажем,
что можно построить и вычислительную машину. Не уди-
вительно, что Крейн прежде всего намеревался заняться
нейристорным переключателем. Рассмотрим и мы эту проб-
лему.
Попробуем разобраться, что происходит при соедине-
нии нейристоров различными способами. Возьмем сначала
Б-переход (область Б), соединенный с нейристором так,
как показано на рис. 12, а. (Нейристоры изображены в
виде линий, а переходы — как было показано на
рис. И, б.)
Предположим, что А — исходная точка импульса. Он
будет автоматически двигаться к точке Бив конце концов
достигнет ее благодаря способности нейристора проводить
импульс. После того как нейристор восстановится, к точке
63
л
Рис. 12. Временные эффекты.
Если два импульса поступают на В-переход почти одновременно,
тот из них, который придет первым, уничтожит второй. Если
в точку В подавать импульсы достаточно часто, то можно пре-
кратить всякую передачу импульсов между точками А и Б,
как если бы там был разомкнутый переключатель.
А можно подвести следующий импульс, который в свою
очередь будет двигаться к точке Б. Как вы, очевидно,
помните, импульс можно уподобить фронту пламени лес-
ного пожара, а восстановление — росту молодых деревьев.
Поскольку нейристор требует какого-то времени для
восстановления, в точке А существует верхний предел
частоты посылок импульсов в линию. Если мы попытаемся
послать импульс слишком скоро, он не распространится,
так как линия еще не восстановилась после прохождения
предыдущего импульса.
Посмотрим, что произойдет, если вместо точки А пу-
стить импульс в точку В. Импульс пробежит весь путь до
перехода — и все. Он не перейдет на линию между точками
А и Б. Передать импульс между двумя линиями, соеди-
64
ненными S-переходом, невозможно. Но энергетический
источник при S-переходе поделен между этими двумя ли-
ниями таким образом, что, как только от точки В прихо-
дит импульс, линия А — Б в области перехода временно
отключается. Поэтому область, обозначенная на рис. 12
буквой Г, не пропустит импульс дальше, если этот импульс
следует тотчас после того, как импульс от точки В достиг
перехода. Это явление аналогично тому, как если бы фронт
пламени, следующий от точки S, послужил причиной ув-
лажнения линии А — Б в районе точки Г. Пока этот учас-
ток не просохнет, никакое пламя не сможет через него
пройти.
Теперь представим себе, что от точки А к точке Б идет
последовательность импульсов. Что произойдет, если мы
начнем в это же время подавать импульсы и в точку S?
Это зависит от того, какой импульс первым достигнет
S-перехода — импульс от точки А или от точки S. Если
первым будет импульс от точки А (рис. 12, б), то импульс
от точки В исчезнет, дойдя до перехода, поскольку эффект
«увлажнения» может действовать в обоих направлениях.
А между тем импульс от точки А пройдет к точке Б.
Но если первым будет импульс от точки S, как пока-
зано на рис. 12, в, то импульс от точки А затухнет и не
дойдет до точки Б. Образно говоря, если вы, сидя в точке
S, ждете, что все импульсы из данной последовательности
придут к вам, то ваше ожидание будет напрасным: один
из них будет пропущен — тот самый, который достиг
участка Г позже импульса S.
Если вы хотите преградить путь всем импульсам, иду-
щим от точки А, вам следует посылать импульсы из точки
S, рассчитанные по времени так, чтобы они приходили к
S-переходу достаточно часто и поддерживали участок Г
в «увлажненном» состоянии (т. е. в состоянии непрерыв-
ного восстановления). Тогда ни один импульс не дойдет
до точки Б. Если участку Г необходимо три секунды, чтобы
восстановиться («высохнуть»), то импульсы к точке В надо
подавать каждые три секунды.
Подведем итог сказанному. Когда в точку В вовсе не
поступают импульсы, то импульсы от точки А к Б могут
проходить свободно; в сущности, они могут с таким же
успехом идти и в обратном направлении. Короче говоря,
между точками А и Б имеется соединение. Но, когда мы
посылаем в точку В импульсы достаточно часто для того,
3 Заказ ИЗО
65
чтобы удерживать участок Г в состоянии восстановления,
ни один из импульсов от точки А не достигнет точки Б.
Аналогично импульсы от точки Б не дойдут до точки А.
Следовательно, приложение импульсов к точке В по су-
ществу разрывает электрическое соединение между точ-
ками А и Б. Таким образом, точки А и Б как бы являются
выводами переключателя. Мы можем управлять переклю-
чателем, подавая импульсы в точку В.
Однако такой переключатель удовлетворяет не всем
нашим требованиям. В частности, мы должны непрерывно
подавать импульсы в точку В, а это равносильно тому, как
если бы в нашем распоряжении имелся механический пере-
ключатель с пружиной, которая держала бы его в замкну-
том состоянии. При всем желании разомкнуть его вручную
мы все равно добьемся немногого: стоит нам убрать руку,
как пружина вернет его в замкнутое состояние. Разуме-
ется, нам хотелось бы избавиться от пружины, другими
Рис. 13. Запоминающее кольцо.
Если послать импульс через А-переход в нейристор, выполнен-
ный в виде кольца (а), от перехода пойдут уже два импульса,
которые и уничтожат друг друга. Но если послать импульс через
комбинацию из В- и А-переходов(б), то по кольцу пойдет лишь
один импульс. Он будет циркулировать неограниченно долго,
так что если мы добавим А-переход в точку 3(д), то при каждом
полном обороте будет возникать еще один импульс.
66
словами, подавать лишь один импульс на вывод В и иметь
переключатель в разомкнутом состоянии до тех пор, пока
мы не подадим следующий импульс.
Для этого необходимо преобразовать единичный им-
пульс в серию импульсов.
Взгляните на рис. 13, а. Здесь изображен нейристор,
оба конца которого соединены друг с другом, т. е. связаны
в кольцо; он соединен с другим нейристором посредством
А -перехода (последний расположен на рисунке в точке,
соответствующей 9 часам на циферблате часов). Что
произойдет, когда мы пошлем импульс по направлению
к кольцу? Он войдет в кольцо в 9-часовой точке, и
вследствие особенности Л-перехода от этой точки по коль-
цу пойдут два импульса.Но в 3-часовой точке они столк-
нутся друг с другом и исчезнут.
Предположим, что для посылки импульсов в кольцо
мы используем несколько измененное устройство
(рис. 13, б). Входной импульс, прежде чем войти в кольцо
через Л-переход в точке 2, проходит по 5-переходу между
точками 1 и 2. Тогда импульс, выходящий из Л-перехода,
пойдет против часовой стрелки, а импульс, который стре-
мится двигаться по часовой стрелке, исчезнет, поскольку
входной импульс только что перевел часть кольца между
точками 1 и 2 в состояние восстановления. Поэтому им-
пульс, движущийся против часовой стрелки, не столкнется
с другим импульсом, но будет продолжать беспрепятст-
венно циркулировать по кольцу. (Мы предполагаем, что
диаметр кольца достаточно велик, а импульс движется
довольно медленно — в противном случае он наскочит
на собственный след, т. е. попадет в район восстановле-
ния.)
Теперь используем Л-переход для присоединения к
кольцу еще одной линии в точке 3 (рис. 13, в). Всякий раз,
когда циркулирующий импульс будет проходить мимо
Л-перехода, последний будет выдавать импульс на эту
линию. Следовательно, единичный импульс, приложенный
к входному нейристору, в свою очередь вызовет серию им-
пульсов, в неограниченном количестве идущих из выход-
ного нейристора. Единственный способ приостановить
этот процесс — прекратить циркуляцию в кольце. А мы
уже знаем, как останавливать движение в линии с по-
мощью 5-перехода. Присоединим для этого к кольцу еще
один нейристор (рис. 14). Приложение импульса к точке В
3*
67
Рис. 14. Управляемый переключатель.
Комбинация структур, показанных на рис. 12 и 13, еще
с одной дает базовый элемент, на основе которого мож-
но построить цифровую вычислительную машину.
остановит циркуляцию импульса по кольцу и тем самым
положит конец непрерывному следованию импульсов из
кольца в точке 5.
Если объединить последнюю схему со схемой, изобра-
женной на рис. 12, получится управляемый переключатель
(см. рис. 14) — основной компонент цифровых вычисли-
тельных машин. Этот переключатель с выводами в точках
А и Б обычно замкнут, т. е. импульсы могут проходить
между этими двумя точками. Импульс, поданный на точку
Г, вызывает циркуляцию импульсов по кольцу и тем са-
мым выводит из строя линию А — Б. Таким образом, пе-
реключатель будет разомкнут. Чтобы снова замкнуть его,
необходимо подать импульс в точку В. Это остановит цир-
куляцию импульса по кольцу и, следовательно, прекратит
поток импульсов в район невозбудимости между точками
А и Б. Теперь переключатель снова будет находиться в
своем нормальном замкнутом состоянии.
Обратите внимание на дополнительные переходы на
пути от точки В. С их помощью единичный импульс преоб-
разуется в два импульса и на 5-переход кольца придут
уже два импульса. Это делается для того, чтобы гаранти-
ровать уничтожение импульса в кольце. Дело в том, что,
если подать на кольцо лишь один импульс, он может прий-
ти после того, как циркулирующий импульс минует
переход — слишком поздно, чтобы прекращать циркуля-
цию.
68
Посылая по два останавливающих импульса, мы уже не
сомневаемся в том, что один из них обязательно придет
вовремя и остановит циркулирующий импульс.
Все, о чем мы рассказывали выше, должно дать чита-
телю представление о замыслах Крейна в отношении ней-
ристоров. Он высказал также мысль о том, что, может быть,
эти нейристорные механизмы и используются в нервной
системе как средство обработки сигналов с помощью ак-
сонной части нейрона. Но, как мы уже отмечали, физио-
логи могут и не согласиться с таким предположением.
Так что будем рассматривать его лишь как гипотезу.
Недостаток этого и других предложений, касающихся
нейристоров, заключается в том, что до сих пор никому
не удалось создать нейристор, который можно было бы с
полным правом назвать удовлетворительным. Придется
ограничиться рассмотрением паллиативов.
Приборы, созданные Г. Уолтером и Р. С. Лилли (о
которых мы говорили в гл. 3), в какой-то степени можно
отнести к нейристорам, хотя они и не были задуманы в
качестве таковых. Устройство Лилли, возможно, пока
ближе других к реализации идеального типа крейновского
нейристора, подобного проводнику, но оно неудобно. Что
же касается прибора Уолтера, то он слишком сложен и по
этой причине интереса не представляет.
Почти все современные варианты схем такого типа были
разработаны специально для построения нейристора, за
исключением одного. И. Нагумо из Токийского универ-
ситета, стремясь создать схему цепного типа для имитации
аксона, работал с новейшими полупроводниковыми эле-
ментами. Схема была готова году в 1960, но без учета работ
Крейна в этой области. Когда Нагумо узнал, чем занима-
ется Крейн, он использовал смоделированные им аксоны
для получения нейристорных схем, похожих на только
что описанные кольцевые структуры.
Сам Крейн построил длинные цепи из реле, соединенных
таким образом, чтобы они действовали как нейристор.
И хотя это устройство не предназначалось для того, чтобы
выступать в качестве нейристора, оно применялось для
изучения различных аспектов поведения нейристора. Тща-
тельно выполненными экспериментами Крейну удалось
подтвердить многие свои предсказания относительно ней-
ристора.
69
Но польза от подобных схем небольшая — в основном
только на тот период, который требуется для того, чтобы
ознакомиться с нейристором и с принципом его действия.
Не удивительно, что вслед за нейристорами исследователи
сосредоточили свое внимание на устройствах, имеющих
желанную, максимально подобную нити форму. Однако
вместо того, чтобы достичь этой цели прямым путем, они
встали на путь эволюции. Замысел их состоял в том, чтобы
применить микроэлектронную технологию в первую оче-
редь для создания схемных цепочек, выполненных из от-
дельных элементов. Все устройство должно было иметь
нитевидное строение.
Это оказалось попыткой с негодными средствами. Дело
в том, что, когда начинали сокращать размеры схемы,
сводя ее к длинной линии, в которой составляющие эле-
менты уже нельзя было отличить друг от друга, появля-
лись неожиданные электрические эффекты, сводящие на
нет все усилия разработчиков.
Эксперименты эти частично проводились в Стэнфордс-
ком научно-исследовательском институте коллегами Крей-
на. В одной схеме они старались использовать принцип
Брусок кремния, обработанный соответствующим образом с помощью
методов, которые применяются при производстве транзисторов, был
установлен на электропроводящую основу. К нему были подсоединены
резисторы, конденсаторы и батарея таким образом, как показано на
рисунке. На основе нейристора этого типа было создано кольцо, анало-
гичное приведенному на рис. 13, б, и по нему распространялись им-
пульсы со скоростью, примерно в сто раз большей скорости их рас-
пространения по аксону.
70
сверхпроводимости, в другой — полупроводниковый при-
бор, электрические свойства которого очень напоминают
свойства неоновых ламп в применявшейся Уолтером мо-
дели аксона. Но при работе этого полупроводникового
прибора, получившего название четырехслойного диода,
не наблюдается вспышек. Отрезок нейристора этого типа
приведен на рис. 15.
В отличие от устройства, показанного на этом рисунке
и имеющего форму буквы I, нейристор, созданный в Стэн-
форде, был сконструирован в виде буквы Р. Такой коль-
цевидный кусочек кремния с «хвостиком» подвергался
легированию. В результате он превращался в своеобраз-
ный сандвич с тремя слоями в виде буквы Р, каждый из
которых имел несколько отличные от других свойства.
Затем в верхний слой вплавляли ряд крошечных алюми-
ниевых шариков; между ними и источниками питания
(то есть батареями) подсоединяли резисторы и конден-
саторы. Таким образом, в ножку буквы Р можно было
послать электрический импульс; он входил туда, обегал
по кругу и продолжал циркулировать • почти так, как
это требуется, чтобы получить кольцо, показанное на
рис. 13.
Но, к сожалению, только Р-образная часть этого ней-
ристора приближалась к требуемой нитевидной конфигу-
рации. Без объемных резисторов и конденсаторов нельзя
было обойтись, и поэтому предложенное устройство сочли
непригодным для практического использования.
Сходный с рассматриваемым нейристор был проде-
монстрирован Р. X. Мэттсоном в Миннесотском универ-
ситете. Но и в нем применялись резисторы и конденса-
торы.
В своих попытках осуществить конструирование наи-
более подходящего нейристора некоторые инженеры ис-
пользовали принцип другого полупроводникового прибо-
ра, так называемого туннельного диода. К их числу при-
надлежат исследователи из Стэнфорда, Дж. Нишизава
и его сотрудники из Университета в Тохоку (Япония),
А. С. Скотт из Висконсинского университета и автор этих
строк (когда он работал в Лаборатории прикладной фи-
зики Университета Джона Гопкинса). И хотя все иссле-
дователи, за исключением последнего, исходили из анали-
тических расчетов, их оценки значимости такого типа ней-
ристора оказались неубедительными.
71
Попробуем взглянуть на туннельно-диодный вариант
с количественной точки зрения, а для этого вернемся к
аксону. Грубо говоря, удивительные свойства аксона
можно отнести за счет способа взаимодействия ионов
калия и натрия с его мембраной. В электрическом отно-
шении поведение мембраны напоминает поведение ком-
понента, который инженеры называют «отрицатель-
ным сопротивлением». Так вот, туннельный диод можно
уподобить отрицательному сопротивлению.
Туннельные диоды, как правило, изготавливаются либо
из германия, либо из арсенида галлия. В пластинку, сде-
ланную из этих материалов, посредством легирования до-
бавляют мельчайшие количества других материалов, бла-
годаря чему германий или арсенид галлия превращаются в
своего рода сандвич. Во внешних слоях такого сандвича
имеются подвижные электрические частицы, аналогичные
ионам калия и натрия в аксоне. Между слоями находится
еще одна область, которая не содержит подвижных частиц
и поэтому называется «обедненной областью» туннельного
диода. Обедненную область в какой-то степени можно счи-
тать аналогичной мембране аксона.
Первые экспериментальные попытки оценить обосно-
ванность туннельно-диодного подхода к построению ней7
ристора, сделанные в Лаборатории прикладной физики,
оказались неудачными. По-видимому, рассуждать о соз-
дании полупроводниковых приборов легче, чем создавать
их, особенно если еще нет необходимого опыта, а вся тех-
нология — в какой-то мере технология «проб и ошибок»,
что объясняется сложной природой различных процессов.
Еще одна попытка была предпринята несколько позже,
когда автор этих строк перешел в Лабораторию морской
артиллерии США. Однако на сей раз разрабатывать при-
бор поручили сотрудникам отдела электронных компо-
нентов и приборов фирмы РКА. Будучи более искушен-
ными в технологии туннельных диодов, они оказались
удачливее сотрудников Лаборатории прикладной физики,
но и для них проблема изготовления послужила камнем
преткновения, поэтому у нас до сих пор нет должной оцен-
ки справедливости представления нейристора как тун-
нельного диода.
И все же приборы, которые работают подобно нейрис-
торам, были созданы (рис. 16), но онипока довольно слож-
ны, так что о претворении в жизнь замысла Крейна —
72
Рис. 16. Нейристор на туннельных переходах.
Показанный прибор (упрощенный по сравнению с нейристором
на рис. 15) имеет обмотки, в действительности представляю-
щие собой просто куски провода. Брусок выполнен из герма-
ния. Импульсы распространялись по нему в тысячу раз быстрее,
чем по аксону.
созданииkнитеобразной структуры— говорить еще рано.
Тем не менее этот метод является достаточно перспектив-
ным, если только удастся справиться с технологическими
проблемами.
Итак, никто еще не продемонстрировал нейристор для
практических целей, и идеи Крейна по-прежнему остаются
непретворенными. Но в один прекрасный день методы,
основанные на применении нейристора, могут затмить все
предложенные до настоящего времени методы создания
искусственного разума. Время покажет.
До сих пор мы сосредотачивали свое внимание на раз-
личных попытках исследователей промоделировать пове-
дение нейрона — основного компонента нервной системы.
Признаться, это не лучшее из того, что сделано в области
искусственного разума. Сами по себе эти сравнительно
простые модели нейрона не позволяют достигнуть многого.
Поэтому для нас важнее познакомиться со способами ис-
пользования их совокупностей.
ГЛАВА ПЯТАЯ
МАШИНЫ, КОТОРЫЕ ОБУЧАЮТСЯ
Много лет назад, в 1903 году, один русский ученый
проводил эксперименты с собакой, тарелкой пищи и звон-
ком. В наши дни результаты его экспериментов оправды-
вают проведение так называемых «хитроумных исследова-
ний проблем искусственного разума», хотя находятся
люди, которые квалифицируют эти исследования чуть ли
не как «техническое шарлатанство». Мы имеем в виду все
то, что относится к области «обучающихся» машин.
Ученым, о котором идет речь, был русский физиолог,
лауреат Нобелевской премии И. П. Павлов. Именно он
ввел понятие условного рефлекса, и многие достижения,
связанные с совершенствованием «обучающихся» машин,
основаны на этих экспериментах. Павлову удалось пока-
зать, что в ответ на вид или запах пищи собака точно так
же выделяет слюну, как если бы пища и в самом деле на-
ходилась у нее в зубах. Более того, он доказал, что если
провести надлежащую тренировку, слюноотделение мож-
но вызвать и в ответ на явления, не имеющие отношения
к еде.
В классическом опыте Павлова непосредственно перед
тем, как собаке давали пищу, звенел звонок. Эту последо-
вательность «звонок — пища» повторяли несколько раз;
в конце концов звонок давали, а пищу — нет. Оказалось,
что собака, как и прежде, выделяла слюну, в то время как
до тренировки звук звонка не вызывал слюноотделения.
Звонок и пища — два различных возбудителя, а выделе-
ние слюны — реакция нервной системы собаки на эти
возбудители. Сначала такая реакция могла вызываться
только пищей, но после тренировок она приобретала
условный характер, т. е. вызывалась и в ответ на звонок.
Ученых привлекала перспектива моделирования услов-
ного рефлекса. К числу наиболее известных машин, пост-
роенных для этой цели, относится машина, сконструиро-
ванная Г. Уолтером в начале 50-х годов (хотя такого рода
модель предлагалась еще в 1913 году). Ему же принадле-
жит модель аксона, описанная в гл. 3. Первое из устройств
Уолтера представляло собой электромеханическую «че-
репаху», которая якобы воспроизводила поведение, свой-
ственное живому организму. На самом деле это делала
74
вторая из двух черепах, построенных Греем Уолтером,
первая же (не способная к условным рефлексам) получила
название М. speculatrix, по аналогии с классификацией
биологических видов.
Остановимся на первой, не способной к условным
рефлексам черепахе, поскольку она представляет истори-
ческий интерес как «робот». Будучи прототипом черепахи
с условными рефлексами, она имела много сходных с ней
особенностей. М. speculatrix представляла собой трехко-
лесное устройство с двумя встроенными моторчиками.
Один из них приводил в действие два задних колеса, чтобы
обеспечить передвижение, а другой заставлял поворачи-
ваться переднее колесо, чтобы по мере передвижения че-
репаха могла менять направление. У этой черепахи име-
лось также два органа «чувств». Один из них представлял
собой фотоэлемент, который всегда был направлен в ту же
сторону, что и рулевое колесо, а вторым был окружающий
устройство бампер, который при нажатии приводил в дей-
ствие переключатель. Таким образом, черепаха Уолтера
«видела» и «осязала». У нее имелись также некоторые элек-
тронные устройства «мозга». Они управляли скоростями
обоих двигателей — в зависимости от сигналов, принятых
«органами чувств».
Идея эксперимента заключалась в следующем. Испы-
туемое устройство помещали на дно большого ящика, где
на одной из стенок находился небольшой источник света.
Побуждаемая особенностями конструкции своего «мозга»,
черепаха должна была искать и обнаружить свет, после
чего направиться к нему. Этого от нее удалось добиться,
поскольку были выполнены следующие условия.
Когда фотоэлемент не улавливал света, рулевой мотор-
чик заставлял переднее колесо поворачиваться, а привод-
ной моторчик двигал черепаху на половинной скорости.
Таким образом, если в ящике было темно, это подобное
живому существу создание двигалось кругами — что впол-
не естественно. Мозг черепахи устроен так, что стоило фо-
тоэлементу уловить умеренный свет, как рулевой мотор-
чик останавливался, а приводной моторчик начинал
работать на полной скорости и черепаха быстро устремля-
лась к источнику света. При очень ярком свете М. specu-
latrix продолжала двигаться на полной скорости, но руле-
ние происходило медленнее обычного. Уолтер назвал этот
феномен «ослеплением».
75
Каким образом удавалось черепахе отыскивать дорогу
среди препятствий, расставленных на ее пути? Прежде
всего она ударялась о них. После этого бампер приводил
в действие переключатель, что в свою очередь заставляло
мозг генерировать колебания, и черепаха начинала вести
себя так, как если бы она попадала попеременно то в тем-
ноту, то на очень яркий свет (на этот период фотоэлемент
отключался от мозга). Короче говоря, существо сначала
быстро поворачивало руль, двигаясь при этом медленно,
затем руль начинал поворачиваться медленно, а скорость
становилась большой, и все это повторялось снова и снова,
пока ему не удавалось отойти от препятствия. Тогда ав-
томатически включался фотоэлемент, и машина возобнов-
ляла свои «поиски» света.
Однако первую черепаху нельзя было использовать
для демонстрации того, что Павлов назвал условным реф-
лексом,— ее поведение предопределялось схемой соеди-
нений, заложенной в мозге. Вторая машина Уолтера была
сложнее. Он назвал ее М. docilus1 и дал ей способность «обу-
чаться». Это была та же М. speculatrix, только теперь в
нее был встроен микрофон, так что черепаха могла «слы-
шать» свист. Благодаря довольно сложной схеме, встроен-
ной в мозг, появилась возможность учить ее реагировать
на свистки.
Бампер этой черепахи выполнял роль тарелки с пищей в
опытах Павлова. Колебательные процессы, возникающие
в мозге и дающие черепахе возможность обходить препят-
ствия на своем пути, можно было бы сравнить с выделе-
нием слюны у собаки. Первичным возбудителем был
объект, казавшийся бампера (иными словами, пища), а от-
ветной реакцией — колебания (т.е. слюновыделение). Сви-
сток действовал так же, как звонок в опытах Павлова.
Разумеется, вначале свист никак не влиял на поведе-
ние черепахи. Затем ее стали обучать следующим образом:
за секунду до того, как черепаха неизбежно должна была
натолкнуться на препятствие, Уолтер издавал свист. Он
делал так еще несколько раз перед самым столкновением.
И благодаря особенностям конструкции мозга у созданной
им черепахи пути, по которым внутри мозга проходили
определенные сигналы, начинали изменяться таким обра-
1 От английского docile — понятливый, послушный.— Прим,
nepqe.
76
«Обучение» электромеханической «черепахи» — резуль-
тат «тренировочного» процесса, открывающего дополни-
тельный путь для прохождения электрического сигнала
внутри «мозга» черепахи. До тренировки сигналы идут
только по пути 1, после тренировки они проходят и по
пути 2, что вызывает изменения в доведении черепахи.
зом, что в конце концов свист сам по себе вызывал коле-
бания. Стоило Уолтеру дунуть в свисток до того, как че-
репаха налетала на препятствие, и она сразу же начинала
маневрировать, стремясь обойти препятствие. Короче
говоря, теперь колебательный режим возбуждался одним
только свистом. Черепаха оказалась натренированной
реагировать на свист точно так же, как в свое время со-
бака была натренирована реагировать на звонок.
Хотя электронная схема в мозге М. docilus, необходи-
мая для выполнения такого рода функций, была относи-
тельно сложной, сам по себе принцип весьма прост.
Основные элементы процесса «обучения» сводятся к следу-
ющему (рис. 17). Как видно из рисунка, переключатель бам-
пера соединен непосредственно с колебательным контуром
в мозге черепахи. Едва этот переключатель приводится
в действие, как черепаха начинает попеременно выполнять
два вида маневрирования, помогающие ей отыскать путь
в обход препятствия. Провод от микрофона не соединен
с каким-то конкретным устройством, но на рисунке он
показан, так как его в случае необходимости можно ис-
пользовать для контроля. Характерной особенностью схе-
мы является резистор специального типа, соединяющий
два указанных проводника.
77
В самом начале эксперимента, до того как черепаха на-
учится реагировать на свист, резистор имеет очень боль-
шую величину и поэтому служит препятствием для про-
хождения сигналов между микрофоном и колебательной
схемой. Свист не оказывает влияния на колебательную
схему.
Но предположим, что резистор обладает своеобразной
способностью замечать, когда сигналы проходят по каж-
дому из тех проводников, к которым он подсоединен. Пред-
положим также, что он умеет распознавать случаи, когда
эти сигналы проходят примерно в одно и то же время.
Наконец, допустим, что всякий раз, когда происходит
такое совпадение сигналов, величина сопротивления ре-
зистора слегка уменьшается и остается таковой.
Тогда, как только сопротивление резистора уменьшит-
ся, от микрофона к колебательной схеме сможет проходить
сигнал большей силы. Если совпадение между свистом
и срабатыванием переключателя бампера произойдет не
один раз, сопротивление резистора в конце концов станет
достаточно низким и проходящий от микрофона к колеба-
тельной схеме сигнал усилится настолько, что начнут ге-
нерироваться колебания. Если теперь свистнуть, то коле-
бания в движении черепахи возникнут даже в том случае,
когда переключатель бампера не сработает. Черепаху обу-
чили реагировать на свист.
В данном случае резистор, грубо говоря, олицетво-
ряет собой память черепахи. Поскольку величина его из-
меняется всякий раз, когда происходят совпадения, можно
говорить о том, что он «запоминает» эти совпадения. Но
предположим, что резистор выполнен так, что он не со-
храняет той низшей величины, которой достигает при
каждом совпадении. Допустим, что вместо этого он посте-
пенно и автоматически возвращается к изначальной,
большей величине. В таком случае мы могли бы сказать,
что резистор «забывает» свои впечатления (другими сло-
вами, совпадения свистка с действием переключателя бам-
пера).
Идея использования изменяющегося резистора важна
потому, что она используется почти в каждом типе «обу-
чающихся» машин, разработанных к настоящему времени.
Попробуем сформулировать эту мысль по-иному и с этой
целью рассмотрим несколько возможных вариантов.
Создавая машины, производящие впечатление «обу-
78
чающихся», мй вводим в состав их схем изменяющиеся
пути, по которым могут проходить внутренние электри-
ческие сигналы. После комплекса «тренировок» сигналы
начинают проходить внутри «мозга» машины уже по иным,
чем до тренировки, путям. Вообще-то говоря, пути как
таковые остаются теми же, но величина сигнала, который
они проводят, после тренировки будет другой. По существу
это означает, что в результате тренировки сигналы пере-
распределяются.
Теоретически такие изменяющиеся пути можно рас-
сматривать как резисторы, а каждый резистор в свою оче-
редь — как запоминающий элемент. Значение (величина)
его меняется согласно определенному закону, присущему
каждому конкретному типу разрабатываемой обучающейся
машины. В случае М. docilus закон гласит: «Всякий раз,
когда сигналы с бамперного переключателя и с микрофона
появляются одновременно, сопротивление резистора сле-
дует уменьшать на определенную величину».
В некоторых машинах памяти (то есть резистору) не
разрешено забывать свой «жизненный опыт». Другими сло-
вами, память не возвращается автоматически к исходной
величине после того, как заканчиваются события, выз-
вавшие ее изменение в процессе обучения. Но там, где
«забвение» встроено умышленно, резисторы постепенно
возвращаются в прежнее состояние. В этих случаях ма-
шину, обученную выполнять какой-то процесс определен-
ным образом, можно полностью «перевоспитать» через не-
которое время после первоначального обучения.
Хотя мы и назвали элемент памяти «особым типом
резистора», в действительности таких резисторов не су-
ществует. Правда, в реальной машине их можно имити-
ровать посредством комбинации из нескольких электрон-
ных компонентов, соединенных между собой таким образом,
чтобы управлять по желанию величиной сигнала, прохо-
дящего через такой «резистор».
В М. docilus имелся всего один такой элемент памяти,
но в большинстве современных машин их требуется гораз-
до больше, в силу чего одновременно изменяется множест-
во путей, по которым проходят сигналы. Конструкция
этих машин неизмеримо сложнее. Перейдем к их рассмот-
рению.
В сущности современные обучающиеся машины пред-
ставляют собой примитивные нервные системы, которые
79
иногда называют нервными схемами или нервными сетями.
В 1943 году У. Мак-Каллок и У. Питт опубликовали свою
классическую статью, в которой, по-видимому впервые,
предложили использовать для режима обучения способ-
ные к изменениям пути в нервной сети. И хотя в 50-х годах
этой проблемой заинтересовалось на удивление много
исследователей, мы не станем ее сейчас касаться, а рас-
смотрим машину «персептрон», привлекшую к себе наиболь-
шее внимание.
Работа над персептроном проводилась под руководст-
вом Фрэнка Розенблатта в Лаборатории аэронавтики Кор-
нелльского университета. Персептрон — наглядная иллю-
страция не только выгод, но и опасностей безудержного
пропагандирования технического замысла. Идея его соз-
дания широко рекламировалась в ряде специальных жур-
налов. В технических кругах в свое время имела место (и
все еще продолжается) оживленная дискуссия о ее досто-
инствах и недостатках. Но как бы там ни было, персептрон,
безусловно, способствовал активизации работ, связанных
с созданием искусственного разума.
Первый персептрон был разработан таким образом,
что он мог учиться распознавать буквы алфавита. Кроме
того, создатели этого устройства считали, что с его помо-
щью потенциально возможно объяснить механизм работы
мозга, хотя, разумеется, потребуется еще эксперименталь-
ное подтверждение ученых-естествоиспытателей. Однако,
прежде чем приступить к рассмотрению гипотетической
работы мозга, рекомендуем читателю вспомнить устрой-
ство Л-ячейки, которую мы описали на стр. 53.
В своих первых описаниях персептрона ученые стре-
мились показать некоторое его подобие устройству глаза
и связанных с последним нервных ячеек в мозге. Подроб-
нее на строении глаза мы остановимся в гл. 6, а пока огра-
ничимся рассмотрением схемы, приведенной на рис. 18.
Глаз воспринимает свет и фокусирует его на множестве
светочувствительных датчиков. Последние генерируют
электрические сигналы, которые обрабатываются, по-ви-
димому, отлично организованными сетями нейронов. Ре-
зультаты обработки передаются другим ячейкам мозга,
которые, как полагал Розенблатт, соединены в неупоря-
доченные сети.
Стремясь смоделировать световые датчики и «органи-
зованные» слои нейронов, Розенблатт применил решетку
80
a
S-ячейки	Л-ячейки
Рис. 18. Персептрон.
Эта обучающаяся машина основана на очень грубой модели глаза
(а). Электрическая схема машины выполнена, как показано на рис. б.
Каждое из соединений между А- и й-ячейками содержит элемент
памяти, свойства которого изменяются в процессе обучения.
из фотоэлементов, которую назвал «сетчаткой» из чувстви-
тельных 5-ячеек (рис. 18, б). Затем он построил другую
решетку, выполненную из Л-ячеек. Каждая из них была
соединена со многими 5-ячейками совершенно произ-
вольно, что имело своей целью имитировать беспорядоч-
ную природу нейронов мозга.
Наконец, выход каждой Л-ячейки был соединен с каж-
дой из ячеек третьего выходного слоя. Эти последние полу-
чили название R-ячеек. Соединение между Л-ячейкой и
любой из 1?-ячеек осуществлялось посредством элемента
памяти, подобного тому, который применялся в М. docilus.
Рассмотрим принцип работы персептрона.
Предположим, нам нужно, чтобы машина возбуждала
определенную комбинацию R-ячеек всякий раз, когда ей
показывают букву Т, и другую их комбинацию, когда
перед ней демонстрируют букву L. Мы должны «обучить»
машину. Покажем ей сначала букву Т и посмотрим, что
она «ответит» (то есть какая комбинация 7?-ячеек будет
возбуждена). Если ответ (комбинация) неверен, значит
81
сигналы внутри машины не проходят по нужным путям.
В таком случае мы нажимаем кнопку обучения, располо-
женную сбоку. Машина же сконструирована таким обра-
зом, что при нажатии этой кнопки некоторые 4-ячейки
«наказываются», а некоторые «поощряются» (это означает,
что изменяются значения элементов памяти). В результате,
когда мы в следующий раз покажем машине букву Т, «на-
казанные» ячейки уже не пошлют в 72-ячейки столько «не-
правильных» сигналов, как вначале. Зато «поощренные»
ячейки пошлют больше «правильных» сигналов на /2-ячей-
ки, чем прежде. Поэтому на сей раз мы получим другой
ответ и он будет ближе к истинному. Но он все еще может
оставаться ошибочным. Тогда мы вновь нажмем кнопку
обучения, и элементы памяти, соединенные с выходами
4-ячеек, получат очередные «наказания» и «поощрения».
Если теперь произвести проверку, то легко обнаружить,
что ответ будет лучше предыдущего. В конечном счете
персептрон придет к правильному ответу.
После этого мы начнем обучать его распознаванию
буквы L, в конце концов он одолеет и это. Но нам необ-
ходимо вернуться назад и вновь проверить букву Т — и
вот тут вдруг выясняется, что персептрон опять выдает
неправильный ответ. Поэтому нужно переучивать машину
до тех пор, пока она не начнет отвечать правильно, и толь-
ко после этого перейти к проверке буквы L.
Иногда приходится неоднократно возвращаться к
пройденному, пока, наконец, машина не станет давать же-
лаемые ответы для обеих букв. К сожалению, некоторые
машины так никогда и не могут научиться распознавать
две буквы, поскольку они с самого начала были непра-
вильно сконструированы. Такие машины просто не спо-
собны выполнять определенные виды распознаваний. Все
зависит от того, какие именно буквы им заданы, какая
конкретная схема электрических соединений применена
в данной машине и сколько в ней имеется ячеек.
В идее персептрона имеются и другие слабые места.
Чтобы составить о них правильное представление, рас-
смотрим простейший персептрон и проследим, что проис-
ходит в его «мозге», когда мы обучаем его узнавать буквы
Т и L. В нашем персептроне по девяти S- и А -ячеек и одна
R-ячейка.
Обратимся сначала к 5-ячейкам. Расположим их в
форме квадрата и перенумеруем (рис. 19, а). 5-ячейки мо-
82
Рис. 19. В этом простейшем персептроне 5-ячейки расположены,
как показано на рпс. а.
Машина учится распознавать букву Т, которая активизирует заштрихован-
ные ячейки (б), и букву L, возбуждающую заштрихованные ячейки (в).
гут быть либо светочувствительными приборами, либо
простыми механическими переключателями. Чтобы предъ-
явить машине буквы, которые мы хотим подвергнуть рас-
познаванию, необходимо прежде всего возбудить ячейки
соответствующим образом. Например, если это фотоэле-
менты, мы можем использовать диапроектор для проеци-
рования изображений букв на нашу решетку. Тогда кар-
тина будет выглядеть так, как показано на рис. 19, б (буква
Т) или на рис. 19, в (буква L).
Л-ячейки мы можем расположить так же, как и 5-ячей-
ки на рис. 19, а, и использовать ту же систему оцифровки.
Каждая Л-ячейка будет произвольно соединена только
с пятью S-ячейками. При этом два соединения будут тор-
мозящими, а три — возбуждающими. Поясним употребля-
емые термины. Если 5-ячейка возбуждена, она пошлет
сигнал на все соединенные с ней Л-ячейки. Если соедине-
ние с Л-ячейкой возбуждающее, то передаваемый сигнал
будет иметь величину +1. Если же соединение тормозя-
щее, будет послан сигнал —1.
Теперь постараемся разобраться в тех конкретных со-
единениях между Л- и 5-ячейками, которые мы в нашей ма-
шине осуществили совершенно произвольно. Л-ячейка
под номером 1 имеет возбуждающие соединения с 5-ячей-
ками 7, 3 и 7 и тормозящие соединения с 5-ячейками 6 и 8.
Мы можем показать эти связи для всех ячеек машины
(рис. 20). Для удобства разделим каждую Л-ячейку на
9 секций, расположенных по тому же принципу, что и ре-
шетка из 5-ячеек. Вместо того чтобы показывать провод-
ники, соединяющие Л- и 5-ячейки, обозначим клетки в
Л-ячейках плюсами и минусами, указывающими, какие
83
S-ячейки
Я -ячейки
Рис. 20. Этот простейший персептрон имеет лишь одну 72-ячейку.
Соединения на рисунке не показаны: их заменяют обозначения внутри
каждой А-ячейки.
R-ячейка
S-ячейки и какие сигналы посылают на данную Л-ячей-
ку. Если какая-то клетка не заполнена, это означает, что
соединения между соответствующей S-ячейкой и данной
Л-ячейкой нет. Например, у Л-ячейки 6 имеются возбуж-
дающие соединения с S-ячейками 7, 4 и 8 и тормозящие
соединения с S-ячейками 2 и 3.
Таблица 1
Соединения между S- и 4-ячейками в простейшем
персецтроне
Номер А-ячейки	Возбуждающие выводы S-ячеек	Тормозящие выводы S-ячеек
1	1, 3, 7	00 со
2	2, 3, 4	6, 7
3	1, 4, 5	8, 9
4	2, 8, 9	1, 4
5	3, 6, 8	2, 4
6	1, 4, 8	2, 3
7	4, 7, 9	2, 5
8	3, 5, 9	1, 7
9	4, 7, 9	2, 3
84
Рис. 21.
а — суммарный сигнал, принятый каждой из девяти А-ячеек для буквы Т;
б — сигналы, обусловленные буквой L.
Для, большей наглядности все соединения сведены в
табл. 1. Во избежание каких-либо недоразумений сравним
эту таблицу с рис. 20.
Важно запомнить, что каждая 5-ячейка соединена бо-
лее чем с одной Л-ячейкой и в зависимости от требований
85
Рис. 22. Сигналы, показанные на рис. 21, обусловили превы-
шение порогов у заштрихованных 4-ячеек, и эти ячейки в свою
очередь посылают сигналы на R-ячейку.
способна посылать сигналы со значениями либо +1, либо
—1. Например, если возбуждена 5-ячейка под номером 5,
она пошлет сигналы +1 в А -ячейки 2, 2, 5 и 8 и сигналы —
— 1 в Л-ячейки 6 и 9. Или другой пример: 5-ячейка 8 по-
сылает сигналы +1 в Л-ячейки 4, 5 и 6 и сигналы — 1 в
Л-ячейки 1 и 3.
86
Итак, если мы показываем машине букву, каждая из
4-ячеек примет какие-то сигналы. В свою очередь 4-ячей-
ка подытожит суммарный сигнал и сравнит его со своим
порогом. Если сумма превысит величину порога, данная
А -ячейка пошлет на R-ячейку сигнал +1. Поясним это
на примере функционирования А -ячейки.
Допустим, что мы проецируем на чувствительную ре-
шетку (то есть на 5-ячейки) букву Т; 5-ячейки 7, 2, 5, 5
и 8 пошлют сигналы на 4-ячейки. 4-ячейка под номером
1 примет всего два сигнала +1 (от 1 и 3) и один сигнал
—1 (от 8) и итог будет равен +1. Так как 4-ячейка 1 не
соединена с 5-ячейками 2 и 5, последние не будут влиять
на нее, хотя сами они возбуждены. Итоговый сигнал, при-
нятый 4-ячейкой 2, будет +2 и т. д. 4-ячейка 9 получит
итоговый сигнал —2.
На рис. 21, а показаны итоговые сигналы, принятые
каждой из 4-ячеек для буквы Т, на рис. 21, б — сигналы,
вызванные буквой L.
Мы уже говорили о том, какой итоговый сигнал будет
принят на каждой из 4-ячеек (рис. 20), но необходимо
сравнить каждый итог с порогом соответствующей 4-ячей-
ки. Это позволит нам судить, будет ли реагировать данная
4-ячейка. В рассматриваемой машине пороговая величина
для каждой 4-ячейки была выбрана равной +х/2. Если
итоговый сигнал превысит эту величину, ячейка будет
возбуждена. В противном случае она останется бездейст-
вующей.
В нашей машине (рис. 21, а) в ответ на изображение
буквы Т итоговый сигнал, превышающий величину поро-
га, будут иметь 4-ячейки 7, 2, 5, 4, 5 и 5. При изображении
буквы L (рис. 21, б) сигнал, превышающий величину, по-
рога, будет у 4-ячеек 7, 6, 7 и 9. На рис. 22 показано,
какие из 4-ячеек будут возбуждаться при демонстрации
этих двух букв.
Теперь на время прервем наши рассуждения и посмот-
рим, что же произошло. Когда мы демонстрируем букву
чувствительным элементам персептрона, каждая из воз-
бужденных 5-ячеек посылает сигнал на определенные
4-ячейки. Передаваемые сигналы будут иметь величину
либо +1, либо —1, в зависимости от того, какая конкрет-
ная схема электрических соединений была выбрана для
данного персептрона. Следовательно, каждая 4-ячейка
принимает сигналы, алгебраически их складывает и срав-
87
нивает с величиной своего порога. А -ячейка будет реаги-
ровать на принятые сигналы лишь в том случае, если ито-
говый сигнал превысит порог.
В результате картина распределения возбужденных
ячеек в 5-решетке обусловит отличную от нее картину рас-
пределения возбужденных ячеек в Л-решетке. По сути
дела, мы преобразовали входное изображение. Это преоб-
разование — автоматический процесс, определяемый кон-
кретной схемой электрических соединений, выбранной для
связи между А- и 5-ячейками. До некоторой степени это
преобразование здесь является ненужным, оно вызвано, в
частности, произвольным характером соединений между
5- и А -слоями. Ниже мы будем говорить о соединениях,
имеющих больше смысла. Пока же назовем преобразова-
ние между 5- и Л-слоями «первичной обработкой».
Теперь перейдем непосредственно к процессу обучения.
У рассматриваемого персептрона есть только одна
72-ячейка; она принимает сигналы от каждой из девяти
Л-ячеек по путям, содержащим элемент памяти. Этот
элемент способен менять свои параметры. 72-ячейка в
некоторых отношениях похожа на Л-ячейку. У нее также
есть порог, и при превышении его она генерирует сигнал
+ 1. Но когда порог не превышен, она генерирует сиг-
нал — 1.
Предположим, автор этих строк в качестве инструктора
персептрона решил, что R-ячейка должна отвечать сигна-
лом + 1 всякий раз, когда машине показывают букву L.
Более того, ему желательно, чтобы при наличии на входе
буквы Т ответ составлял —1. Для этого начнем с произ-
вольной установки всех элементов памяти (резисторов на
путях, соединяющих Л-ячейки с 72-ячейкой) на величину,
равную 5.
Что мы подразумеваем здесь под словом «величина»?
Каждая Л-ячейка, будучи возбужденной, генерирует
сигнал +1. Но на сигнал, который достигает R-ячейки,
оказывает влияние регулировка элемента памяти. Этой
регулировке мы произвольно приписываем число, кото-
рое и называем «величиной». Число это иногда называют
также «весом». Долю сигнала, которая доходит до 72-ячей-
ки, можно определить умножением сигнала +1 (от Л-ячей-
ки) на значение элемента памяти. Таким образом, если
это значение первоначально установить равным 5, то ве-
личина сигнала, посылаемого одной Л-ячейкой на 72-ячей-
88
ку, составит 5. Если возбуждены три Л-ячейки, суммар-
ный сигнал, принятый 72-ячейкой, будет равен 15. Если
же возбуждены три Л-я<ейки, соединенные с 72-ячейкой
через элементы памяти величинами 3, 5 и 6, то суммарный
сигнал, принятый 72-ячейкой, будет равен: 3+5+6=14.
С помощью этих чисел удается не только проследить
то, что происходит внутри гипотетического упрощенного
персептрона. Они имеют непосредственное отношение к
разнообразным токам и напряжениям в реальной машине,
если бы нам предстояло построить таковую. Например,
вес +1, который мы приписали выходному сигналу Л-ячей-
ки, может соответствовать напряжению в 10 вольт на
выходе с Л-ячейки в реальной машине. Значение элемента
памяти, равное 5, соответствовало бы в такой машине со-
противлению резистора в 2 ома, а сигнал величиной 5,
доходящий до 72-ячейки, соответствовал бы силе тока в
5 ампер. Мы не будем здесь углубляться в электрические
аспекты работы машины. Но мы можем объяснить, каким
образом «учится» машина, отмечая, как изменяются зна-
чения элементов памяти в течение каждого «урока».
Урок протекает следующим образом.
Поначалу мы показываем машине одну из двух букв.
Это возбуждает определенные Л-ячейки (рис. 22). Зная
величины элементов памяти между каждой из этих Л-яче-
ек и 72-ячейкой, вычисляем итоговый сигнал, принятый
72-ячейкой. Затем сравниваем этот итоговый сигнал с по-
рогом 72-ячейки. Нам интересно, будет ли реакцией 72-
ячейки сигнал +1 или же —1. Сравним ответ с тем, что
нам желательно (+1 для буквы L и —1 для буквы Т).
Если мы получили правильный ответ, хорошо. Если же
ответ неверен, машину следует «наказать» — ее память
должна быть изменена. Для этого существуют стандарт-
ные правила. Руководствуясь ими, мы производим изме-
нения в величинах элементов памяти — и урок закон-
чен. Теперь электрические соединения внутри машины
преобразованы таким образом, что, когда мы снова пока-
жем машине ту же букву, ответ будет более правильным.
Не исключено, что может понадобиться несколько уроков,
прежде чем машина научится, наконец, давать правиль-
ный ответ.
Для большей убедительности рассмотрим, как изме-
няется наш персептрон, когда мы «учим» его распознавать
буквы Т и L.
89
Рис. 23. Цифры внутри 7?-ячейки указывают величину каждого из
элементов памяти машины в начале урока.
Сигналы на К-ячейку принимаются только от тех элементов, которые соединены
с возбужденными (на рисунке заштрихованы) А-ячейками. Итоговый сигнал,
полученный Н-ячейкой, равен сумме значений элементов памяти, равной в
данном случае 30. Поскольку это превышает порог, равный 25, Л-ячейка вы-
дает в ответ сигнал 4-1.
Начнем с буквы Т. Заметим, что все элементы памяти
установлены на отметку 5, а порог 7?-ячейки равен 25.
Теперь покажем (рис. 23), какие из S- и Л-ячеек возбуж-
дены. Вспомним, что 2?-ячейка разбита нами на клетки;
это сделано для того, чтобы показать вес элементов памяти
на пути от каждой из 4-ячеек к 7?-ячейке. Конкретные
пути, по которым идут сигналы, отмечены на рис. 23 за-
штрихованными клетками.
Если теперь сложить численные значения, соответст-
вующие заштрихованным клеткам, получим величину
итогового сигнала, принятого R-ячейкой. Поскольку она
равняется 30 (на 5 выше величины порога), выходной
сигнал будет равен +1. Это и есть ответ, который даст
персептрон, когда мы впервые покажем ему букву Т.
Этот ответ неверен, потому что мы уже говорили, что нам
нужно, чтобы машина при виде буквы Т выдавала сигнал
— 1. Машину надо наказать. Поэтому мы хорошенько
ударяем по кнопке обучения.
Получив такой удар, другими словами, энергичное
нажатие кнопки обучения, персептрон в силу своей конст-
рукции изменяет значения элементов памяти в соответст-
вии со следующими правилами:
90
1. Если ответ равен +1, а должен быть —1, значит,
на 7?-ячейку поступает слишком большой сигнал. Поэтому
вес каждого из путей, соединенных с возбужденными yl-
ячейками, необходимо уменьшить на единицу, в то время
как остальные веса надо увеличить на единицу.
2. Если ответ равен—1,адолжен быть +1,тона входе
R-ячейки слишком малый сигнал. Поэтому вес каждого
из путей, соединенных с возбужденными 4-ячейками,
надо увеличить на единицу, а все остальные веса умень-
шить на единицу.
Очевидно, первое правило относится к случаю буквы
Т, поэтому величины, указанные на заштрихованных
клетках R-ячейки (рис. 23), необходимо уменьшить до 4,
а на остальных увеличить до 6. Первый урок закончен
(см. о нем в первой строке табл. 2).
Помните, что все изменения, о которых мы говорим, в
реальном персептроне производятся автоматически, на-
жатием кнопки обучения. Электронная схема машины
на это рассчитана.
Начнем второй урок (см. табл. 2). Начальные величины
элементов памяти на путях между А -ячейками и 7?-ячей-
кой показаны в первом столбце таблицы. Их значения
связаны с тем, что произошло во время предыдущего уро-
ка. И теперь, когда мы показываем машине букву Т, эле-
менты на путях, номера которых выделены жирным шриф-
том и которые ведут от возбужденных 4-ячеек, обеспечи-
вают итоговый сигнал, равный 24. Это ниже порога R-
ячейки, так что ответ будет —1. Наш персептрон научился
давать правильный ответ. Поэтому не будем изменять зна-
чения элементов памяти.
Ну, а что произойдет, если показать машине букву L?
Даст ли она требуемый ответ +1? На третьем уроке (третья
строка табл. 2) мы показываем персептрону букву L и на-
блюдаем за тем, что происходит.
Цифры в первом столбце, выделенные жирным шриф-
том, указывают, по каким путям будут идти сигналы между
4-ячейками и 7?-ячейкой. Это, как мы уже говорили,
возбужденные пути (см. рис. 22). Следовательно, суммар-
ный сигнал, принятый R-ячейкой, будет равен 22. Это
меньше величины порога (равной 25), так что ответ будет
—1. Глупая машина опознала в букве L букву Т! Ясно,
что ее ошибка заслуживает еще одного удара по кнопке
обучения.
91
Пять уроков, необходимых для обучения персептрона.
Значения элементов памяти изменяются согласно правилам, приведенным в тексте.
Возбужденные Л-ячейки выделены жирным шрифтом.
Таблица 2
	Эти началь- ные значения элементов памяти	ведут к	такому ито- говому сигна- лу, принято- му А-ячейкой,	который обусловливает	ответ	который	так что	тренируем и получаем та- кие значения элементов памяти:	или	при верном ответе оставляем
	1	.—	2	—>•	3	4	—>	5	—>	6
1-й урок (Т)	5 5 5 5 5 5 5 5 5		30		+1	неверен		4 4 4 4 4 6 6 4 6		—
2-й урок (Т)	4 4 4 4 4 6 6 4 6		24		—1	верен		—		4 4 4 4 4 6 6 4 6
3-й урок (L)	4 4 4 4 4 6 6 4 6		22		—1	неверен		5 3 3 3 3 7 7 3 7		—
4-й урок (L)	5 3 3 3 3 7 7 3 7		26		+1	верен		—		5 3 3 3 3 7 7 3 7
5-й урок (Т)	5 3 3 3 3 7 7 3 7		20		— 1	верен				5 3 3 3 3 7 7 3 7
Но на сей раз коррекция будет происходить по вто-
рому из упомянутых правил: величины элементов памяти,
номера которых выделены жирным шрифтом, будут уве-
личены, в то время как все остальные будут умень-
шены. В результате значения элементов памяти будут
уже такими, как показано в пятой колонке третьей стро-
ки табл. 2.
Чтобы проверить, принесло ли «наказание» какую-
нибудь пользу, на четвертом уроке снова предъявим пер-
септрону букву L. Теперь R-ячейка принимает итоговый
сигнал, равный 26, как раз над порогом. Персептрон «вы-
крикивает» + 1 и настораживается. Но ответ правилен, и
мы удовлетворены. Почти удовлетворены. Почти — ибо
нам необходимо вернуться назад и перепроверить букву Т,
чтобы убедиться, не позабыл ли персептрон ответ, кото-
рому он научился ранее.
Пятый урок: показываем машине букву Т. Суммарный
сигнал, принятый R-ячейкой, теперь равен 20 (а не 24,
как в конце второго урока): по-прежнему он ниже порога.
И опять ответ правилен.
Итак, персептрон обучен.
К сожалению, рассматриваемая нами машина обладает
чрезвычайно ограниченными способностями из-за малого
числа используемых в ней компонентов (ячеек). Первая
машина, построенная Розенблаттом в Лаборатории аэро-
навтики Корнелльского университета, была намного боль-
ше. Марк I (так назвали машину) использовал 400 фото-
элементов в качестве 5-ячеек (они были собраны в решет-
ку 20x20 элементов), 512 4-ячеек и 8 7?-ячеек. Каждая
из 5-ячеек была соединена (произвольно) с 40 4-ячейками,
а каждая Л-ячейка — со всеми 4-ячейками. Эта машина
научилась распознавать все 26 букв английского алфа-
вита после того, как ей показали около 15 различных (но
сходных по начертанию) образцов каждой из букв. Стоит
добавить, что буквы не обязательно нужно было распола-
гать в одном и том же положении относительно решетки
5-ячеек. Иногда возбуждали также «незаконные» 5-ячей-
ки, чтобы придать буквам «шумовое» оформление, как
если бы они были окружены раскиданными по случай-
ному закону пятнами краски. Но даже несмотря на то,
что эти добавочные 5-ячейки возбуждали лишние 4-ячей-
ки, персептрон не сбивался с толку и все еще был в состоя-
нии узнавать букву.
93
Другой интересной особенностью работы персептрона
был тот факт, что некоторые 4-ячейки можно было произ-
вольно отключать и машина все равно давала правильные
ответы. Иначе говоря, функционирование машины не
имеет критической зависимости от работы всех ячеек.
Подобно нервной системе живого организма, машина могла
перенести выход из строя некоторых нейронов.
Но у персептрона Марк I все же были свои ограниче-
ния; в Корнелльской лаборатории аэронавтики исследо-
вались более сложные типы персептронов. Так, Карл Кес-
слер проводил исследования модели персептрона на основе
цифровой вычислительной машины ИБМ 7090. Этот «смо-
делированный» персептрон использовал 3969 5-ячеек,
расположенных в решетку 63x63 элементов. В нем при-
менялось несколько слоев 4-ячеек, соединенных после-
довательно.
В отличие от рассмотренных персептронов здесь соеди-
нения с 5-ячейками делались уже не случайным образом,
но тщательно планировались, чтобы получить желаемый
результат. 5-ячейки были соединены с 18 000 4-ячеек, в
задачу которых входило распознавание линий и краев
изображений; они функционировали таким же образом,
что и нейроны в глазе кошки. (Ниже, в гл. 6 мы рассмотрим
глаз кошки.) В свою очередь эти 18 000 4-ячеек были
соединены со вторым слоем, состоящим из 2000 4-ячеек.
Каждая из 4-ячеек второго слоя соединялась с девятью
4-ячейками первого слоя. Имелся и третий слой из 1000
4-ячеек. Из этих последних каждая соединялась по слу-
чайному закону с 4-ячейками двух первых слоев через
элементы памяти. Были и другие незначительные изме-
нения как в работе ячеек, так и в правилах обучения.
Применение этого более сложного персептрона позво-
лило эффективнее решать определенные задачи обучения.
Так, например, он за шестьдесят уроков научился раз-
личать вертикальные и горизонтальные линии, в то время
как менее сложному персептрону (не Марку I) для решения
этой задачи потребовалось свыше пятисот уроков.
Причиной такого рода улучшения в значительной
мере послужили «неслучайные» соединения между вход-
ной решеткой из 5-ячеек и 4-ячейками. Читатель, видимо,
помнит, что распределение возбужденных 4-ячеек в уп-
рощенной машине, которую мы анализировали (рис. 22),
представляло собой преобразование входного изображе-
94
ния. Но поскольку это преобразование не преследовало
какой-либо конкретной цели, оно оставалось по существу
бесполезным. В персептроне же, построенном по принципу
глаза кошки, в подобном преобразовании имеется оп-
ределенный смысл, поскольку там входное изображение
подвергается анализу, причем селектируются его важней-
шие свойства. Этот предварительный анализ, получивший
название качественной фильтрации, по-видимому, необ-
ходим в любой реальной машине. В гл. 6 мы увидим, что
биологические системы также выполняют предваритель-
ный анализ.
Исследования персептронных систем продолжаются,
однако окончательного варианта пока не создано. Поэтому
остановимся еще на одном типе обучающихся машин —
это позволит нам узнать, чего же добились ученые в этом
направлении.
Чтобы сходство между двумя машинами стало нагляд-
нее, изобразим уже изученный простейший персептрон
несколько по-иному (рис. 24) и покажем все соединения
между слоями.
На рисунке можно видеть, что входное изображение
проникает в машину через 5-ячейки. Затем по произволь-
но выполненным соединениям оно поступает на Л-ячейки.
Таким образом, как уже отмечалось выше, входное изоб-
ражение подвергается преобразованию. Но если это пре-
образование основано на произвольно выполненных соеди-
нениях, оно практически не имеет смысла — с таким же
успехом можно направить входное изображение непосред-
ственно на Л-ячейки. Если же осуществить соединения
между 5- и Л-ячейками гораздо продуманнее, с тем чтобы
они приносили больше пользы, можно было бы получить
упомянутую качественную фильтрацию.
Однако при желании можно избежать преобразования
между 5- и Л-ячейками. Примером тому служит
МАДАЛИН — обучающаяся машина, в которой предва-
рительное преобразование исключено (рис. 25). Апологет
этой машины — Берйард Уидроу из Лаборатории элект-
роники Стэнфордского университета.
На выходах Л-ячеек в МАДАЛИНе имеются сигналы
величиной либо +1, либо —1; в этом они очень сходны с
5-ячейками персептрона. У МАДАЛИНа есть и 7?-ячейки,
и немало, но Уидроу называет их по-иному. Имеется в
машине также дополнительный элемент памяти, постоянно
95
Рис. 24. Полная схема простейшего персептрона, о котором говорит-
ся в тексте.
На рисунке видно сходство этого персептрона с другой обучающейся машиной,
МАДАЛИН, показанной на рис. 25.
соединенный с источником сигнала +1; порог у всех R-
ячеек равен нулю. Такая Я-ячейка в совокупности с сое-
диненными с ней элементами называется АДАЛИНом
(мы рассматривали эту модель нейрона на стр. 54).
Рис. 25. МАДАЛИН.
Один из вариантов обучающейся машины, которая умеет распознавать речь, иг-
рать в очко и предсказывать погоду. Отличия от персептрона указаны в тексте»
96
Выход с каждого АДАЛИНа ведет к ячейке, именуе-
мой мажоритарной1 ячейкой. Эта последняя собирает го-
лоса среди АДАЛИНов и обеспечивает выходной сигнал,
согласующийся с мнением большинства — отсюда и ее
название. Так что, если четыре из семи АДАЛИНов от-
вечают сигналами — 1, реакцией мажоритарной ячейки
будет сигнал —1.
Другое различие между МАДАЛИНом и персептро-
ном — набор правил, используемых для изменения ве-
личин элементов памяти. Например, только часть этих
элементов может менять свою величину в течение каждого
урока. В действительности существует множество вари-
антов основных типов обучающихся машин. Каких-то
устоявшихся, неприкосновенных их форм нет; основное
требование — наличие элемента памяти, величина кото-
рого может изменяться в процессе обучения.
Посмотрим, как МАДАЛИН научился предсказывать
погоду.
Как знает любой из нас, важнейшая стадия про-
гнозирования погоды связана с прослеживанием места и
передвижений областей высокого и низкого атмосферного
давления. Прогнозирующий МАДАЛИН был способен
использовать те карты атмосферных давлений, которые
ежедневно подготавливаются метеорологами. Эти карты
внешне похожи на контурные карты, но в отличие от по-
следних показывают контуры давлений, а не высот. Вме-
сто того чтобы обучать МАДАЛИН буквам алфавита, ему
предъявлялись карты давлений.
В распоряжении исследователя из Стэнфордского уни-
верситета, разработавшего прогнозирующую машину
МАДАЛИН, были карты атмосферных давлений по состо-
янию на 4 часа утра с января по апрель 1961 года. Он по-
лучил их в Бюро погоды США в международном аэропорту
Сан-Франциско. Каждая такая карта содержала данные о
давлениях для района площадью около 8 миллионов квад-
ратных километров (между 25 и 55° северной широты и
110 и 150° западной долготы). Данный район затем разби-
вался на сорок восемь квадратов площадью 5x5°, чтобы
образовать прямоугольную сетку из шести ячеек в высоту
и восьми ячеек в ширину. В каждой ячейке подсчитыва-
1 От слова majority (англ.), что означает «большинство».—
Прим, перев.
4 Заказ № ИЗО
97
Рис. 26. Прогнозирующий М АД А Л ИН.
Карты погоды, показывающие атмосферные давления в районе
Сан-Франциско, были разбиты на отделения (квадраты). Для
установки выходного сигнала в каждой А-ячейке машины учи-
тывалось давление в каждом квадрате карты. Затем значения
элементов памяти изменялись в соответствии с описанной в
тексте последовательностью обучения. Одной В-ячейке пред-
писывалось предсказывать ДОЖДЬ или ЯСНО на каждый по-
казанный период времени. Машина предсказывала погоду не
хуже (а иногда и лучше), чем синоптики.
лось среднее давление; в соответствии с полученными сред-
ними данными ячейки делали либо светлее, либо темнее.
Короче, то была грубая картина состояния атмосферного
давления (рис. 26).
В МАДАЛИНе имелось 96 A-ячеек, но они посылали
на R-ячейки сигналы величиной не +1 или —1, а величи-
ной от 0 до 10. Это делалось для того, чтобы нагляднее
отражать яркость соответствующих ячеек на входной
карте атмосферных давлений. На выходе машины было
три Д-ячейки: одна должна была предсказывать погоду
на СЕГОДНЯШНИЙ ДЕНЬ (с 8.00 до 20.00); вторая -
на СЕГОДНЯШНЮЮ НОЧЬ (с 20.00 до 8.00) и третья -
на ЗАВТРА (с 8.00 до 20.00).
Это делалось следующим образом.
Сначала шел период обучения, во время которого ма-
шине предъявлялась карта по состоянию на 4,00 какого-
либо дня в прошлом и сообщалась погода. имевшая место
в тот день, ту ночь и на следующий день, то есть эту карту
показывали А-ячейкам, а желаемым ответом была соответ-
ствующая этой карте погода. Допустим, что дождь обозна-
чался сигналом 4-1, а ясная погода — сигналом —1. Если
карте по состоянию на 4.00 какого-то конкретного дня со-
98
ответствовал дождь днем, ясная погода вечером и дождь на
следующий день, машину учили отвечать выходными сиг-
налами +1, —1 и +1 соответственно с 7?-ячеек, назван-
ных СЕГОДНЯ ДНЕМ, СЕГОДНЯ НОЧЬЮ и ЗАВТРА.
Тем самым, показывая машине многочисленные утренние
карты и обучая ее отвечать согласно тому, что имело место
в действительности, машине как бы создали «жизненный
опыт». После этого ее можно было подвергнуть реальным
испытаниям, которые заключались в том, что машине
предъявлялась совершенно свежая карта, а от нее ждали
уже настоящего прогноза.
Затем исследователи произвели оценку 18 ее прогнозов.
Из предсказаний на СЕГОДНЯШНИЙ ДЕНЬ верными
оказались 72% случаев, зато из прогнозов на
СЕГОДНЯШНЮЮ НОЧЬ и на ЗАВТРА верными были
только 67%. Не так уж плохо, особенно если учесть, что
синоптики на эти же дни правильно предсказали погоду
в 78, 89 и 67% случаев соответственно.
Но все же результаты требовали улучшения. И тогда
ученые пришли к парадоксальному выводу: наиболее веро-
ятная причина просчетов крылась не в конструкции ма-
шины, а скорее в скудной информации, с которой машине
приходилось работать!
В программе обучения, приводившей к неудовлетво-
рительным результатам, использовалась только утренняя
карта на СЕГОДНЯ. Поэтому входное изображение акти-
визировало лишь 48 (из 96) А-ячеек. Исследователи Стэн-
форда решили показать МАДАЛИНу две карты давлений
в течение одного и того же периода обучения. Они ввели в
машину карты давлений и на СЕГОДНЯ и на ВЧЕРА.
По окончании обучения они вновь взяли от машины 18
прогнозов и сравнили результаты. Теперь прогнозы на
СЕГОДНЯШНИЙ ДЕНЬ оказались верными в 78% слу-
чаев, на СЕГОДНЯШНЮЮ НОЧЬ - также в 78% и на
ЗАВТРА — тоже 78%. Это уже лучше. МАДАЛИН ока-
зался не хуже синоптика в своих прогнозах на
СЕГОДНЯШНИЙ ДЕНЬ, лучше, чем прежде, но еще не
совсем хорошо на СЕГОДНЯШНЮЮ НОЧЬ и лучше си-
ноптика на ЗАВТРА (78% против 67%).
Наконец, чтобы улучшить характеристики машины,
применили утреннюю карту на СЕГОДНЯ и новую карту,
созданную на основе различий между картами на
СЕГОДНЯ и ВЧЕРА. И вот результат: МАДАЛИН срав-
4*
99
нялся с синоптиками в прогнозах на СЕГОДНЯШНИЙ
ДЕНЬ и побил их (83% против 67%) в прогнозах
на ЗАВТРА! Машина превзошла человека! Правда, по
нашему глубокому убеждению, синоптики — никудышные
предсказатели погоды, так что хвалиться особенно нечем.
И все-таки характеристики МАДАЛИНа, занимающе-
гося прогнозами, свидетельствуют как о возможностях,
так и об ограниченности современных обучающихся ма-
шин. По существу эти машины занимаются тем, что обес-
печивают инженеров устройством для распределения вход-
ных изображений по отдельным классам. Это очень удоб-
ное устройство, работающее автоматически и выполняющее
задачи, которыми мы сами занимались при обучении прос-
тейшего персептрона. Однако суть проблемы — во вход-
ных изображениях. Если мы не покажем машине картин,
содержащих основные данные для такого рода классифи-
кации, машина не принесет никакой пользы. На первых
сеансах обучения прогнозирующего МАДАЛИНа машине
не дали нужной картины. После того как ей показали нуж-
ные материалы, ее способности улучшились.
Следовательно, для всех этих машин важно преобра-
зовать исходную информацию в форму, пригодную для
них. Это может быть сделано как вне машины (пример —
прогнозирующий МАДАЛИН), так и путем создания
самой машины в расчете на выполнение ею определенных
преобразований в слое предварительной качественной
фильтрации. Соединения между слоем 5-ячеек и слоем
А-ячеек в персептроне, работающем по принципу «ко-
шачьего глаза», как раз и выполняют это нужное преоб-
разование.
Подведем итог сказанному. Для эффективного исполь-
зования обучающихся машин необходимо, чтобы слоя А-
ячеек достигали только определенные, важные признаки
входных изображений. Но какие из них являются важ-
ными? Это еще предстоит выяснить.
Возможно, в этом нам вновь поможет природа. Обра-
тимся к ней и посмотрим, какие признаки входных изобра-
жений отбирают биологические системы, чтобы пропустить
их в обучающиеся участки мозга.
ГЛАВА ШЕСТАЯ
РАСПОЗНАВАНИЕ ЗРИТЕЛЬНЫХ ОБРАЗОВ
ЖИВОТНЫМИ И МАШИНОЙ
До сих пор мы рассматривали принцип работы неко-
торых биологических систем, знакомились с исследова-
ниями их основных компонентов и останавливались на
идеях, развитых в ходе разработок «обучающихся» ма-
шин. Но из примеров прогнозирования погоды, приве-
денных в гл. 5, читателю должно быть ясно, что для обес-
печения надежной работы сложная машина нуждается
еще кое в чем, помимо механизма обучения. Особое зна-
чение в этой связи приобретают устройства «фильтрации
свойств». Другими словами, прежде чем распознать ка-
кой-либо объект, необходимо подвергнуть его анализу
и определить важнейшие признаки. Ибо что такое распо-
знавание, как не сравнение обнаруженных признаков
объекта с перечнем известных признаков и оценка степени
их совпадения?
Бесспорно, в некоторых случаях можно было бы обой-
тись без предварительного анализа и тем не менее на-
учиться распознавать данный объект. Но, очевидно, это
не самый лучший способ. Поэтому сейчас мы в первую
очередь рассмотрим различные методы анализа, разрабо-
танные для лучшего распознавания зрительных образов,
а затем перейдем к анализу речи. Заметим, что и здесь
существуют два подхода. Один из них основан на стрем-
лении человека соперничать с биологическими системами,
а другой сводится к попыткам воспользоваться идеями,
выдвинутыми человеком без обращения к аналогиям в жи-
вой природе.
Начнем с описания устройства глаза. На рис. 27 изоб-
ражен правый глаз в поперечном сечении. По форме глаз
представляет собой подобие сферы, а внутренняя полу-
сфера — это экран, на котором хрусталик глаза фокуси-
рует изображение.
Глаз состоит из роговой оболочки (роговицы), века,
радужной оболочки, хрусталика, белковой оболочки (скле-
ры), сосудистой оболочки и сетчатой оболочки (сетчатки).
Роговая оболочка — это прозрачное окно, прикрываемое
веками. Радужная оболочка — структура, управляющая
количеством поступающего на хрусталик света. Она имеет
отверстие, диаметр которого изменяется и которое всем
101
К уху
нам известно под названием зрачка. Для изменения раз-
мера зрачка служат специальные мышцы. Хрусталик
представляет собой структуру, которая с помощью опре-
деленных мышц может перемещаться (чтобы изменять
поле зрения) и менять свою форму (чтобы изменять фо-
кусное расстояние).
Белковая оболочка, образующая как бы «футляр» гла-
за, соединена с мышцами, которые управляют движениями
глаза. Сосудистая оболочка расположена непосредственно
под белковой оболочкой; у некоторых животных она слу-
жит для поглощения света, прошедшего сквозь сетчатку,
и тем самым предотвращает образование ореолов (то есть
рассеяния света и повторных отражений). Однако у мно-
гих животных, обитающих в воде или ведущих ночной
образ жизни, имеется и отражающий слой, предназна-
ченный как раз для того, чтобы вернуть непоглощенный
свет на сетчатку и таким образом за счет четкости повы-
сить чувствительность. Сетчатка — слой, лежащий глу-
боко внутри стенки глаза; здесь расположены светочувст-
вительные рецепторы, на которые фокусируется изобра-
жение; там же находятся нервы, выполняющие первые
этапы анализа.
102
Сетчатка
Рис. 28. Сетчатка.
Показаны палочки, колбочки и нейроны в сетчатом слое. Централь-
ная ямка — область наивысшей остроты зрения.
Остановимся более подробно на сетчатке (рис. 28).
Сетчатка обладает двумя важными особенностями: у нее
имеется вдавленная центральная часть, называемая цент-
ральной ямкой и расположенная на одной оси с хруста-
ликом, и слепое пятно — маленький участок, через кото-
рый к мозгу проходят нервные волокна. Отметим еще
такие детали сетчатки, как палочки и колбочки,— два
типа элементов, преобразующих свет в электрические
сигналы. Они расположены на сетчатке, но не на самой
внутренней поверхности, а непосредственно перед сосу-
дистой оболочкой. Поэтому свет, идущий от хрусталика,
проходит сначала через слои нейронов, а уже затем по-
падает на эти рецепторы.
Благодаря палочкам человек видит ночью, а колбочки
наиболее эффективны днем. В сетчатке человеческого
глаза содержится около 120 миллионов палочек, располо-
женных вокруг центральной ямки. В самой же ямке
имеются только колбочки, и как раз здесь отмечена наи-
большая четкость изображения. Насчитывается около
7 миллионов колбочек; некоторые из них расположены
вне центральной ямки. Колбочки обусловливают наше
цветовое зрение; имеются колбочки, чувствительные к каж-
дому из трех основных цветов: красному, голубому и зе-
103
леному. Изображение, получаемое посредством палочек,
может быть только черно-белым.
Следовательно, палочки и колбочки — наши первич-
ные световые датчики, преобразующие интенсивность
света в электрические сигналы, анализировать которые
предстоит нейронам сетчатки. Существует три типа этих
нейронов (отличающихся по форме), и расположены они
в нескольких слоях. Если вспомнить нашу аналогию
нейронов с деревьями, то слои нейронов в сетчатке можно
уподобить «лесу».
Сигналы от палочек и колбочек входят в ветви одного
такого «леса» и выходят через его корни, переходя в ветви
леса, лежащего внизу. В свою очередь корни этого по-
следнего возбуждают ветви следующего слоя. Корни
самого нижнего слоя сведены в общем участке, где они
проходят сквозь отверстие в сосудистой оболочке и вы-
ходят сзади глаза в виде пучка нервных волокон, назы-
ваемого зрительным нервом. Зрительный нерв проводит
сигналы дальше, в мозг.
Таково в самых общих словах описание глаза. Важно
помнить, что на самом деле внутри глаза имеются ней-
роны и именно там начинается анализ изображения. Кар-
тина, которую видит глаз, в целом не транслируется
в мозг; передаются лишь некоторые ее особенности.
Что же привлекает к себе внимание нейронов глаза?
Это во многом зависит от того, о каком типе глаза идет
речь. Так, например, глаз лягушки не обязательно ищет
ту же информацию, что и глаз осьминога или человека.
Но в любом случае самый простой способ ответить на этот
вопрос — переадресовать его нейрофизиологу и попро-
сить последнего произвести кое-какие эксперименты.
Правда, нейрофизиологи не всегда имели возможность
определять функции нейронов в глазу человека, зато они
очень много занимались глазами кошек и лягушек.
Итак, начнем с лягушек — или (если перефразировать
заголовок статьи, опубликованной в одном из техни-
ческих журналов) постараемся узнать, что глаз лягушки
сообщает ее мозгу.
Ряд наиболее известных экспериментальных исследо-
ваний из тех, что проводились в последние годы, выполнен
в Лаборатории электроники Массачусетского технологи-
ческого института под руководством Дж. Леттвина,
Г. Мату раны, У. Мак-Каллока и У. Питтса (последние
104
создали известный искусственный нейрон Мак-Каллока —
Питтса).
Система сетчатки у лягушки стабилизированная.
Иными словами, в то время как сама лягушка поворачи-
вается, ориентация ее глаза по отношению к окружающим
предметам не изменяется. Если поле зрения лягушки пере-
секает движущийся предмет, то глаз ее не следует за ним,
а, напротив, застывает в фиксированном положении. Но,
по-видимому, глаз лягушки улавливает лишь движу-
щиеся объекты, поэтому утверждение, будто лягушка
«умрет с голоду в окружении пищи, если только пища
не движется», не лишено оснований.
Во время экспериментов, проводившихся в Лабора-
тории электроники, лягушку закрепляли на специальной
платформе и производили соответствующий разрез, чтобы
получить доступ к зрительному нерву. Глаз лягушки за-
крывали сферическим экраном, так что он мог видеть лишь
пустую поверхность. Затем по этой внутренней поверх-
ности сферы передвигали с помощью магнита различные
объекты (магнитом управляли снаружи). В зрительный
нерв вводили электрический зонд и перемещали исследуе-
мый объект в поле зрения лягушки до тех пор, пока зонд
не улавлйвал электрический сигнал. Это указывало на то,
что нейрон, в который проник зонд, «обслуживает» именно
тот участок поля зрения, где в данный момент находился
объект.
Тогда исследователи стали ограничивать движение
объекта лишь участком, внутри которого производилось
множество перемещений. Тем самым они стремились оп-
ределить пределы поля зрения выбранного нейрона
и проверить, какое влияние оказывают форма объекта
и характер его движения на снимаемый с зонда электри-
ческий сигнал. Выяснилось, что нейроны реагируют на
это особым образом.
И вот тут мы подошли к проблеме, анализ которой по-
может разъяснить точку зрения автора этих строк. А ро-
дилась она так.
Примерно в то же время, когда начались эксперименты
с лягушками, автор пытался нащупать пути создания
машины, которая могла бы «видеть» и «истолковывать»
световые метки на экране радиолокатора. В процессе ра-
боты он наткнулся на одну из публикаций Массачусет-
ского технологического института, в которой описыва-
105
лись результаты проводимых исследований. В сообщении,
в частности, говорилось:
1.	«Некоторые нейроны обладают довольно низкой
чувствительностью, но обширным рецептивным полем.
Интенсивность их реакции зависит также от коэффици-
ента, имеющего большую постоянную времени...»
Попробуем расшифровать это положение. Каждый
нейрон воспринимает лишь определенную часть видимой
картины. Область его чувствительности называется «ре-
цептивным полем». «Низкая чувствительность» означает,
что, будучи возбужденной, клетка выдает не очень боль-
шой сигнал. «Большая постоянная времени» означает, что
клетка функционирует медленно.
2.	«Вторая группа нейронов очень похожа на первую,
за исключением того, что она обладает узкими рецептив-
ными полями и высокой чувствительностью».
3.	Интенсивности реакций обеих групп зависят от
направления движения объекта в поле зрения.
4.	Третья группа почти не отличается от предыду-
щих, но «...в центре ее рецептивного поля имеется боль-
шой провал». Нейроны этой группы всегда «...спарены
с дополняющими их волокнами, то есть с теми, которые
соответствовали провалу».
5.	Обнаружено, что «...реакция нейрона на соответст-
вующий раздражитель иногда, по-видимому, зависела от
поведения раздражителя до того, как он попадал в рецеп-
тивное поле».
Из всего прочитанного автор вынес убеждение, что
лягушка использует не просто какие-то определенные
нейроны. Очевидно, под их личиной скрыт хорошо раз-
витый аппарат. Находясь под впечатлением от весьма лю-
бопытного устройства глаза лягушки, он начал прикиды-
вать, нельзя ли применить заложенные здесь принципы
к решению стоявшей перед ним проблемы радиолокацион-
ного экрана. И ему удалось найти решение, о котором
вкратце будет рассказано несколько позже.
Между тем исследования в Массачусетском техноло-
гическом институте продолжались, и в конце концов их
итоги были опубликованы в классической статье, озаг-
лавленной «Что глаз лягушки сообщает ее мозгу». В этой
статье имелся только один недостаток: из всего сказан-
ного в ней почти ничто не совпадало с тем, о чем говори-
106
лось в упомянутой выше публикации. В самом деле, ре-
зультаты работ сводились к следующему:
«Восприятие изображения в глазу лягушки проходит
четыре самостоятельные стадии. Результаты каждой из
них передаются по особой группе нервных волокон, рав-
номерно распределенных по сетчатке, и все они почти не
зависят от общей освещенности. Стадии эти: 1) обнаруже-
ние длительно существующего контраста; 2) обнаруже-
ние выпуклости изображений; 3) обнаружение движу-
щихся контуров и 4) обнаружение общего затемнения».
Далее довольно подробно описывались особенности
этих операций. И трудно было отыскать сходство между
этим описанием и тем, о чем говорилось прежде. Все это
свидетельствует об интересном аспекте исследований,
в которых использовались идеи, порожденные количест-
венным изучением биологических систем. Описания коли-
чественных измерений не обязательно однозначны, и
их интерпретации могут быть очень разными. Так что к
любому категорическому утверждению о том, как функцио-
нирует биологическая система, следует относиться с ос-
торожностью. Недаром же говорят, что кое-кто из физио-
логов не признает результатов количественных измере-
ний, проводившихся в Массачусетском технологическом
институте на лягушках, только потому, что сами они не
сумели воспроизвести эти результаты на своих лягушках!
Но мы еще не сказали о том, как работают четыре типа
клеток, о которых говорили сотрудники МТИ. Постараемся
объяснить функции лишь одного из них, обнаружителя
выпуклости изображений, или, как его еще называют,
«жук-детектора» (локатора насекомых).
В своих опытах массачусетские исследователи пере-
двигали объекты различной формы в поле зрения такой
клетки и выяснили, что ее чувствительность связана с ве-
личиной объекта. Как оказалось, ни большой, ни слиш-
ком маленький объект реакции не вызывали, в то время
как на объект средних размеров реакция была! Ученых
поразило сходство размеров этого объекта с размерами
насекомого. Впрочем, предоставим им слово. Перед нами
выдержка из работы, в которой показан ход особенно ув-
лекательного эксперимента.
«В наших руках отличный экспонат — большая
цветная фотография с изображением цветов и травы
(обычного места обитания лягушки), снятая в том же
107
ракурсе, в каком его видит лягушка. Мы можем
передвигать эту фотографию в поле зрения клетки
примерно на 18 сантиметров в разные стороны —
и безрезультатно: реакции не будет. Но если на
входящей в поле зрения части фотографии с по-
мощью магнита поместить объект величиной с муху
и передвигать его, реакция будет превосходной.
Когда же объект закреплен на фотографии при-
мерно на одном и том же месте, но двигается вместе
с ней, реакции снова нет».
Ну, чем не локатор насекомых!
Однако, прежде чем перейти к дальнейшим разъясне-
ниям, необходимо сказать несколько слов об эксперимен-
тальных данных, полученных Д. Хыобелом в Гарвард-
ском университете. Хьюбел занимался исследованием
свойств нейронов в глазу кошки. Пути от глаза к мозгу
у кошек и лягушек различны, и, вероятно, это имеет
большое значение. Но мы сейчас пренебрежем этим об-
стоятельством. Хьюбел проводил свои исследования при-
мерно в той же области, что и массачусетские ученые, но
сумел проникнуть глубже в мозг испытуемого животного.
Как можно судить на основании работ сотрудников Мас-
сачусетского технологического института, реакции клеток
глаза кошки до некоторой степени сходны с реакциями
клеток глаза лягушки. Но уже далее, в коре мозга кошки,
начинается нечто необычное. Дело в том, что корковые
нейроны генерируют сигналы лишь в том случае, если
глазу показывают узкий, длинный предмет. Более того,
этот предмет должен быть расположен под определенным
углом, к тому же двигаться, да еще в определенном на-
правлении! Именно эти особенности и побудили исследо-
вателей провести те эксперименты с персептроном типа глаза
кошки, о которых мы говорили в гл. 5.
Хьюбел сформулировал также и другие свойства ней-
ронов (на них исследователи обращали внимание и раньше,
но не придавали им существенного значения). Он обра-
тил внимание на то, что с точки зрения зависимости
реакции нейронов от интенсивности света их можно опи-
сать следующим образом. Рецептивное поле отдельного
нейрона таково, что реакция в центральной его части
отличается от реакции на периферии. Если бы мы начали
исследовать это поле с помощью маленького светового
пятна, то обнаружили бы, что в центральном участке
108
6
a
oo
лО ООО О
о°о 2
о о
йй-<
ОО
в
Рис. 29. Рецептивные поля различных нейронов глаза
кошки.
а*— центр поля реагирует на включение света (on-центр), а пе-
риферия на выключение (off-периферия); б — off-центр и оп-
периферия; в — более обширные рецептивные поля других
типов.
реакция происходит, когда свет включается (оп-центр),
а на периферии — когда свет выключается (off-перифе-
рия). Существуют и такие нейроны, у которых, наоборот,
центр поля реагирует на включение, а окружающая его
часть — на выключение света. Некоторые ученые об-
ратили внимание на то, что имеются клетки, у которых
рецептивное поле всех нейронов реагирует либо только
на включение, либо только на выключение света.
Разумеется, было бы совсем неплохо, если бы все пере-
численные разновидности удалось связать друг с другом
таким образом, чтобы их можно было приписать одному
и тому же типу живых существ. Попробуем это сделать,
но заранее предупреждаем читателя, что высказываемая
нами точка зрения — всего лишь мнение одного инже-
нера по поводу того, как происходит обработка зритель-
ной информации в нейронах глаза.
109
Вид сверху
Вид едоку
Включен
Сеет
Время
Выключен
Рис. 30. Модель зрительного нейрона.
Отправным пунктом нам послужат описанные Хью-
белом типы рецептивных полей, которые он усматривает
в глазу кошки (рис. 29). Отметим, что каждое из этих
полей изображено, исходя из наличия в нем on- и off-
участков. Рассмотрим, как клетка с такими нолями может
чувствовать направление движения видимого ею объекта.
Взгляните на грубый эскиз единичного нейрона с оп-
периферией и off-центром (рис. 30, а)', заметьте, что он
представляет собой древовидную структуру, причем све-
товые сигналы идут сверху. Предположим, что на свет
реагируют кончики ветвей и что сигналы, принятые всеми
ветвями, собираются в стволе. Зачерненные на рисунке
110
участки ветвистой структуры реагируют на выключение
света, а остальная часть — на включение его.
Поведение такой клетки можно описать с помощью
функциональной модели, изображенной на рис. 30, б.
Входные датчики посылают соответствующие токи на
суммирующий нейрон, который, как это явствует из его
названия, суммирует все приходящие к нему токи. (Буква
«ц>> над одним из датчиков указывает, что это «централь-
ный» элемент.)
Мы говорили о нейроне с off-центром и оп-периферией,
но можно использовать и клетки с оп-центром и off-пе-
риферией или с только он- либо только off-датчиками.
Основываясь на уже упоминавшейся статье о нейронах
лягушки, придадим сигналам, поступающим с датчиков,
следующие характеристики. Датчики, соединенные с цент-
ром, дают сигналы большой величины и малой продолжи-
тельности, а датчики, соединенные с периферией, дают
слабые медленно затухающие сигналы. Таким образом,
возможны четыре основных типа сигналов, показанные
на рис. 30, в.
Читатель, вероятно, обратил внимание на то обстоя-
тельство, что так называемый «центральный» датчик на
рис. 30, а и б на самом деле не находится в центре вет-
вистой структуры. И это не просчет художника; это сде-
лано намеренно. В реальной жизни мы не найдем деревьев,
в которых центральный ствол был бы расположен точно
по центру,— это знает каждый, кому доводилось покупать
новогоднюю елку. Поэтому можно ожидать, что и денд-
ритная структура нейрона смещена относительно центра
тела клетки. Более того, такое смещение центра внутрен-
него участка по отношению к его периферии полезно,
поскольку оно позволяет живому существу больше знать
о том, что происходит кругом, чем можно было бы пред-
полагать. В сущности именно оно обусловливает и реак-
цию клетки на движущиеся объекты таким образом, что
характер этой реакции связан с направлением движения.
Прежде чем объяснить, почему это происходит, рас-
смотрим простой набор датчиков, расположенных по
прямой линии (рис. 31, а). Что произойдет, если мы будем
передвигать световое пятно вдоль этого ряда с постоянной
скоростью? Каким будет выходной сигнал нейрона?
Это зависит от того, насколько быстро и в каком на-
правлении будет перемещаться пятно. Если оно движется
111
Рис.31. В результате смещения центра максима-
льный сигнал имеет большую величину при дви-
жении в одном направлении, чем в другом.
слева направо очень-очень медленно, сигнал от каждого
датчика может затухнуть раньше, чем пятно дойдет до
его соседа. Если же пятно движется быстро, то сигнал
от первого датчика еще будет поступать в нейрон, а вто-
рой датчик уже пошлет свой сигнал. Другими словами,
в этом случае сигналы будут частично перекрывать друг
друга и накапливаться в теле клетки, где они образуют
суммарный сигнал с возрастающей амплитудой (рис. 31, б).
Следует обратить внимание на две особенности: 1) наи-
больший сигнал принимается в том случае, когда свето-
вое пятно пересекает центральный элемент; 2) как только
световое пятно минует датчики, выходной сигнал ней-
рона начинает уменьшаться до нуля.
Сильный сигнал с центрального элемента в нашем слу-
чае отмечается в тот момент, когда суммарный сигнал
112
только начинает возрастать. Но если мы будем переме-
щать световое пятно в противоположном направлении,
центральный сигнал появится позже. Следовательно, при
движении светового пятна в одном направлении общий
максимальный сигнал1 будет сильнее, а при движении
в другом — слабее. Именно на этом принципе основана
способность клетки распознавать направление движения.
Так, если перед нами две клетки и у одной из них цент-
ральный датчик смещен влево от центра, а у второй —
вправо, мы можем сравнить их выходные сигналы. Зная,
какая из клеток дала больший выходной сигнал, мы без
труда определим, в каком направлении двигалось пятно.
(Заметим, что, будь центральный датчик расположен строго
по центру среди других датчиков, максимальный выход-
ной сигнал был бы одним и тем же при движении пятна
в обоих направлениях.)
Общая амплитуда, которую обеспечивают датчики
слабых сигналов, зависит, как уже отмечалось, от ско-
рости движущегося светового пятна (рис. 31, г), поэтому
клетка может выдавать сигнал, величина которого свя-
зана с этой скоростью.
Итак, расположив датчики в порядке, подсказанном
нам перечисленными (на стр. 106) свойствами 1, 2 и 4 глаза
лягушки, мы в принципе продемонстрировали возмож-
ность нейронов обеспечивать выходной сигнал, связан-
ный с направлением движения (как отмечено свойством 3).
Чувствительность к скорости движения достигается пу-
тем, сходным с тем, который используется в глазу кошки.
И хотя мы не собираемся в этой книге рассматривать
математические методы решения проблемы, запомните,
что все, о чем здесь говорилось, можно доказать с по-
мощью математического анализа. Для подтверждения же
ожидаемых результатов поведения нейрона были пост-
роены конкретные его модели.
Но каким образом модель нейрона глаза лягушки од-
новременно обеспечивает выполнение того, что описано
в публикации массачусетских исследователей, и того, что
делает «жук-детектор», о котором мы уже говорили?
Оказывается, совместить функции «жук-детектора» с чувст-
вительностью к скорости и направлению движения вполне
1 То есть сумма сигнала центрального датчика и суммарного сиг-
нала остальных датчиков.— Прим, ред.
ИЗ
t-XJ

•?——If.
~y~ Ц
•LXJ »•
Ш lc
UtU ir
Включен
Выключен
Свет
Рис. 32. Электрическая модель нейрона с оп-центром и
off-периферией.
возможно. А чтобы понять, как это достигается, остано-
вимся на одной из моделей нейрона.
Перед нами схема модели, исследовавшейся в Лабо-
ратории морской артиллерии (рис. 32). Рассмотрим, что
в ней происходит, не вдаваясь в подробности, почему это
происходит именно так.
Квадратиками слева (рис. 32, а) обозначены устрой-
ства, преобразующие свет в электрическое напряжение.
Если свет попадает на одно из этих устройств, по направ-
лению к телу клетки начинает протекать ток. Этот ток
течет лишь на протяжении коротких интервалов времени
после включения и после выключения источника света.
На рисунке показаны как возбуждающие (светлые квад-
раты), так и тормозные (черные квадраты) датчики.
Амплитуды и продолжительность упомянутых кратковре-
менных токов будут зависеть от того, какой датчик (воз-
буждающий или тормозной) был освещен. Объясняется
это тем, что в цепях, связывающих датчики того и дру-
гого типа с телом клетки, включены детали с различными
параметрами. Формы токов, притекающих к телу клетки
от датчиков того и другого типов, показаны на рис. 32, б.
Схема тела клетки работает так. Сначала она меняет
полярность тормозных токов на противоположную
(рис. 32, в); затем суммирует все токи от обоих типов дат-
чиков и, наконец, отсекает отрицательные составляющие
результирующего сигнала (рис. 32, г). Таким образом,
при освещении одного датчика сигнал на выходе схемы
будет зависеть от того, каким был этот датчик — возбуж-
дающим или тормозным (рис. 32, г).
Если вдоль ряда датчиков движется узкий пучок света,
то на выходе будет иметь место ранее описанное явление
зависимости величины сигнала от скорости и направления
движения (см. рис. 31).
Эта же модель нейрона может вести себя и как «жук-
детектор». У. ван Бергейк и Л. Хармон предложили
возможный механизм работы нейрона глаза настоящей
лягушки; наша модель (рис. 32) будет функционировать
таким же образом. При освещении полосы датчиков вы-
ходной сигнал нейрона будет зависеть от величины ос-
вещенного участка. Если освещена вся полоса, выход-
ного сигнала не будет. Если освещен один датчик, на
выходе будет небольшой сигнал. Но самый сильный сиг-
нал образуется в том случае, когда световое пятно имеет
115
Свет Г^1
Off- 1Z_>	МЧ*54<---20----
датчик *	ря$ датчиков
on-	Q
датчик J —и—у---------	u
Размер Выходной
светового сигнал
пятна
зо	о	В
25	5
15	15
5	25
3	15
1	5
Рис. 33. Механизм «жук-детекции» образуется в
результате взаимодействия он- и off-участков в ре-
цептивном поле.
величину, среднюю между этими двумя крайностями.
Подобно «жук-детектору» в глазу лягушки, наш нейрон
сильнее всего реагирует на объект определенной вели-
чины.
Проиллюстрируем нашу мысль с помощью рис. 33.
Примем для начала, что всего имеется 30 датчиков и в ре-
зультате их реакции на свет появляются сигналы с ам-
плитудами, соответствующими показанным на рисунке.
Теперь предположим, что мы включаем свет, который
освещает всю полосу. Каждый из тормозных датчиков
пошлет к телу клетки свой ток, причем пиковая ампли-
туда каждого тока составит 1 единицу. Пиковую ампли-
туду каждого из возбуждающих токов положим равной
5 единицам. Поскольку тело клетки изменит знак тор-
мозных сигналов, а затем просуммирует их с возбуждаю-
щими сигналами, итоговый выходной сигнал ячейки бу-
дет равен: 25—25=0. Но если освещается 25 датчиков
(куда входят и все возбуждающие), доля участия тормоз-
ных датчиков будет меньше, и итоговый выходной сигнал
теперь будет равен: 25—20=5 единиц.
116
Возможны различные комбинации размеров светового
пятна, его расположения и итогового выходного сиг-
нала модели (рис. 33, б). Заметим, что в тех случаях,
когда тормозных сигналов больше, чем возбуждающих,
выходной сигнал модели все равно будет равен нулю, но
не станет отрицательным, так как модель отсекает сиг-
налы отрицательной полярности.
Особенно важно отметить, что с уменьшением размеров
светового пятна выходной сигнал нейрона возрастает,
пока не достигнет своего максимального значения (при
этом ширина его соответствует пяти датчикам). По мере
дальнейшего уменьшения пятна сигнал уменьшается до
нуля. Следовательно, подобно «жук-детектору» в глазу
лягушки, этот нейрон дает выходной сигнал наибольшей
величины при конкретных размерах светового пятна.
А теперь посмотрим, как можно применить все эти
принципы к решению практической задачи. На рис. 34
изображен индикатор радиолокационной станции, в ко-
тором применена так называемая развертка типа Б.
Нечто вроде этого вы можете увидеть на экранах некото-
рых радиолокаторов. Три черные точки соответствуют
световым отметкам от самолетов. По расположению отме-
ток на экране оператор станции судит о том, где нахо-
дятся самолеты. Чем они дальше, тем выше на экране
отметки, и чем ближе, тем эти отметки ниже. Расположе-
ние отметок на экране слева направо соответствует ази-
муту самолетов по отношению к месту нахождения радио-
локатора.
Значит, если судить по рис. 34, самолет 2 находится
дальше, а самолет 3 — ближе. Если самолет 2 находится,
скажем, к северу от радиолокатора, то самолет 3 при-
мерно на востоке, а самолет 1 — на западе.
Стрелки около каждой цели (самолета) на реальном
экране отсутствуют и нарисованы здесь лишь для того,
чтобы показать, что световые отметки перемещаются по
экрану в соответствии с движением самолетов. Различная
длина стрелок соответствует различным скоростям, а их
направления указывают направления движения самоле-
тов. Следовательно, самолеты 1 и 3 движутся к радиоло-
катору, а самолет 2 — от него.
Задача оператора состоит в следующем. Допустим, что
радиолокатор находится на базе управляемых зенитных
ракет, защищающих некий город, и что все самолеты
117
опознаны как вражеские. Оператор должен непрерывно
следить за изображением на экране и оценивать, какая
из целей первой достигнет города. Это позволит распре-
делять очередность залпов зенитных ракет по целям.
Из рис. 34 видно, что ближе всего идут цели 1 и 3.
Но несмотря на то что цель 3 — самая ближняя, цель 1
перемещается быстрее и, вероятнее всего, придет первой.
Поэтому оператор наверняка решит, что наибольшую уг-
розу представляет цель 7, и посоветует операторам зе-
нитных ракет сосредоточиться именно на ней.
Теперь предположим, что нам хотелось бы заменить
оператора машиной. Выполнимо ли это?
Оказывается, выполнимо, если должным образом ис-
пользовать цифровую вычислительную машину. Можно
запрограммировать машину так, чтобы она справилась
с этой задачей — во всяком случае, в принципе. Однако
практическое осуществление представляет некоторые труд-
ности. Мы, к примеру, рассматривали только три само-
лета, а на деле их может быть гораздо больше. Если их
будет слишком много, вычислительная машина может
и не уследить за тем, что происходит. К тому же на реаль-
ном радиолокационном экране не исключены добавочные
световые отметки, которые отнюдь не обусловлены дви-
жущимися целями. Специалисты называют их «ложными
отметками». Такие отметки затрудняют работу вычисли-
тельной машины, которая вынуждена считать их истин-
ными целями до тех пор, пока путем вычислений не до-
кажет обратного. Не удивительно, что ложные отметки
значительно увеличивают рабочую нагрузку машины,
загоняя ее «до седьмого пота»!
В тех системах, где истолковывать картину на экране
радиолокатора приходится человеку, все гораздо проще —
оператор быстро распознает, где истинные цели, а где
ложные отметки. Кроме того, он имеет возможность ре-
шать, какая из целей имеет тенденцию первой прибли-
зиться на минимальное расстояние. Таким образом, че-
ловек принимает решение, а затем передает в ведение
вычислительной машины только одну критическую цель.
С ней-то машина справится и проведет вычисления, не-
обходимые для наведения зенитной ракеты.
Из всего сказанного следует,что если подобной системе
и предстоит обойтись без человека, то цифровую вычисли-
тельную машину вряд ли можно считать лучшим канди-
118
Макс.
Дальность
Мин.
Рис. 35. Если все центры смеще-
ны в направлении минимальной
дальности, наибольшие выходные
сигналы будут соответствовать
самолетам, движущимся в на-
правлении на радиолокатор.
Дзимут
Рис. 34. На экране радиолокацион-
ного индикатора с разверткой типа Б,
похожем на экран телевизора, свето-
вые отметки соответствуют самолетам.
Дальность связана с положением по верти-
кали} а азимут зависит от положения по
горизонтали на экране.
датом на его замену. Для этого случая требуется совсем
иной тип машины — очевидно, способной решать проб-
лему такими же путями, что и человек. Нам нужна ма-
шина, сочетающая искусственную нервную систему с ис-
кусственным зрением. И оказывается, что глаз лягушки,
по-видимому, способен справиться с такой задачей.
Предположим, что мы передали картину с экрана ра-
диолокатора на полосу нейронов (см. рис. 30, б). Вспом-
ним, что центральные датчики реагируют на включение
сигнала, а периферийные — на выключение, и допустим,
что центральные участки у всех нейронов смещены от
центра в одном и том же направлении (рис. 35). Заметим,
что ветвистые структуры этих нейронов частично пере-
крывают друг друга, и примем, что нейроны расположены
достаточно тесно — следовательно, световое пятно всегда
будет попадать на один из центральных участков. Что же
произойдет, если распределение световых отметок на
экране радиолокатора, показанное на рис. 34, сфокуси-
ровать на нашу полосу (рис. 35)? У какого нейрона будет
наибольший выходной сигнал?
Если читатель усвоил объяснения, которые относились
к рис, 31, он поймет, что все нейроны, на которые по-
И9
падают световые отметки, выдадут сигналы со своих цент-
ральных датчиков. Но из всех этих нейронов наибольший
сигнал с остальных датчиков будет у нейрона, соответст-
вующего расположению цели 1 (на рис. 34). Так полу-
чается не только потому, что эта цель движется быстрее
всех; она к тому же возбудит большее число датчиков
в ветвистой структуре, ибо направление ее движения
почти совпадает с направлением на центральный элемент.
Поэтому, если бы мы проверили выходные сигналы от
всех нейронов нашей решетки и отобрали нейрон с наи-
большим сигналом, этим нейроном оказался бы нейрон, со-
ответствующий цели 7. И это почти все, что требуется
для приближения к функциям радиолокационного опера-
тора.
Предположим, что цель 2 движется в том же направ-
лении и с той же скоростью, что и цель 1. Тогда оба соот-
ветствующих этим целям нейрона в решетке будут
выдавать выходные сигналы одинакового уровня. Следова-
тельно, машина — а она, как известно, отбирает макси-
мальный выходной сигнал — будет считать, что, по-види-
мому, обе цели придут в один и тот же момент. Но по-
скольку цель 2 находится дальше, она на самом деле
придет позже. Поэтому решетку из ячеек (рис. 35) необхо-
димо построить таким образом, чтобы ячейки, соответствую-
щие ближним расстояниям, выдавали сигналы большей
величины, чем те, которые отвечают более дальним дис-
танциям. Тогда, если решетка будет составлена из ячеек,
у которых выходной сигнал из центрального участка бу-
дет тем меньше, чем выше она расположена в решетке
(чем дальше цель), дальность цели также будет учтена.
При должном построении нейрон с самым большим
выходным сигналом будет соответствовать той цели, ко-
торая с наибольшей вероятностью придет первой. Лож-
ные отметки не составляют особой проблемы, если они
возникают на экране по случайному закону.
Конкретные исследования в этом направлении прово-
дились на вычислительной машине, сконструированной
в Лаборатории прикладной физики Университета Джона
Гопкинса для моделирования глаза лягушки. В машине
использовалось специальное телевизионное оборудование,
причем светочувствительные слои телевизионных трубок
соответствовали нейронам глаза лягушки. Все выбранные
принципы оказались справедливыми.
120
Особый интерес представляло испытание устройства
при наличии ложных отметок. Отметка цели подавалась
на смоделированный экран радиолокатора одновременно
с множеством ложных отметок. Человеку, смотрящему
на экран, казалось, что экран заполнен массой мерцаю-
щих световых пятен. Лишь понаблюдав за экраном не-
которое время, он мог различить, которое же из пятен
является отметкой цели. Затем эту же картину, но вос-
принятую моделью глаза лягушки, вывели на телеви-
зионный монитор. Сначала глаз лягушки тоже не был
в состоянии распознать, какое из световых пятен соот-
ветствует цели. Но вскоре он, подобно глазу человека,
тоже начал «различать» цель. Первое время телемонитор
показывал и цель и ложные отметки, но вскоре ложные
отметки потухали и оставалась лишь отметка цели. Та-
ким образом цель была идентифицирована.
На основании сказанного можно было утверждать, чтр
в принципе такой тип вычислительной машины мог бы
заменить оператора радиолокационной станции. Увы!
Вряд ли это произойдет в скором времени. Дело в том,
что аппаратура, используемая в модели глаза лягушки,
неизмеримо дальше от практического использования,
нежели цифровая вычислительная машина. Вот когда
мы научимся создавать искусственные нервные системы,
эта концепция найдет свое воплощение. А пока в решении
этой проблемы ничто не может сравниться с вычислитель-
ной машиной, этим булевым «крысоловом» х. Говоря о ма-
шине для интерпретации картин, видимых на экране
радиолокатора, мы стремились показать, что исследования
в области создания искусственных нервных сетей имеют
несомненную практическую ценность. И хотя в этой книге
мы лишены возможности вдаваться в подробности, необ-
ходимо отметить, что действие чувствительных к линей-
ным объектам нейронов, обнаруженных в мозгу кошки,
также можно объяснить с позиций только что рассмот-
ренных механизмов. К сожалению, такой «бионический»
подход вряд ли осуществим в ближайшее время, поэтому
ограничимся анализом достижений человеческого разума,
создающего практические схемы искусственного зрения.
1 Имеется в виду старинная легенда о крысолове из Гаммельна,
который своей игрой на волшебной дудочке вывел из города всех
крыс. Легенда положена в основу поэмы Броунинга «Гаммельнский
крысолов».— Прим. ред.
121
Попробуем детальнее разобраться в некоторых уст-
ройствах, которым независимо от подсказок Природы
стало доступно распознавание печатных и рукописных
букв и цифр. Ведь часть из них уже сегодня в состоянии
«читать» банковские чеки, кредитные карточки на бензин
и промыпыенные товары, а также кассовые чеки.
Каким же образом они это делают?
Один из самых простых способов — так называемый
процесс сравнения с трафаретом. Предположим, что на
листе белой бумаги отпечатана буква Е. Чтобы распознать
ее, мы должны построить машину, в которой имеется на-
бор трафаретов — по одному на каждую букву алфавита.
Машина же отбирает каждый из трафаретов и наклады-
вает его на подлежащую распознаванию букву. Всякий
раз, когда на букву накладывается очередной трафарет,
машина проверяет, видна ли под его прорезью только
черная поверхность. Если буква выглядит так, как по-
казано на рис. 36, а, то при наложении на нее трафарета
в виде буквы Е в прорези будет виден лишь черный цвет
(рис. 36, б). Если же приложить сюда, к примеру, тра-
фарет с изображением буквы Т, то в его прорези обнару-
жится несколько белых участков (рис. 36, в). Не правда ли,
все очень просто? И все же этот способ не так уж хорош.
Посмотрите, что произойдет, если на букву -Е наложить
трафарет буквы F (рис. 36, г). Поскольку машина не
увидит белых участков, она может поддаться искушению
и сделать вывод, что смотрит на букву F. Поэтому процесс
следует улучшить.
С этой целью необходимо заставить машину вырабаты-
вать второй вариант входной буквы, который должен
быть негативным изображением первого. Тогда, если ис-
ходная распознаваемая буква была черной на белом фоне,
машина выдаст белую букву на черном фоне. Затем обе
эти буквы сравниваются с парой трафаретов, которые
машина держит про запас для каждой буквы алфавита.
Расположим входную букву справа (рис. 37,а), а ее
искусственный аналог, созданный в машине,— слева.
Что произойдет, если на каждую из этих букв наложить
изображенные прямо под ними трафареты (рис. 37, б и в)?
Если на букву Е посмотреть через трафарет буквы Е,
белых участков не видно. Но когда буква Е рассматри-
вается через трафарет буквы F, в левой части картинки
появится белый участок (рис. 37, г)., Аналогично, если на
122
Е
8
г
Рис. 36. Распознавание путем сравнения с трафаретом.
а — все буквы имеют непрозрачные трафареты; б — при нало-
жении трафарета на соответствующую букву светлых участков
не видно; в — неправильное наложение отмечается наличием
светлых участков (А); г — возможно и ложное распознавание.
букву F посмотреть через трафарет буквы Е, то на правом
трафарете (рис. 37, д) заметен белый участок.
Следовательно, в машине такого типа нужный трафа-
рет находят в том случае, когда испытания с обоими тра-
фаретами показывают отсутствие белых участков. Подоб-
ная машина была построена в отделе оборонной электро-
ники фирмы РКА; она выполняет только что описанные
процессы сравнения трафаретов электронным способом.
Попытаемся объяснить принцип ее работы, не слишком
углубляясь в электронику. Покажем прежде всего, как
работает сканирующая трубка.
Эта трубка весьма похожа на ту, что используется
в вашем телевизоре. В ее горловине расположена элект-
123
ронная пушка, испускающая поток электронов по направ-
лению к передней стенке трубки. Такую картину можно
уподобить струе воды, направленной из шланга в стену, за
исключением того, что нацеливание электронного пучка
происходит за счет напряжения, прикладываемого к встро-
енным в трубку отклоняющим пластинам. (В некоторых
трубках отклонение осуществляется с помощью магнит-
ных полей — в отклоняющие катушки трубки посылаются
соответствующие токи.) Можно заставить пучок дви-
гаться либо слева направо по экрану трубки, либо сверху
вниз.
В том месте, где пучок попадает на экран трубки,
излучается свет. Следовательно, если смотреть на экран
в то время, когда луч медленно движется слева направо,
можно увидеть, как по экрану перемещается яркое пятно.
Если же луч движется достаточно быстро, то вследствие
инерции зрительного восприятия эта движущаяся точка
покажется нам неподвижной линией.
Теперь предположим, что сканирующая трубка поме-
щена в темный ящик вместе с листом бумаги, на котором
изображен черный прямоугольник (рис. 38, а). С помощью
системы линз сфокусируем на этом листе изображение
экрана трубки. В результате световое пятно будет дви-
гаться по листу, повторяя движение пятна на экране.
Ясно, что в точке падения светового пятна на бумагу
происходит какое-то отражение света. Если теперь поста-
вить фотоэлектрический датчик, который улавливал бы
весь отраженный от бумаги свет, окажется, что интенсив-
ность отраженного света при движении светового пятна
изменится, как только пятно попадет на черные участки
(рис. 38, б).
Движение (сканирование) луча в этом случае проис-
ходит по пяти строкам, расположенным на листе через
равные промежутки (рис. 38, б). Луч начинает двигаться
из верхней точки слева, с умеренной скоростью идет на-
право и затем, когда достигнут правый край, вновь быстро
перескакивает к левому краю, но уже ниже. После этого
он опять с небольшой скоростью проходит направо и, дойдя
до края, перелетает налево и вниз, чтобы начать третью
строку. До сих пор интенсивность света, отраженного от
бумаги и уловленного датчиком, не менялась. Но часть
пути по третьей строке свет падает на зачерненную об-
ласть, от которой отражается меньше света, и здесь вы-
124

Входные
изображения
Е
а
Трафареты
буквы В
Трафареты
буквы F
6
Рис. 37. Создавая негативное изображение входной
буквы и применяя пары трафаретов, можно избежать
неправильной идентификации.
ходной сигнал датчика на время резко падает, пока све-
товое пятно вновь не достигнет белой бумаги. Поскольку
при движении по четвертой строке световое пятно снова
пересечет темный участок, выходной сигнал опять умень-
шится на этот период. Когда свет дойдет до нижнего пра-
вого угла листа, он перескочит в верхний левый угол —
и все начнется сначала.
125
Светочувствительный
элемент
Электрический
выходной
сигнал
Источник сканирующего
светового пятна
Время сканирования пяти строк
Выходной
сигнал
Время
Выходной
сигнал
1—гъиг
|—/—«4—Я—*4—з—»4—4—*4—5—*4— 1—*4
Номер сканируемой строки
г
Рис. 38. Многие распознающие машины сначала преобразуют изо-
бражение в последовательность электрических сигналов.
В результате такой развертки и процесса регистрации
света выходные сигналы датчика представляют собой
электрический вариант того, что изображено на листе
бумаги. Полностью все сигналы показаны на рис. 38, а.
Если бы в нашем распоряжении была еще одна элект-
роннолучевая трубка, движение луча в которой во вре-
мени и пространстве совпадало бы с движением луча пер-
вой трубки, то на ее экране можно было бы восстановить
изображение, пользуясь получаемыми с выхода датчика
сигналами как средством изменения интенсивности элект-
ронного пучка во второй трубке. Если сильный сигнал
соответствует большой яркости, а слабый — низкой, то
картина будет выглядеть так, как показано на рис. 39, а.
Изменив полярность этих сигналов до того, как они будут
приложены ко второй трубке, мы получим негативный
вариант входного изображения (рис. 39, б).
Итак, уяснив принцип действия электроннолучевой
трубки и метод получения негативного варианта изобра-
жения, мы можем перейти к полному описанию читающей
машины фирмы РКА (рис. 40),. Сканирующая система
126
Рис. 39. Изображение можно образовать, подавая соответствующие
сигналы на электроннолучевую трубку (а); если сначала изменить
полярность электрических сигналов, можно получить негативное
изображение (б).
улавливает входное изображение и преобразует его в два
изображения (позитивное и негативное) на экране кине-
скопа. Затем специальная оптическая система проецирует
эти изображения на стандартные трафареты; каждый из
них имеет по паре всех букв и цифр, для распознавания
которых предназначена данная система. Если она должна
распознавать двадцать шесть знаков, то оптическая сис-
тема проецирует входное изображение сразу на 26 трафа-
ретов. За трафаретами расположены 26 светочувствитель-
ных приборов (по одному на каждую пару трафаретов).
Тот датчик, на который не попадет свет, будет находиться
как раз за трафаретом, соответствующим знаку, изобра-
женному на предъявленном машине листе бумаги. Элект-
ронное устройство узнает, у какого из датчиков нет
входного светового сигнала, и сообщает об этом резуль-
тате, посылая серии единиц и нулей в цифровую вычис-
лительную машину, обслуживающую читающую машину.
Один из вариантов такой машины был рассчитан на то,
чтобы читать две строки шрифта на карточках размером
примерно 8x13 сантиметров. Машина способна прочиты-
вать 6,25 карточки в секунду; па одну букву она тратит
0,1 секунды. Машина умела распознавать шестнадцать
127
знаков, совершая в среднем пять ошибок на каждый мил-
лион прочитанных знаков. Когда ее снабдили трафаретами
русских букв, она столь же успешно справлялась и с рус-
ским алфавитом.
Для получения электрических отображений входных
знаков в этой машине последние обследовались сканирую-
щей трубкой, после чего электрическое отображение снова
преобразовывалось в оптическое, чтобы провести срав-
нение с оптическим трафаретом. Но это обратное преобра-
зование вовсе не обязательно, поскольку для исследования
сигнала, созданного сканером, можно воспользоваться
и электрическим трафаретом. Именно так поступает ма-
шина, разработанная фирмой «Филко».
В ее сканере луч движется по строке распознаваемого
шрифта ступеньками в особой последовательности, пока-
занной на рис. 41, а. Он начинает с нижнего левого угла
строки и перемещается вертикально вверх 22 дискретными
шагами (выборками). Затем луч перескакивает вниз, к ниж-
ней части строки и чуть правее, и снова движется верти-
кально вверх, проходя при этом 22 шага; он перелетает
к нижней части строки, повторяет вертикальную развертку
и продолжает до тех пор, пока не пройдет всю строку.
В каждой выборке датчик, следящий за отраженным
светом и отмечающий его интенсивность, -способен отве-
тить, какой цвет — черный или белый — у бумаги в этой
точке. Затем датчик вырабатывает напряжение, равное
нулю для белых участков и единице для черных. По
мере того как луч проходит всю строку, датчик выраба-
тывает некоторую последовательность нулей и единиц.
Для наглядности рассмотрим упрощенный вариант
развертки (рис. 41, б) и выясним, что происходит, когда
луч движется по строке, содержащей буквы L и Т, кото-
рые были распознаны персептроном (гл. 5). Заметим, что
строка разделена на квадраты, перенумерованные в соот-
ветствии с той последовательностью, в которой луч обхо-
дит каждый из них при проверке на присутствие черного
или белого цвета. В результате проверки образуется после-
довательность сигналов, показанная на рис. 41, в.
Эта последовательность сигналов поступает в электрон-
ное устройство (называемое сдвиговым регистром), кото-
рое работает следующим образом. Оно состоит из ряда
ячеек, именуемых каскадами или разрядами. В каждом
разряде может содержаться либо J, либо 0. Разряд может
128
Рис. 40. Машина фирмы РКА для распознавания букв совершает
в среднем пять ошибок на миллион распознаваемых букв.
Заменив трафареты, можно работать и с другими языками, например с русским.
также переносить (сдвигать) то, что в нем содержится
(1 или 0), на соседний разряд, когда ему приказано это
сделать. В самом начале цикла развертки во всех разря-
дах будут нули. Но всякий раз, когда световое пятно
исследует какой-либо квадрат, в крайний левый разряд
посылается 1 или 0 (в зависимости от того, что находится
в данном квадрате), а всем остальным разрядам отдается
приказ передвинуть хранящуюся в них информацию со-
седям справа. Таким образом, последовательность сиг-
налов, представляющих рассматриваемую букву, про-
ходит слева направо по сдвиговому регистру (табл. 3).
Таблица 3
рядов сдвигается в соседние высшие разряды (слева направо).
Содержимое девятого разряда в процессе сдвига теряется.
Цифры показывают содержимое разрядов регистра для верхней
точки каждой линии сканирования.
5 Заказ № ИЗО
129
Тогда, помня, что регистр имеет всего девять разрядов,
мы можем использовать его для проверки девяти квадра-
тов, на которые разбито входное изображение. Допустим,
что мы проверяем содержимое регистра каждый раз,
когда луч изучает верхний квадрат своей развертки.
То, что предстает нашему взору, составляет содержимое
той сетки квадратов, которая исследовалась последней.
Так, когда луч доходит до квадрата 15, в регистре содер-
жится информация о квадратах с 9 по 15 включительно.
В правом разряде регистра будет 1, соответствующая
тому, что находится в квадрате 9, а в левом — 0, соответст-
вующий квадрату 15.
Мы можем проверять содержимое регистра всякий раз,
когда луч попадает на верхний квадрат развертки (рис. 41).
Вспомним, что последовательность сигналов, хранящаяся
в регистре, есть электрическое изображение того, что на-
печатано на листке бумаги, который находится на входе
машины. Теперь нам надо сравнить это изображение с элект-
ронными трафаретами тех букв, для распознавания кото-
22 выборки на
строку
,,,, Д1), ,1],,,,,,	11Т
/	10	20	50
Рис. 41. В машине фирмы «Филко» для распознавания используется
принцип сравнения с электронными трафаретами.
130
Соединения в каждом ряду резисторов выполнены так, чтобы соответствовать
образу буквы, подлежащей распознаванию. Сравните соединения в рядах,
соответствующих буквам L и Т, с содержимым регистра, показанным в строках
табл. 3 для положений луча 15 и 27.
рых предназначена система. Эти трафареты соединены со
сдвиговым регистром (рис. 42). Отметим, что каждый ряд
представляет собой набор резисторов, соединенных с ин-
дикатором нуля или единицы каждого из разрядов ре-
гистра. Если в данном разряде хранится 0, то «нулевой»
выход этого разряда 1 передаст на каждый из соединенных
с ним резисторов сигнал величиной в одну условную еди-
ницу, а «единичный» выход этого разряда не выдаст ни-
какого сигнала ни на один из соединенных с ним резисто-
ров. Для любого конкретного распределения нулей и еди-
ниц в регистре каждым из суммирующих и пороговых
элементов, находящихся на правом конце каждой линии
резисторов, будет принят итоговый сигнал. Если этот
сигнал превышает заданный порог, буква распознана.
Другими словами, каждая строка резисторной сетки со-
ответствует трафарету одного знака (буквы или цифры),
а регистр служит для того, чтобы передвигать последо-
вательности нулей и единиц, соответствующие входному
изображению, в положение, необходимое для сравнения
с трафаретами.
1 То есть выход индикатора нуля.— Прим. ред.
5*
131
Но не следует забывать, что этот девятиразрядный
регистр применим только для того простейшего порядка
сканирования, который использован в нашем примере.
В одной из машин, созданных фирмой «Филко», каждая
вертикальная линия развертки содержит 22 выборки
вместо наших трех. И по ширине в развертке насчиты-
вается для каждой буквы 12 линий, а не три, как у нас.
В машине «Филко» используется регистр из 264 разрядов.
Кроме того, там применены некоторые ухищрения, кото-
рые мы здесь обсуждать не намерены (речь идет главным
образом о различных электронных0 «хитростях», необходи-
мых для того, чтобы избежать ошибок при распознавании
бледных оттисков букв, а также других «практических»
соображениях, влияющих на способность машины справ-
ляться с распознаванием предъявляемых ей букв и цифр).
Прежде чем закончить обсуждение методов распозна-
вания печатных знаков (в отличие от написанных от
руки), необходимо сказать несколько слов о специальных
типах шрифтов, применяемых для облегчения задач ма-
шинного распознавания. Это поможет нам перейти от
метода сравнения с трафаретами к методу распознавания
штрихов, который особенно важен для распознавания
почерка. Вместо того чтобы говорить об аппаратуре,
предназначенной для поисков этих особенностей, рас-
смотрим-ка лучше сами эти особенности.
Машина, которая распознает цифры, показанные
в табл. 4, выискивает наличие или отсутствие вертикаль-
ных и горизонтальных линий на различных участках той
площади, которую занимает напечатанная цифра. Так,
цифра 6 распознается в том случае, когда машина опре-
деляет, что сверху нет горизонтальной линии, справа
вверху нет короткой вертикальной линии, в середине
и внизу есть горизонтальные линии, справа внизу есть
короткая вертикальная линия и, наконец, слева имеется
длинная вертикальная линия. Для того чтобы машина
могла сделать вывод о том, что она «видела» цифру 6,
каждая из этих особенностей в соответствии с только что
сказанным должна либо присутствовать, либо отсутство-
вать. Отметим, что цифры в рассматриваемом шрифте
несколько искажены — это гарантирует наличие либо
отсутствие указанных характерных черт.
Другая специализированная машина ищет лишь вер-
тикальные линии (рис. 43). Здесь пространство, занимае-
132
Таблица 4
мое цифрой, разбивается на десять прямоугольных участ-
ков и для идентифицирования каждой цифры исполь-
зуются последовательности единиц и нулей.
Другие специальные типы шрифтов (с различной сте-
пенью успеха, зависящей от конкретных конструкций)
использовались в различных машинах. Однако чтение
отпечатанных цифр — сравнительно легкая задача по
сравнению с проблемой распознавания почерка. Пока
еще не существует практически пригодных машин такого
назначения, но уже проводятся кое-какие исследования,
связанные с распознаванием написанных от руки знаков.
Остановимся на одной из интереснейших моделей,
в которой используется цифровая вычислительная ма-
шина. Исследования проводил Л. Д. Эрнест (корпорация
«Майтр»).
Рассматриваемая вычислительная машина работает
вместе со специальной электроннолучевой трубкой, на
которой «пишут» слова, предназначенные для распозна-
вания. Разумеется, «пишут» не в буквальном смысле слова,
133
а просто водят по экрану трубки электронным «пером».
В перо встроен фотодетектор, который «чувствует» свет
от бегущего по экрану трубки луча. Как только свет об-
наруживается, электронное перо посылает в вычислитель-
ную машину сигнал. Основываясь на нем, машина может
определить, где находится «перо», ибо она же и управляет
положением светового пятна на экране трубки. Другими
словами, вычислительная машина перемещает световую
метку по экрану трубки до тех пор, пока не получит сиг-
нала от «пера». После этого она останавливает луч, отме-
чает его направление и сообщает своей «памяти», что это
именно та точка, где в данный момент расположено «перо».
Поиск «пера» выполняется очень быстро, так что по
мере его движения вычислительная машина будет за ним
«следить» и весь путь, пройденный пером, зафиксирует
в своей памяти.
Каждому понятно, что все это происходит так потому,
что машина запрограммирована именно на такие действия.
1 0 0 0 1
0 0 10 0
0 0 10 1
0 0 0 0 1
1 0 0 0 0
00001	00101
01001	00001
10000	01000	00001	01010	01001
00001	01001	00010	10001	00001
Точки
выборки
Траектории
развертки
1 0 0 0 1
Рис. 43. Специальный шрифт.
Используется в некоторых системах, распознающих знаки на
основе наличия (1) или отсутствия (0) вертикальных штрихов в деся-
ти точках выборки, размещенных по площади, которую занимает
знак.
134
a
Рис. 44. Машина, созданная в Линкольновской лабо-
ратории Массачусетского технологического института,
распознает слово а, но путает слово б со словами
«bottle» и «kettle».
Ведь сама по себе электронно-вычислительная машина —
не более как робот, послушно исполняющий приказания.
Итак, вы «пишете» нужное слово на экране трубки
и тем самым вводите информацию в память машины. За-
программированная соответствующим образом машина
считает количество верхних и нижних штрихов (имеются
в виду, к примеру, верхняя часть буквы h или нижние
хвостики буквы g). Она отмечает также их относительное
месторасположение в вашем слове, регистрирует число
горизонтальных штрихов и их положение в слове, после
чего пересчитывает все вертикальные штрихи, при выпол-
нении которых перо движется вниз.
Сопоставив все действия машины, мы убеждаемся, что
некоторые характерные особенности (штрихи) слова отме-
чены. Зарегистрировано и их взаимное расположение
внутри слова. Полученные данные сравниваются с дан-
ными главной картотеки, и все хранящиеся там слова
с такой же комбинацией штрихов выводятся на печатаю-
щее устройство вычислительной машины.
Иногда получают правильный ответ, например когда
искомым словом является слово «feature» (рис. 44), а вре-
менами предоставляется несколько слов на выбор.
Если же исходным словом было «battle», машина заклю-
чает, что это либо «battle», либо «bottle», либо «kettle».
Так или примерно так работают современные вычисли-
тельные машины, предназначенные для распознавания
рукописных знаков. Не исключено, однако, что придет
время, когда машина «взглянет» на неразборчивые кара-
кули и негодующе заметит: «Неужели вы думаете, что
я буду читать эти чертовы закорючки?»
И, право же, ей никогда этого не осилить!
135
ГЛАВА СЕДЬМАЯ
РАСПОЗНАВАНИЕ РЕЧИ И СВЯЗАННЫЕ
С ЭТИМ ПРОБЛЕМЫ
Как мы могли убедиться, в распознавании зрительных
образов достигнуты немалые успехи. Рассмотрим же
гораздо более скромные достижения в распознавании
звуков. Конечной целью работ по распознаванию звуков
является создание машины, которая слышала бы на-
столько хорошо, что в один прекрасный день могла бы
воскликнуть: «Тише, вы! Я не могу сосредоточиться на
вычислениях!»
Возможно, мы слегка преувеличиваем. Но лишь слегка.
В идеале мы хотим получить машину, которая была бы
в состоянии выслушивать устные инструкции оператора
и совершать требуемые действия. Ведь сейчас, работая
с любой из существующих машин, человек вынужден
приноравливаться к ее уровню, применять ее язык. Но
мы бы предпочли, чтобы машина воспринимала наш род-
ной язык,— это и приводит нас к проблеме распознавания
звуков. И хотя успехи в этой области пока еще очень
ограниченны, они тем не менее представляют несомнен-
ный интерес.
Начнем с того, что нам известно о принципе действия
биологических слуховых аппаратов, а затем перейдем
к попыткам соперничества с ними.
Если задуматься над проблемой распознавания зву-
ков, нетрудно заметить, что она имеет общие черты с за-
дачей распознавания зрительных образов, а в сущности —
с задачей распознавания в любой области восприятия,
доступной биологическим системам. В коже, например,
расположены нервные волокна, обеспечивающие обра-
ботку и интерпретацию сигналов, принятых чувствитель-
ными элементами. Вряд ли внутренняя обработка зри-
тельной информации значительно отличается от обработки
звуковой информации. Различие, по-видимому, заклю-
чается лишь в месте входа информации в систему. Здесь
соответствующие элементы воспринимают свойства окру-
жающей среды, в которой живет данное существо.
Очевидно, на внешней границе системы обработки
данных у живого существа имеются компоненты, преоб-
разующие сигналы из внешней среды в форму, пригодную
для обработки в нервной системе, а именно в цепочки
136
Рис. 45. Поперечный разрез уха.
(«цуги») импульсов, частота которых зависит от интенсив-
ности принятых сигналов. Поэтому периферические дат-
чики можно назвать преобразующими элементами. Они
предназначены воспринимать вкус, запах, свет, звук
и давление (прикосновение).
Мы уже видели, как палочки и колбочки глаза пре-
образуют свет в сигналы, удобные для обработки их
в нервной системе. Сигналы от всех палочек и колбочек
объединяются, что и дает нам зрительную картину ок-
ружающей нас среды. Нервная же система выделяет в этой
картине определенные образы. Ее деятельность по су-
ществу есть процесс распознавания образов.
По аналогии мы вправе ожидать, что и любая другая
группа элементов, преобразующих внешние сигналы, соз-
дает «картины» обстановки в своем диапазоне восприятия.
Полученные «картины» окружающего мира затем обра-
батываются в нервной системе, по-видимому, теми же
методами, что и при обработке визуальных изображений.
Чтобы понять, какого рода звуковая картина окру-
жающей среды поступает для последующей обработки
в нашу нервную систему, необходимо прежде всего разоб-
137
раться в строении нашего уха, то есть того элемента, ко-
торый создает эту картину (рис. 45). Звуковые волны,
пройдя через наружный слуховой проход, вызывают коле-
бания мембраны, которая известна под названием бара-
банной перепонки. Цепь соединенных между собой слу-
ховых косточек, расположенных в среднем ухе, передает
эти колебания следующей мембране, которая в свою
очередь передает их на структуры внутреннего уха. Во
внутреннем ухе расположены структуры, имеющие от-
ношение к двум различным функциям организма: вос-
приятию звука и обеспечению равновесия. Равновесие
контролируется с помощью нервных волокон, располо-
женных внутри трех петлевидных завитков, показанных
на рисунке. Звуковая же картина воспринимается в спи-
ралевидном устройстве, носящем название улитки.
Улитка представляет собой длинный канал, продольно
разделенный на три камеры. Нервные волокна входят
в меньшую треугольную камеру через отверстие в ее
вершине. Из улитки они выходят перпендикулярно
плоскости, в которой завита улитка (на рисунке они об-
разуют пучок, идущий как бы в глубь книги, за улитку).
Две большие камеры улитки наполнены жидкостью.
Звуковые волны, которые через слуховые косточки сред-
него уха попадают на мембрану внутреннего уха, пере-
даются этой жидкостью по всему каналу улитки. Рас-
смотрев изображение поперечного разреза улитки, можно
заметить, что у одного из этих наполненных жидкостью
каналов имеется наружная стенка, называемая основной
мембраной (рис. 46). Внутри треугольной камеры имеется
еще одно образование — покровная мембрана, которая
по существу как бы подвешена в пространстве. От нерв-
ных клеток, расположенных в толще основной мембраны,
тянутся тонкие волоски по направлению к покровной
мембране.
Когда звук достигает уха, обусловленные им колеба-
ния давления, распространяющиеся по наполненным
жидкостью камерам улитки, вызывают колебания основ-
ной мембраны. В свою очередь эти колебания заставляют
перемещаться волоски, изменяя степень их контакта
с покровной мембраной. В результате этого волоски будут
сгибаться, что возбудит в их клетках электрические сиг-
налы; затем эти сигналы поступят на другие нейроны,
которые передадут их в мозг. Именно так (представлено
138
в очень упрощенном виде) звуки из окружающего прост-
ранства вызывают сигналы в нервной системе.
Но этим дело не ограничивается.
Улитка также создает звуковую «картину» окружающей
среды. Дело в том, что волосковые клетки расположены
вдоль всего канала. Но в разных его местах колебания
основной мембраны имеют различную интенсивность,
поэтому тот или иной звук, попадая в ухо, возбуждает
лишь те или иные волосковые клетки. Нервная система
получает сведения о том, какие именно волоски возбуж-
даются, и, очевидно, использует это для распознавания
звука.
Попробуем пояснить нашу мысль.
Допустим, что улитка распрямлена (рис. 47). Толщина
основной мембраны меняется по всему каналу улитки не
одинаково. Это значит, что механические свойства мем-
браны, обусловливающие характер ее колебаний, в раз-
личных точках канала также неодинаковы. Вследствие
этого место, где амплитуда колебаний мембраны достигает
наибольшей величины, будет зависеть от частоты прихо-
дящего сигнала. Дсведись нам прослушать высокока-
139
Выходы
нервов
Л .., .	111 ..........................
Рис. 47. «Распрямленная» улитка.
«Распрямив» ее таким образом, легко представить себе длинное и уз-
кое «отображение» приходящего звука, изменения амплитуды колебаний
которого можно уподобить изменениям интенсивности света, отражен-
ного от какой-либо картины.
чественную звукозапись, на которой запечатлены отдель-
ные частоты, мы бы обнаружили, что высокие частоты
вызывают максимальные колебания на одном конце
улитки, а низкие — на другом. Иными словами, улитка
преобразует доходящие до нее звуки в «картину», отоб-
ражающую примерный спектр частот этих звуков. В лю-
бой момент времени эта картина будет соответствовать
пикам и впадинам интенсивностей звука, показанных на
рис. 48 длинными тонкими линиями. Их величины и рас-
положение непрерывно меняются в зависимости от изме-
нений приходящего звука.
Чтобы понять принцип использования такого рода
картины при распознавании звука, рассмотрим исследо-
вания, связанные с моделированием голоса.
При изменениях
Уровень
выходного
сигнала
Рис. 48. Уровни интенсивности в различных точках улитки изме-
няются особым образом, характерным для каждого принятого
звука.
140
Когда мы говорим, наш рот, язык и голосовые связки
действуют совместно — подобно очень сложному музы-
кальному инструменту. Многие музыкальные инстру-
менты построены по принципу комбинации двух основных
частей: генератора, богатого звуковыми гармониками,
и фильтра, отбирающего некоторые гармоники для пере-
дачи их в окружающее пространство. Примером может
служить кларнет. Язычок кларнета вырабатывает основ-
ной, богатый гармониками тон, в то время как корпус
с отверстиями, которые открываются посредством кла-
панов, действует в качестве резонатора. Последний от-
бирает частоты, дающие звук нужной высоты.
В процессе речи наши голосовые связки генерируют
основной низкий тон, который идет из гортани в рот и в но-
совые ходы. Определенным образом располагая язык
и в нужной степени приоткрывая или закрывая рот,
мы в сущности фильтруем образованный голосовыми
связками звук и позволяем выйти наружу лишь некото-
рым частотам. Звуки, полученные таким путем, называют
звонкими, поскольку они связаны с действием голосо-
вых связок. Но имеются также звуки другого типа, которые,
будучи по своей природе щелевыми согласными, называ-
ются фрикативными. Струя воздуха, посылаемая из гор-
тани, проталкивается через рот, суженный благодаря
соответствующему расположению языка, зубов и
губ.
Примерами звонких звуков служат звуки, которые
образуются при произнесении букв типа «о» или «н»,
а типичные фрикативные звуки образуются при произ-
несении букв «т», «п» и др.
Изучение звуков речи с помощью специальной элект-
ронной аппаратуры показало, что при формировании
звуков, пропускаемых полостью рта, имеются по крайней
мере три основных диапазона частот. На самом деле их
гораздо больше, но интенсивность других относительно
мала. Основные диапазоны частот называются форман-
тами.
Положение и ширина формант изменяются в процессе
произнесения звуков, и именно эти изменения придают
звукам их индивидуальность. Уже проводились опыты
по имитации звуков с помощью машин, рассчитанных на
генерацию частот в этих формантных диапазонах. Если
взглянуть, например, на форманты, требующиеся для
141
Рис. 49. Частоты, используемые в машине, когда она произносит
слово «typical».
произнесения слова «typical», можно заметить, что ампли-
туды их меняются определенным образом (рис. 49).
Каким образом звуки речи воздействуют на ухо? Они
образуют изменяющуюся во времени «картину» вдоль
канала улитки (рис. 50). Расположение участков с макси-
мальными амплитудами колебаний основной мембраны
можно уподобить расположению светлых участков на
визуальной картине, а расположение впадин (участков
с минимальными амплитудами колебаний) — располо-
жению темных участков.
Теперь вернемся к нашему первоначальному вопросу:
как связана возникающая в улитке картина с распозна-
ванием звуков?
Прежде всего оговоримся: ответ будет гипотетическим,
ибо в нашем распоряжении слишком мало информации
о процессах в нервных волокнах, ведущих от уха к мозгу.
Но сведения, которыми мы располагаем относительно
функций нейронов в глазах лягушки и кошки, дают нам
некоторые указания.
Если допустить, что процессы в нейронах уха вряд ли
сильно отличаются от того, что происходит в нейронах
глаза, мы можем рассчитывать найти в ухе возбуждающие
и тормозные нейроны, нейроны, чувствующие движение,
и так далее. А с учетом звуковых картин, образующихся
142
t,
*2
*4
И
X
I
г
*18
Расположение по длине улитки
Рис. 50. «Картины», полученные в 18 последова-
тельных моментов времени, пока машина произно-
сит слово «typical».
Если в это время контролировать улитку, то «картины» бу-
дут выглядеть примерно так, как изображено на рисунке
(высшие частоты — слева).
в канале улитки, мы вправе предположить, что перечис-
ленные типы нейронов могут оказаться чрезвычайно важ-
ными для определения тех характеристик звуковых фор-
мант, которые, по-видимому, играют столь существенную
роль в индивидуализации звуков. Так, например, клетки,
чувствующие движение, были бы весьма полезны для
определения изменяющейся частоты той или иной фор-
манты.
Но, повторяем, все это лишь предположения.
А пока мы с достаточно обоснованной уверенностью
можем говорить лишь о том, что улитка функционирует
так, как описано выше. Конкретных данных для объяс-
нения роли нейронов, воспринимающих сигналы от во-
лосковых клеток, у нас почти нет. Отсутствие такого рода
143
3000
I 2000 -
1000 -
_________I--------1---------1---------
200	400	600
Первая форманта
Рис. 51. «Картина» слова «seven».
Получена путем записи траектории точки$ определяемой
постоянно меняющимися положениями первой и второй
формант.
сведений затрудняет задачу создания машин, которые
действовали бы по образу и подобию биологических си-
стем. Однако это вовсе не означает, что такие машины
не разрабатываются.
Посмотрим, что делается в этом направлении. Начнем
с работ, проводившихся фирмой «Белл» и описанных
в 1952 году. Была сконструирована машина, которая,
как надеялись, сумеет распознавать на слух цифры от
нуля до девяти. Эта машина следила за частотными «коор-
динатами» двух самых низких формант и использовала их
для создания изображения. Само изображение представ-
ляло собой линию, образованную перемещением точки,
«координаты» которой соответствовали частотам этих
формант (рис. 51). При произнесении звука положение
этой точки меняется, так как изменяются формантные
частоты. Поэтому такого рода картина играла роль как бы
визуального образа. Все, что она дает,— это преобразо-
вание исходного звука в зрительный образ. Пока что
мы еще ничего не «распознали».
Чтобы распознать звук, необходимо научиться рас-
познавать эти образы, которые мы вполне можем уподо-
144
бить буквам некоего нового алфавита. А для этого можно
воспользоваться принципами, изложенными в предыду-
щих главах. Так вот, в машине, созданной фирмой «Белл»,
и был по существу применен один из этих принципов —
вариант метода сравнения с трафаретами. В машине хра-
нились образцы «картин», соответствовавших каждому
из упомянутых чисел (то есть от нуля до девяти). Всякий
раз, когда машина улавливала звук, она формировала
его визуальный образ и сравнивала этот образ с карти-
нами, хранившимися в ее памяти, после чего отбирала
наиболее близкое совпадение и выдавала решение.
Хорошо ли справлялась машина со своими функциями?
Она была способна распознавать цифры от нуля до девяти
с точностью от 97 до 99 %, если имела дело с каким-то
одним человеком. При этом условии ее можно было «наст-
роить» так, что она давала хорошие результаты. Но стоило
к машине обратиться любому другому человеку, как точ-
ность ее падала до 50—60%.
Не удивительно, что конструкторы занялись новыми
расчетами. Но они столкнулись с проблемой, на наш
взгляд, задержавшей развитие распознавания речи лет
на двадцать. Мы имеем в виду влияние фонетики. Прежде
чем продолжить наше повествование, скажем несколько
слов о фонемах.
Специалисты, занимающиеся изучением звуков, ко-
торые образуют нашу речь, классифицировали их, разбив
на ряд компонентов, получивших название фонем. Как
утверждают, фонемы представляют собой основные звуки
речи. В каждом языке существует свой набор звуков (хотя,
по-видимому, имеет место некоторое перекрывание). Сог-
ласно одной из теорий, большинство английских слов
можно выразить различными комбинациями из сорока
одной фонемы, каждая из которых обозначена своим
символом (табл.5). Читатель вправе спросить: какое от-
ношение все это имеет к разработке машин для распознава-
ния речи?
Дело в том, что, когда разработчик машины впервые
сталкивается с этой проблемой, он, естественно, исходит
из того, что основными «кирпичиками» речи служат слоги.
Но в английском языке существует около 4000 слогов,
которые ждут своего распознавания. И тут оказывается,
что уместнее не спешить с выводами, а обратиться к фо-
нетистам, которые оперируют всего лишь 38 основными
145
Таблица 5
Набор английских фонем
Фонетический символ	Ключевое слово	Фонетический символ	Ключевое слово
Простые гласные I	fit	Взрывные согласные b	bad
i	feet	d	dive
8	let	g	give
ае	bat	P	pot
Л	but	t	Toy
а	not	k	cat
о	law	Носовые согласные	
и U	book boot	m n	may now
3	bird		"sing
э	Bert	Щелевые согласные	
Сложные гласные е	pain	z 3	zero vision
о	go	V	very
аи	house	0	that
ai	ice	h	hat
□I	boy	f	fat
IU	few	e	thing
Полугласные и плавные согласные j	you	J s Аффрикаты	shed sat
W	we	tj	church
1	late	d3	judge
г	rate		
элементами. Бесспорно, машина, распознающая фонемы,
гораздо экономичнее.
Именно поэтому разработчики сосредоточили свои
усилия на создании машин— распознавателей фонем. Они
обнаружили, что можно создать машины, способные рас-
познавать некоторые фонемы, но только при определен-
ных условиях; единичные фонемы удавалось распознать
только в тех случаях, когда они произносились очень
тщательно, с большими паузами и избранными дикто-
146
рами. Однако, к сожалению, «когда эти элементы объеди-
нялись в связную речь и произносились различными дик-
торами, их акустические образы оказывались на редкость
изменчивыми — как правило, в худшую сторону, по край-
ней мере для машинного распознавания».
Одному из ветеранов — создателей искусственного ра-
зума приписывают следующую оценку проблемы распоз-
навания речи: «Мы должны уяснить себе, справедливо ли
с нашей стороны ожидать от машины столь многого.
Возможно, взаимоотношения человека с машиной сле-
дует строить так, чтобы предъявлять к машине меньше
требований».
Некоторые специалисты сводят эту проблему лишь
к правильной постановке вопросов цифровой вычисли-
тельной машине. В частности, они настаивают на том,
чтобы ответ на вопросы мог быть только однозначным —
ДА или НЕТ,— тогда робот сможет справиться с проб-
лемой. Именно этот принцип был положен в основу работ
Дж. Хемдэла (Мичиганский университет) и Дж. Хьюза
(Университет Пардью). Их вычислительное устройство
было запрограммировано для распознавания десяти глас-
ных звуков и девяти дифтонгов. (Дифтонг — это две сле-
дующие непосредственно друг за другом гласные, на-
пример комбинация oi в слове «oil».) Машина может ре-
гистрировать дифтонги, когда они расположены между
согласными.
С целью проверки своих гипотез Хэмдел и Хьюз при-
думали 227 не имеющих смыслового значения слогов,
которые представляли собой комбинации звуков в следую-
щем порядке: согласный — гласный — согласный. По-
мимо этих слогов, они отобрали еще 50 коротких одно-
сложных общих слов. Все это, а также куски связной
речи записали на магнитную ленту «в условиях обычного
разговора». Запись подавалась на 35 полосовых фильтров,
с тем чтобы получить информацию о звуковом спектре.
Полученные данные наносились на перфокарты и шли
в машину ИБМ 7090.
Используя составленный исследователями вопросник,
рассчитанный на ответы ДА или НЕТ, машина анализи-
ровала эти данные и «высказывала» свое суждение. Так,
например, она отвечала на следующие (и многие другие)
вопросы: что это — звук или тишина? Имеются ли эле-
менты звонких согласных? Преобладают ли высокие час-
147
тоты? ЭВМ идентифицировала звуки с точностью до 92 % —
правда, в тех случаях, когда звуки произносились раз-
дельно. При связной речи результаты были неважные.
Итак, если мы несем бессвязную чушь, вычислитель-
ная машина готова нас выслушать.
Теперь остановимся на другом подходе к решению
проблемы распознавания речи. Поговорим о работах,
осуществленных в Отделе оборонной электроники фирмы
РКА. В своих исследованиях ученые исходили из анато-
мического строения уха, и в модели, приводимой на
рис. 52, даже использовались искусственные нейроны.
По существу исследователи попытались создать аналог
человеческого уха с относящимся к нему участком нерв-
ной системы. С этой целью они использовали все доступ-
ные данные, относящиеся к биологическим характерис-
тикам, присовокупив к ним некоторые собственные
гипотезы. Для моделирования улитки применили 19
фильтров, настроенных таким образом, что они могли
пропускать сигналы с различных участков диапазона
звуковых частот. Сигналы с выходов фильтров в совокуп-
ности давали картину колеблющихся уровней интенсив-
ности (см. рис. 48).
Полученную картину анализировали с помощью схемы,
состоявшей более чем из 500 «нейронов» и рассчитанной
на выявление таких особенностей, как пики (форманты),
Вход —►
Модель улитки
Нейронная схема

Схема распознавания сронем
Выходы
Рис. 52. Модель «искусственного уха», созданная
фирмой РКА, распознает некоторые фонемы с точ-
ностью 80—100%.
148
впадины (антиформанты), переходные участки между
ними, изменения всех этих особенностей во времени и дру-
гие свойства, которые предполагали использовать в даль-
нейшем. После этого исследователи тщательно изучали
различные звуки речи, чтобы определить, какие их осо-
бенности целесообразнее использовать для распознава-
ния. Наконец, были созданы специальные схемы из «ней-
ронов», позволяющие выделять нужные особенности.
В число фонем, которые подвергались распознаванию,
входили две (из трех) носовые согласные, восемь (из де-
вяти) щелевых (фрикативных) согласных и четыре полу-
гласные — наиболее трудные для распознавания (см.
табл. 5). Слова, предназначенные для испытаний, содер-
жали эти фонемы в сочетании с десятью последующими
гласными; читали их шесть мужчин-дикторов. Десять
фонем распознавались с точностью от 90 до 100%, осталь-
ные четыре — с точностью от 80 до 90%.
В результате исследований был сделан важнейший
вывод: форманты или антиформанты не могут служить
основой для распознавания звуков. Оказалось, что очень
трудно осуществить удовлетворительный машинный под-
ход к выявлению пиков и впадин. Зато удалось выяснить
следующее: фонемы можно распознать, выявив, какие
участки спектра сигналов увеличиваются или уменьша-
ются по амплитуде. Но ведь это как раз те особенности,
на которые реагируют возбуждающие и тормозные ячейки!
Правда, нельзя было с уверенностью утверждать, что
нервная система не использует форманты.
Работа, проводившаяся фирмой РКА, как и другие ана-
логичные эксперименты, относилась к распознаванию
отдельных звуков, но, по мнению исследователей, методы
можно распространить и на задачу распознавания дли-
тельной связной речи. Однако обоснованность подобной
гипотезы нуждается в подтверждении.
Итак, выходит, что проблема распознавания речи до
сих пор не решена.
Почему?
Вернемся к диаграмме частот, требующихся для вос-
произведения слова «typical» посредством машины (см.
рис. 49). Отметим, что у всех частот одна и та же ампли-
туда. Так что если бы речь шла о создании машины для
распознавания слов, произносимых машиной же, проб-
лемы практически не существовало бы.
149
Рис. 53. Шесть контурных диаграмм интенсивностей
сигналов для слова «уои».
Верхняя левая и нижняя правая «картины» получены при произ-
несении слова одним и тем же человеком.
А теперь взглянем на шесть контурных диаграмм
(рис. 53), дающих аналогичные сведения (т. е. зависимости
частоты от времени, причем контурные линии здесь изоб-
ражают различные интенсивности). Эти диаграммы были
получены от пяти различных людей, произносивших слово
«уои» (дважды это слово произносил один и тот же че-
ловек). Нетрудно видеть, что рисунки характеризуются
не наличием или отсутствием тех или иных частот (ср.
с рис. 49), а различными уровнями их интенсивностей.
И хотя все дикторы говорили одно и то же слово, раз-
ница бросается в глаза.
Фирма «Белл» намерена использовать эту разницу
как средство для идентификации личности с помощью
«отпечатков голоса», во многом сходной с идентификацией
посредством отпечатков пальцев.
Поэтому не удивительно, что мы еще не имеем машин,
способных распознавать «живую речь». Но пусть те, кто
привык опасаться автоматизации, не успокаиваются —
похоже, что день, когда такие машины будут созданы,
не за горами.
150
ГЛАВА ВОСЬМАЯ
РОБОТЫ — БИБЛИОТЕКАРИ, ИГРОКИ В ШАШКИ
И БЕЙСБОЛЬНЫЕ БОЛЕЛЬЩИКИ
Работы, о которых до сих пор шла речь в этой книге,
укладываются в довольно четкие категории. Но в общем
потоке исследований, относящихся к созданию искусст-
венного разума, встречаются и такие, которые трудно
классифицировать. В этой главе мы остановимся на неко-
торых идеях, хоть в какой-то мере позволяющих судить
о разнообразии работ, проводимых в настоящее время.
Для начала зададим вопрос: как обстоят дела с ро-
ботами?
Очевидно, именно недостаточными успехами в этом
направлении можно объяснить тот факт, что мы во многом
неправильно подходим и к самой проблеме. Достаточно
вспомнить, как ранее представляли себе мыслящую ма-
шину: это нечто, выполненное из тусклого серого металла
и по форме напоминающее человека. У нее только две
руки, две ноги, а, вместо головы — буквально! — набал-
дашник с двумя электрическими лампочками-глазами
и усеченной воронкой-носом. Передвигается существо
медленно, неуклюже, каждый шаг сопровождается скри-
пом, ибо его безумный создатель забыл смазать его ма-
шинным маслом. А когда оно начинает говорить, голос
его звучит вяло и невыразительно. Стоит только взгля-
нуть на это создание — и вы уже знаете, что имеете дело
с «думающей машиной».
Теперь сравним этот образ с тем, что предлагает нам
современная техника.
Экскурсовод укажет вам на стеклянную дверь, веду-
щую в помещение с кондиционированным воздухом. Вы
увидите там с десяток высоких, расположенных в один
ряд шкафов. И еще шесть с застекленными верхушками
и двумя большими дисками (глазами?) в каждом из них.
В помещении имеются и другие металлические устройства.
В дальнем углу находится внушительный кронштейн
с узким выступом, предназначенным выполнять функции
стола. На лицевой панели кронштейна расположены кноп-
ки (их больше, чем клавиш у пишущей машинки) и лам-
почки (их больше, чем на световой рекламе). И вся эта
мрачная декорация оживлена лишь тем, что окрашена
в нежные пастельные тона.
151
Не удивительно, что создатели таких, с позволения
сказать, «машин» не могут добиться от них разумности.
Они даже не могут начать с подходящего оформле-
ния!
Исследователи все же предприняли попытку, которая
в известной мере была направлена в нужную сторону —
по крайней мере в том, что касалось всякого рода изоб-
ретательности. Речь идет о создании автомата, способ-
ного выдерживать влияние окружающей среды, работать
и, быть может, со временем даже учиться. В результате
появилась та алюминиевая «шляпная коробка», которая
раскатывала по коридорам Лаборатории прикладной фи-
зики Университета Джона Гопкинса и о которой мы гово-
рили в самом начале. И хотя эта «коробка» не очень-то
напоминала двухметровый робот с лампами вместо глаз,
зато она явно отличалась от скопища шкафов пастельного
цвета, заключенных в помещении с кондиционированным
воздухом!
Правильно поставить вопросы — значит наполовину
выиграть исследовательскую битву. Движущийся авто-
мат Лаборатории прикладной физики и был предназна-
чен для того, чтобы облегчить постановку соответствую-
щих вопросов. Конечной целью его создателей была ма-
шина, достаточно умная, чтобы исследовать окружающую
среду — губительную для человека, но, быть может,
не опасную для машины. Возможно, например, что для
исследования космоса гораздо уместнее было бы исполь-
зовать машины... будь у нас нужные машины. То же от-
носится к автоматам, которые можно было бы послать
на дно морей для поиска остатков затонувших судов вроде
«Трешера».
Короче говоря, все это — не надуманные, а самые
житейские проблемы, и только когда к ним подходят
вплотную, становится видно, сколь трудно их решить.
Ученые Лаборатории прикладной физики (ЛПФ) по-
ставили перед собой цель: разработать окончательный
вариант машины в несколько этапов. В конечном счете
необходима думающая машина, но сделать ее сразу
невозможно — надо действовать постепенно. Надеялись,
что таким образом удастся выявить необходимые вопросы,
которые в свою очередь помогут выработать общие прин-
ципы, применимые к самым разнообразным машинам,
в том числе и к машинам «грядущих поколений».
152
Ясно, что первая задача такой самостоятельной ма-
шины — «выжить» в условиях окружающей среды. Чтобы
выполнить это, машина должна находить «пищу», «рас-
познавать» ее, «питаться» — и все это не впадая в роко-
вую для себя ошибку (вроде падения с обрыва). Разумеется,
это тривиальные задачи, не связанные с конечным полез-
ным эффектом, который надеются получить от машины.
Но их нельзя игнорировать, если хотят, чтобы машина
была по-настоящему самостоятельной.
Чтобы изучать проблему «выживания», сотрудники
ЛПФ создали машину, способную «жить» в коридорах
лаборатории. Энергия, необходимая для ее работы, шла
из аккумулятора, который можно было перезаряжать.
Таким образом, «пища» поступала в машину из электри-
ческих розеток в стенах лабораторных коридоров.
Будучи «сытой» (аккумуляторы полностью заряжены),
«шляпная коробка» начинала странствовать по помеще-
ниям; когда же встроенный детектор определял, что заряд
батареи упал ниже установленного уровня, машина «ре-
шала», что она голодна. Если уровень был выбран слиш-
ком низким, энергии для поисков розетки могло не хва-
тить и машине оставалось лишь «умереть» голодной смер-
тью, то есть остановиться. Если уровень был установлен
слишком высоким, машина могла потратить все свое вре-
мя на поиски пищи и не имела возможности делать что-то
полезное (при условии, что конструкторы ухитрились
заставить ее выполнять полезную работу). Если же уро-
вень выбирался правильно, у машины было достаточно
времени, чтобы побродить, прежде чем ее детектор начи-
нал чувствовать падение заряда батареи до критической
точки.
Обнаружение недостатка заряда ведет к перебросу
определенных переключателей внутри машины, что поз-
воляет некоторым датчикам влиять на ее поведение. Так,
например, рассматриваемая машина, будучи лишена слуха
и зрения, могла в то же время «нащупывать» свой путь.
Из верхней части коробки параллельно полу выходила
металлическая «рука», на конце которой размещался на-
бор переключателей. При соприкосновении с препятствием
они переключались. Какие из них сработают — зависело
от того, «голодна» машина или нет.
Будучи «голодной», машина двигалась по направлению,
в котором была протянута ее «рука», до тех пор пока
153
«рука» не ударялась о стену. Тогда машина поворачи-
валась и двигалась параллельно стене, причем «рука»
продолжала касаться стены. Когда «рука» встречалась
с открытым дверным проемом (она воспринимала это как
внезапное исчезновение стены), машина некоторое время
продолжала двигаться вперед, пока снова не нащупывала
стену. (У первой модели это свойство отсутствовало —
машина просто огибала стену и въезжала в помещение.)
В коридорах ЛПФ имелись лестницы. Если бы конст-
рукторы не учли этого обстоятельства, машине грозило бы
падение. Однако под машиной имелись датчики, постоянно
касавшиеся пола; стоило одному из них внезапно утра-
тить этот контакт, как внутри машины происходили пере-
ключения, заставлявшие ее резко остановиться, продви-
нуться назад и изменить направление.
Так как, двигаясь, машина ощупывала стену коридора,
она без труда находила розетку по выступу на стене.
Выступ обнаруживали чувствительные переключатели
на «руке», которые и посылали сигналы, заставлявшие
машину остановиться. Как только машина останавли-
валась, «рука» автоматически принимала нужное поло-
жение над розеткой и из нее выдвигались два штыря, ко-
торые вставлялись в розетку. Аккумулятор заряжался;
по окончании процесса питания машина отсоединялась
от розетки.
Зарядившись, машина вновь могла произвольно стран-
ствовать и легко обходить препятствия. Однако, если
теперь ей доводилось наткнуться на штепсельную ро-
зетку, она ее игнорировала, так как не была «голодна»;
процесс питания в данный момент не привлекал машину,
ибо находившиеся внутри нее схемы его уже не стимули-
ровали.
Остановимся на этой машине несколько подробнее.
Это всего лишь слегка усовершенствованный вариант че-
репах Грея Уолтера, описанных в гл. 5. Но хотя воз-
можности машины ограничены, при ее разработке созда-
телям пришлось затратить немало усилий, чтобы добиться
и этих «незначительных» усовершенствований. Каждое
движение машины было заложено в нее конструкторами;
сама машина ничему не училась. Если во время испыта-
ний конструкторы обнаруживали, что машину ставит
в тупик какое-то препятствие, они старались тут же выяс-
нить, как нужно изменить электронную схему, чтобы
154
выйти из тупика. Более того, они вынуждены были встро-
ить в машину телеметрические передатчики, которые
передавали по радио данные о состоянии схем в «мозге»
при встрече с препятствием. В основном при создании
машины пользовались обычной электронной аппаратурой,
мало чем отличающейся от схем в цифровых вычислитель-
ных машинах. Однако исследователи работали и над мо-
делью синтетической нервной системы, которую со вре-
менем предполагалось применить в машине.
Итак, несмотря на то что успехи машины, созданной
в Лаборатории прикладной физики, были не очень ве-
лики, они все же свидетельствовали о напряженной конст-
рукторской работе. Но ясно, что ученым предстоит пройти
очень долгий путь, прежде чем на нашей планете появится
машина, которую можно будет уподобить хотя бы простей-
шему животному. Что же касается создания машины вы-
сотой около двух метров, весящей семьдесят пять килог-
раммов и ведущей себя сложнейшим, свойственным только
человеку образом, то пока можно не волноваться.
Одним из недостатков движущегося автомата ЛПФ
было его предназначение делать то, в чем не было прак-
тической нужды (а именно искать штепсельные розетки).
Но существуют роботы, сконструированные для решения
более важных проблем. Они продаются под такими экзо-
тическими именами, как «Версатран», «Хэндимен», «Флек-
симен» и т. п.— чтобы ни у кого не вызывало сомнения,
что это роботы. Но при взгляде на них вы испытываете
некоторое разочарование, поскольку выглядят они как
обыкновенные машины.
Одно из таких созданий, «Юнимэйт», на чикагском
заводе литья под давлением заменяет четырех человек.
О его деятельности руководители завода говорят так:
«В настоящее время мы используем этого робота для уп-
равления двумя машинами литья под давлением и для
установки отливок на транспортеры. Робот функционирует
20 часов в сутки, выполняя работу, требующую обычно
четырех человек (при двух десятичасовых рабочих сме-
нах). Чистая годовая экономия, за вычетом 7000 долларов
за аренду оборудования, составляет около 15 000 долла-
ров. Эта экономия, в которой учтен лишь непосредствен-
ный труд, достигается без больших начальных затрат
и фактически является чистой прибылью».
Да, такой робот заслуживает уважения!
155
Что же представляет собой «Юнимэйт»?
По существу это управляемая гидравлическими при-
водами «рука», движения которой можно запрограмми-
ровать таким образом, что они будут напоминать работу
плечевых, локтевых и кистевых суставов человека. В ней
заложена также возможность и других движений, обес-
печивающих самые разнообразные хватательные функции.
Согласно проспектам фирмы-производителя «Юнимэйшн
инк.», в число операций, которые может выполнять
«Юнимэйт», входят: автоматическое управление двумя
машинами для литья под давлением и частичная их очистка;
перенос раскаленного стекла с конвейера термической
обработки на движущийся конвейер охлаждения; перенос
деталей с конвейера на штамповочный пресс, управление
этим прессом и снятие с него деталей; закрепление заго-
товок на токарных станках, управление станками и сня-
тие обработанных деталей и ряд сходных с перечислен-
ными- операций.
Как работает «Юнимэйт»?
Прежде всего его устанавливают непосредственно на
рабочем месте, так как ему нужно предметное обучение —
в действии. Затем, нажимая определенные кнопки в раз-
личных точках «руки», инструктор программирует ее
движения. После этого он начинает медленно двигать
«руку» в нужном направлении, прикладывая к ней соот-
ветствующие усилия. Таким образом, «Юнимэйт» застав-
ляют пройти весь цикл движений, который он затем
должен осуществлять самостоятельно.
Допустим, нам нужно, чтобы машина переносила де-
тали с одного места на другое.
Инструктор приводит «руку» в начальное положение,
то есть помещает ее вблизи той детали, которую предстоит
перенести, и нажимает кнопку обучения. Ориентация
«руки» в пространстве постоянно контролируется элект-
ронными датчиками, которые вырабатывают цифровые
коды, соответствующие положению «руки» в каждый дан-
ный момент. Когда нажимается кнопка обучения, коды,
соответствующие положению «руки» в этот момент, вво-
дятся в память «Юнимэйта». Таков первый этап рабочего
цикла.
Затем инструктор перемещает «руку» в такое положе-
ние, что ее «пальцы» (нечто вроде зажима), если их сжать,
могут схватить деталь. Нажимая кнопку обучения, он
156
закладывает в память машины данные о втором этапе
рабочего цикла.
Далее инструктор начинает сближать «пальцы» таким
образом, чтобы они обхватили деталь, и вновь нажимает
кнопку обучения. Запечатлен третий этап рабочего цикла.
Если на пути к тому месту, куда следует доставить
деталь, «рука» должна обойти какое-то препятствие,
инструктор продвигает ее до точки, от которой путь да-
лее уже свободен. Кнопка обучения вводит координаты
этой точки в рабочий цикл как четвертый этап.
Пятый этап — та позиция «руки», в которой деталь
должна быть освобождена, и шестой — само освобож-
дение. По окончании обучения «Юнимэйт» готов к работе.
Движение «руки» робота, когда он выполняет постав-
ленную перед ним задачу, складывается из ряда опера-
ций. В начале каждого этапа датчики, размещенные
в «руке», отмечают ее положение в данный момент. Оно
сравнивается с желаемым положением, записанным в па-
мяти машины, и механизмы, управляющие положением
«руки», заставляют ее двигаться до тех пор, пока «рука»
не достигнет нужной позиции. (Заметим, что «рука» от-
ходит от положения, записанного в памяти машины, не
более чем на 1,3 миллиметра.)
Вот так и проходит «Юнимэйт» весь цикл поэтапно.
В относящейся к нему инструкции сказано: “«Юнимэйт»
лишен зрения и разума. Поэтому любой предмет или че-
ловек, оказавшийся на его пути, получит удар от движу-
щейся «руки». В результате пострадает либо человек,
либо мешающий машине предмет, либо сам «Юнимэйт»”.
В реальных условиях для расширения возможностей
применения робота его можно использовать в совокуп-
ности с другими управляющими устройствами. Он сконст-
руирован таким образом, что может останавливаться на
любом этапе своего цикла, прежде чем начнет выполнять
следующий. Команда на выполнение следующего этапа
дается с дополнительного управляющего устройства.
Например, можно сделать так, что робот будет дожидаться
поступления детали на конвейер. Когда деталь появится,
ее заметит электрический «глаз», который пошлет на
«Юнимэйт» сигнал, вызывающий переход его к следую-
щему этапу, то есть к захвату детали.
Теперь перейдем к рассмотрению другого типа робота,
до такой степени игнорируемого большинством из нас,
157
что его смело можно назвать «невидимым роботом». Вместо
двухметрового металлического чудовища конструкторы
создают, так сказать, новую «породу», возможно, даже
не отдавая себе полностью отчета в том, что творят. На
первый взгляд создаваемые ими модели могут показаться
просто скоплениями обычных вычислительных машин.
Каждое из них, взятое отдельно, можно считать «нера-
зумным», но они редко используются порознь. Напротив,
они объединяются в большие сети, специально рассчи-
танные на то, чтобы взаимодействовать и дополнять друг
друга. В результате образуется сложнейший организм,
который можно уподобить живому существу — в том
отношении, что он воспринимает входные сигналы из ок-
ружающей среды и реагирует на них не всегда предска-
зуемым образом.
В качестве примера сошлемся на один из таких «неви-
димых роботов», который используется в Северо-восточной
энергосистеме США — Канады. Именно во время «эпи-
лептического припадка» этого робота и произошло знаме-
нитое «Великое затемнение» 1965 года.
Норберт Винер как-то высказал опасение, что в один
прекрасный день машины возьмут верх над человеком.
Нам кажется, что при этом он имел в виду как раз нечто
вроде упомянутых «невидимых роботов», но уж, конечно,
не тех лупоглазых уродов, по поводу которых мы все
время твердим, что их нетрудно удержать под контролем,
так как, мол, «всегда можно выдернуть вилку из штеп-
сельной розетки, если они попытаются выйти из пови-
новения».
Конечно, читатель вправе с недоверием отнестись
к идее «невидимых роботов». Чтобы переубедить скепти-
ков, остановимся подробнее на двух вопросах. Прежде
всего рассмотрим одну из попыток усовершенствовать
процесс принятия административных решений — техни-
ческий метод, носящий название промышленной динамики.
Это поможет читателю разобраться в основных особен-
ностях сложной системы на примерах более привычных
для него понятий, чем если бы мы стали разбираться
в живом организме. После этого вернемся к Северо-
восточной энергосистеме и к той катастрофе, которая
произошла вечером 9 ноября 1965 года.
158
Идея промышленной динамики в основном принадле-
жит Дж. Форрестеру, профессору Массачусетского техно-
логического института. По мнению Форрестера, органи-
зация промышленности — это информационная система
с обратной связью. Такие системы (рис. 54) взаимодейст-
вуют с окружающей их средой примерно следующим
образом. Состояние окружающей среды наблюдается сис-
темой, то есть о нем вырабатывается определенная инфор-
мация. Информация затем подается в те пункты системы,
где принимаются решения. Последние в свою очередь
обусловливают действия, направленные на изменение
элементов окружающей среды, которые представляют
интерес для системы. Эти изменения регистрируются сис-
темой и вызывают поток новой информации, что влечет
за собой новые действия, и процесс продолжается. Таким
образом, система постоянно взаимодействует с окружаю-
щей средой.
Подобный подход к организации производства, по-ви-
димому, в полной мере применим и к живым организмам.
Так, например, органы чувств контролируют окружаю-
щую обстановку и определяют присутствие пищи. Ин-
формация о наличии пищи поступает в находящиеся
в мозгу особые центры «выработки решений». Последние
обусловливают действия, побуждающие систему достать
и проглотить пищу, тем самым вызывая изменения ок-
ружающей обстановки. В свою очередь эти изменения
отмечаются органами чувств, которые передают получен-
ную информацию дальше, к центрам «выработки решений»,
и процесс продолжается.
159
Все сказанное относится не только к системе в целом,
но и к различным ее подразделам.
Короче говоря, биологические и социальные (или про-
мышленные, экономические и т. п.) системы можно рас-
сматривать как сложные наборы цепей с обратными свя-
зями, действующих во взаимодействии друг с другом по-
добно единому «живому» организму. Образно выражаясь,
их можно воспринимать как роботов.
(Форрестера ни в коем случае нельзя обвинить в том,
что он рассматривает людей как роботов. Хотя он и пы-
тается уподобить биологические системы информационным
системам с обратной связью, в общем-то он сосредоточи-
вает свое внимание на промышленности, рассматривая
функционирование предприятия как следствие использо-
вания принципов обратной связи на производстве. Нас
же, естественно, волнует проблема «люди или роботы», и
мы вкратце остановимся на этом несколько ниже.)
Форрестер утверждает, что информационные системы
с обратной связью, «будь то механические, биологические
или социальные», обязаны своим поведением трем харак-
теристикам, которые он называет структурой (составные
части и их взаимосвязи), задержками (время, потребное
для сбора информации и передачи ее различным частям
системы) и усилением (отдельные звенья системы реагируют
на информацию гораздо активнее, чем можно было бы
ожидать).
Эти характеристики ответственны за поведение сис-
темы, которая реагирует на изменения окружающей
среды. Если бы их удалось зафиксировать поэтапно, во
всех деталях, можно было бы понять поведение системы
в целом. Но реально существующие системы слишком
сложны, и полностью изучить их нет возможности. По-
этому Форрестер пытался подробно моделировать систему,
чтобы затем проверить поведение модели по мере измене-
ния ее характеристик. Тем самым он стремился хоть
как-то предсказать поведение реальной системы, если
только модель является справедливым к ней приближе-
нием. При этом условии те или иные изменения в поли-
тике, принятии решений и т. д., которые улучшают смо-
делированную систему, можно вводить и в реальную
систему.
Такой подход легче всего проиллюстрировать на
примере системы распределения продукции, в частности,
160
Завод
Заводской
склад
Длительность
транспортировки
Оптовая торговая
сеть
Длительность
принятия
решения
по данному
заказу
2
0,5
0,5
Розничная торгов
Длительность
подготовки
Хранение
на складе
Хранение
на складе
Хранение
на складе
нияз
зов
Длитель-
ность
оформленц
заказов
Заказы от потредителей Доставка товаров
(цисрры произвольные)	потребителям
Рис. 55. Основные составные части системы распределения
продукции.
Длитель-
ность
почтовых
пересылок
Длительность
Длительность
транспортировки
промышленности бытового оборудования (рис. 55). На
рисунке линии с кружочками обозначают прохождение
заказов, а сплошные линии — поток товаров. Большие
кружки изображают задержки; цифры в них указывают
продолжительность задержек в неделях. Так, от запол-
нения покупателем бланка заказа до получения нужного
товара задержка составляет одну неделю, в то время как
заказ магазина на пополнение запаса проданного товара
будет составлен не ранее чем через три недели после
продажи из-за задержек в бухгалтерии и отделе снабже-
ния магазина. Еще дня три будет потеряно на пересылку
заказа из магазина на оптовую базу — ведь заказ идет
по почте. Примерно такая же картина будет наблюдаться
на уровнях оптовой базы и заводского склада готовых из-
6 Заказ № ИЗО
161
делий. Заметим, что на заводе между принятием решения
©б изменении продукции и моментом, когда эта продукция
действительно будет освоена (длительность подготовки
производства), проходит шесть недель.
Но это лишь часть реального процесса. Если учесть,
что не все население страны является потенциальным
потребителем данного продукта, а также иметь в виду
роль рекламы, то организация системы изменится; на
рис. 56 пунктирными линиями отмечен поток информации
двойными — поток людей.
Рпс. 56. Система распределения продукции, учитывающая влияние
рекламы и потребительского рынка.
162
Рис. 57. Некоторые элементы сектора розничной торговли.
Но диаграммы, представленные на рис. 55 и 56, не
отражают еще одного аспекта системы. Если они в какой-то
степени и показывают структуру и задержки, то об уси-
лении ничего не сообщают. Усиление, то есть реакцию
отдельных звеньев системы на информацию, гораздо
труднее зафиксировать из-за сложных связей с механиз-
мами принятия решений. Приглядимся внимательнее
к сектору розничной торговли рассматриваемой системы
(рис. 57). Значками в виде галстука-бабочки отмечены
места регулирования потоков внутри системы. Пяти-
угольник — пункт принятия решений, в котором опре-
деляется скорость поступления наличных товаров к пот-
ребителю и прохождение заказов (от необработанных, опу-
щенных в почтовый ящик до «закрытых», расставленных
в картотеке). Но на этой диаграмме не видно основы для
принятия решений.
На выработку решения влияют два обстоятельства:
сведения об истинном положении дел (например, о на-
личии товара или невыполненных заказах) и сведения
о желаемом ходе процесса (например, о планируемых то-
варах или же о желательном уровне резервов). Разумеется,
истинная картина намного сложнее, чем то, о чем мы
здесь говорим, но мы не имеем возможности подробно
ее рассматривать. Однако, чтобы дать читателю хотя бы
частичное представление об этой сложности, приведем
6=
163
полную диаграмму потоков для сектора розничной тор-
говли (рис. 58), не стремясь к подробной ее расшифровке
с точки зрения процесса продажи.
По существу на рис. 58 изображена модель, позволяю-
щая судить о том, как функционирует сектор розничной
торговли в системе распределения продукции. Каждый
квадрат, изображенный на рисунке, можно представить
в виде одного или нескольких уравнений. (Аналогичные
(SSP, 15-25,R)
Оптовая торговая
сеть
(UOD, 15-19, L)
(UUD, 15-19, L)
U)FD,15-24,A)
Сектор розничной
торговли
Изготовленные, но
еще не доставлен-/
ные товары
SSR
RRD ДлитбЛЬНОСПА
i5-t6,R DMR < {пересылки [
оз
15-/4,R
PMR
I5-!5,L
OCR
15-I3,L
Товары
SRR
J5-2,L
Товары
Длительность
транспортировки
Длительность
рщ оформления
Хранение на
складе
MTR
15-17,L
Длителк
{\ность '
” уСкрорЛллг-
униязака-
\за
и
15-1,L
Заказы
л а\ Отгрузки из сектора
розничной торговли
Учет
•	прохождения
Сектор розничной заказов
торговли
Запланированное
^количество изго-
I товленных, но
I еще не доставлен-
1 ных товаров
у сбыте
15-8,L
Запланированной . I
наличие товаров *
4 ]	\15-
JДлителен
тюсть оформ^
\ лени я заказов
Сектор
потребления
К потребителю
UOR
невыполненные
заказы
(RRR 15-74, R)
От потребителя
(самостоятельный вход, цифры
произвольные)

Рис. 58. Полная схема сектора розничной торговли.
При машинном моделировании она описывается 18 уравнениями»
164
диаграммы и уравнения можно составить и для других
секторов системы.) Вводя уравнения в цифровую вычис-
лительную машину, управляющий этим промышленным
комплексом начинает исследовать его поведение в различ-
ных условиях.
К примеру, введя в машину набор цифр, представляю-
щий гипотетическую модель спроса, оператор может за-
ставить машину решить уравнения и выдать ему данные
относительно изменения выпуска продукции, наличия
товаров, уровня занятости рабочей силы и т. д. Таким
образом, он собирает данные о том, как ведет себя эта
модель системы.
Если (а это слово здесь очень важно) модель является
достаточно хорошим приближением к реальному объекту,
то на основании проводимых экспериментов оператор су-
меет в известной степени предсказать, какие изменения
в реальной организации промышленности, позволяющие
улучшить те или иные аспекты ее деятельности, можно
осуществить. По крайней мере такова идея. Насколько
успешной окажется ее претворение в жизнь, нам пред-
стоит увидеть.
Впрочем, попытка применить эту методику на прак-
тике уже имела место. Ее предприняла фирма по изготов-
лению компонентов электронной аппаратуры, обеспокоен-
ная чрезмерными колебаниями уровня занятости рабочей
силы. Созданная модель отображала организацию произ-
водства и политику фирмы. Когда в целях проверки в нее
вводили данные прошлых лет, модель демонстрировала
такое же поведение, какое имело место в реальной сис-
теме. Поэтому сочли, что она дает достаточно обоснован-
ные результаты, которыми можно руководствоваться на
практике. Модель, в частности, показала, что большое
значение имеют задержки, относящиеся к аренде, которым
ранее уделялось недостаточное внимание со стороны руко-
водства фирмы. Поэтому в модель были внесены соответст-
вующие коррективы; в результате положение дел значи-
тельно улучшилось. Проводились также изменения в по-
литике использования материальных резервов, что в свою
очередь способствовало улучшению дел. В результате
проведенных изменений колебания занятости рабочей
силы значительно сократились (рис. 59).
Однако эти изменения проводились на модели изучае-
мой фирмы. К сожалению, как можно судить на основа-
165
Занятость
Рис. 59. Машинное моделирование промышленной
организации может помочь в выработке политики.
Верхний график иллюстрирует колебания в занятости рабо-
чей силы для исходной модели промышленной организации;
нижний график — уменьшение колебаний, вызванное опре-
деленными изменениями в политике этой организации.
нии работы, в которой описывался рассматриваемый экс-
перимент, фирма так и не извлекла уроков из новой
методики. Так что ценность данных, полученных на мо-
дели, еще предстоит проверить.
Но важность проводимых исследований заключается
в том, что в них использовалась та же методика и те же
принципы, которые применяются при разработках слож-
ных электронных систем. Промышленная организация
рассматривается как некая машина, поведением которой
можно управлять, то есть как машина, представляющая
собой сложный набор деталей, определенным образом
взаимодействующих друг с другом. Только оказывается,
что некоторые ее «детали» не лампы и не транзисторы,
а люди. Руководители таких систем (промышленной,
экономической или социальной) не очень отличаются от
инженеров, разрабатывающих машинные системы. Они
тоже постоянно должны пересматривать характеристики
системы, чтобы получить желаемый результат. Применяе-
мые ими принципы в полной мере пригодны и для управ-
ления целыми обществами и, по-видимому, неизбежно
будут в конце концов использоваться и в этом направ-
лении.
Идея промышленной динамики, выдвинутая Форресте-
ром, сравнительно молода и пока что не получила серьез-
166
ного развития. Но мы сочли необходимым упомянуть
о ней в связи с тем, что она рассматривает различные ас-
пекты нашего общества как бы в качестве сложных испол-
нительных механизмов. Если встать на эту точку зрения
(а мы не видим причин, почему бы это не сделать), то сле-
дует соответствующим образом пересмотреть и наше от-
ношение к поискам роботов. В их разработке мы преуспели
гораздо больше, чем могли надеяться. Но, с другой сто-
роны, современные роботы настолько сложны, что мы
поистине не в состоянии удержать их под своим конт-
ролем, и они способны внезапно выйти из устойчивого
состояния, а это чревато серьезными последствиями.
Теперь перейдем к событиям, которые произошли ве-
чером 9 ноября 1965 года. Для описания энергокомплекса
под названием Кэнюз (Ganuse) — от слов Канада (Canada),
Соединенные Штаты (United States) и Северо-восточная
энергосистема (Eastern Interconnection) — можно вос-
пользоваться различными диаграммами, в частности изоб-
раженной на рис. 60. На рисунке в упрощенном виде
Рис. 60. Взаимосвязи между компаниями, входящими в
Северо-восточную энергосистему.
1 — «Онтарио Хайдро»; 2 — «Найэгара Моухок»; 3 — ПДМ;
4— КЭК; 5 — Конвекс; 6 — «Лонг Айленд лайтинг»; 7 — «Нью
Инглэнд электрик систем»; 8 — «Нью-Йорк стейт гэс энд
электрик корн.»; 9 — «Сентрал Хадсон гэс энд электрик
корп.»; 10 — «Орэндж энд Роклэнд ютилити инк.»; 11 — «Бо-
стон Эдисон»; 12 — «Нью Бэдфорд гэс энд электрик»; 13 —
«Монтеап электрик», 14 —«Детройт Эдисон»; 15— «Консамерс
пауэр»; 16 — «Хайдро Квебек»; 17 — «Сентрал Мэйн пауэр».
167
Рис. 61. Колебания потребительской нагрузки энергосистемы в те-
чение 9—10 ноября 1965 года.
представлена схема, каждый квадрат которой обозначает
энергетическую компанию, а каждый кружок — группу
таких компаний. Каждый кружок и квадрат заключают
в себе целый комплекс электрических и других машин,
таких, как паровые котлы, турбины, генераторы, автома-
тические выключатели, линии электропередачи и т. д.
и т. п. Но не будем далее перечислять. Достаточно отме-
тить, что перед нами структура, не менее сложная, чем
электронная цифровая вычислительная машина или же
система распределения продукции. В принципе ее можно
смоделировать так же, как и промышленную систему,
только «потребителями» на сей раз будут штепсельные
розетки в домах, на заводах, в больницах и их более мощ-
ные собратья, доставляющие энергию лифтам, метро и т. п.
168
У потребителей энергосистем, равно как и у потребите-
лей промышленной продукции, спрос постоянно меняется;
здесь также отмечены колебания, хотя в известной мере
и циклического характера. Вспомним, что в обеденное
время, например, все включают электрические плиты
почти одновременно, хотя можно было бы разработать
такой график, чтобы некоторые обедали в другое время,
скажем несколько позже. На рис. 61 показана типовая
кривая потребления электроэнергии, которое на основании
имеющихся данных вполне резонно может планировать
такая электрическая компания, как, например, «Консо-
лидэйтед Эдисон К0». И в этом одна из причин объедине-
ния электрических компаний в единые системы. Поскольку
картина потребления энергии каждой компании отли-
чается от других как по амплитуде, так и по времени,
каждая из них может обойтись меньшими мощностями,
если в периоды максимального спроса позаимствует энер-
гию у соседа, при условии, разумеется, что у последнего
в это время будет период затишья.
Помимо преимуществ, которые можно извлечь из раз-
личия в энергетических нагрузках разных компаний, такие
объединения позволяют наиболее эффективно и эконо-
мично эксплуатировать мощные генераторы и оказывать
взаимную поддержку в случае аварий.
Энергосети, образованные за счет такого объединения
ресурсов, весьма сложны и покрывают значительные тер-
ритории. Энергокомплекс Кэнюз не исключение (рис.62).
Жирные линии на рисунке окружают районы, кото-
рые обычно обслуживают компании или группы компаний,
показанные на рис. 60. Все эти районы энергетически
связаны друг с другом в различных пограничных точках.
Особый интерес представляют энергосети в районах Ниа-
гарского водопада и Массивы, штат Нью-Йорк. Это
единственные два соединения между районом 1 («Онтарио
Хайдро») и районом 2 («Найэгара Моухок»).
Именно в соединении, лежащем в районе Ниагарского
водопада, и произошло событие, положившее начало
беде. «Онтарио Хайдро» в том районе располагает двумя
гидроэлектростанциями: Сэр Адам Бек № 1 и Сэр Адам
Бек № 2. Станция № 2 по пяти линиям электропе-
редачи подает энергию на север, к Торонто, а по двум
линиям — на юг, в Нью-Йорк.
И вот что случилось,
169
Рис. 62. Некоторые районы, обслуживаемые компаниями, которые
входят в энергокомплекс Кэнюз.
Обозначения те же, что на рис. 60.
9 ноября 1965 года в 17 часов 16 минут И секунд ток,
идущий по одной из северных линий, превысил крити-
ческое значение и защитное реле автоматически отклю-
чило линию. («Вылетели пробки!») Электроэнергия, по-
ступавшая по этой линии, была распределена по четырем
оставшимся линиям. Но это в свою очередь вызвало их
перегрузку, в результате чего все они внезапно, в тече-
ние 2,7 секунды, отключились.
170
Это отрезало все пути электроэнергии, вырабатываемой
на обеих станциях для передачи на север; тогда она ри-
нулась через два ниагарских соединения к Нью-Йорку,
а часть ее попыталась «прорваться» и в Канаду через един-
ственную соединительную линию у Массины. Тем самым
была перегружена и эта линия, которая тоже автомати-
чески отключилась. Это случилось ровно через 0,5 секунды
после того, как вышла из строя последняя из пяти север-
ных линий.
А через 0,2 секунды среагировали еще семь внезапно
перегруженных линий на границе штатов Нью-Йорк —Пен-
сильвания,что в свою очередь вызвало аварию большинства
соединений с электросетью Пенсильвания — Нью-Джер-
си — Мэриленд (для краткости назовем ее ПДМ.— Ред.\
Но и в самой системе Кэнюз положение с каждой
секундой осложнялось, ибо в ответ на происходившее
генераторы начали работать с перебоями, нарушив ту
синхронность, с которой должны были работать все
устройства. Вступила в действие дополнительная аппара-
тура защиты. В тот момент, когда разорвалось соединение
с энергосетью ПДМ, вышли из строя главная сеть электро-
передачи к востоку от Рочестера и большинство линий,
принадлежащих компаниям «Найэгара Моухок» и «Нью-
Йорк стейт электрик энд гэс».
Еще через 0,1 секунды на Бруклинской подстанции
«Консолидэйтед Эдисон К°» (КЭК) автоматически отклю-
чилась последняя линия, ведущая к энергосети ПДМ.
Тем временем в Онтарио разомкнулись линии внутри
системы Кэнюз, и вся она вдруг оказалась разбитой на
три отдельных сектора.
Две линии, идущие от Массины на юг, к Адирондаку \
которые то включались, то отключались, в конце концов
все-таки отключились, и это вывело из строя пять (из
шестнадцати) генераторов в Массине.
С момента первоначального отключения линии на
гидроэлектростанции Бек № 2 прошло всего 4,8 секунды.
За это время три линии из энергокомплекса Новой Англии
также отключились. Примерно через минуту автомати-
чески разомкнулись два соединения от штата Нью-Йорк
на штат Вермонт и одно — от штата Нью-Йорк на штат
Массачусетс.
1 Горный массив на северо-востоке США.— Прим, перев.
171
В это время на нескольких регуляторах станций Век
упало давление масла, в результате десять установок
остановились; пять других также были бетановлены
командами с регуляторов скорости. Это, очевидно, и была
та соломинка, которая переломила хребет двум соединени-
ям станции Бек с нью-йоркской сетью. Они разомкнулись.
Теперь с момента первоначальной аварии на станции
Бек № 2 прошло 2 минуты 19 секунд. Все отключения,
о которых мы говорили до сих пор, совершались автома-
тически. Человеческая рука еще не дотрагивалась до
робота. Созданный человеком и для человека, он, очевидно,
не был с человеком в этот период своего существования.
Но этим дело не кончилось.
Все происходившее совершенно нарушило работу
КЭК в штате Нью-Йорк. Обычно в это время суток ком-
пания получала электроэнергию извне — в дополнение
к той, которую вырабатывала сама. Но когда линии, сое-
динявшие ее с остальным комплексом, начали отклю-
чаться одна за другой, оказалось, что она должна само-
стоятельно полностью удовлетворить собственные нужды.
К тому же от нее автоматически стала отбираться часть
электроэнергии для возмещения нехватки в других частях
штата, от которых эта система не отключилась. Ей уда-
лось выдержать такую нагрузку на протяжении несколь-
ких минут с помощью энергии, идущей от системы Конвекс
(Convex—Connecticut Valley Electric Exchange) и от
«Лонг Айленд лайтинг К°».
Но примерно в 17 часов 19 минут поступление энергии
от Конвекса внезапно сменилось дополнительным забо-
ром энергии от КЭК (между 17 часами 17 минутами и 17 ча-
сами 21 минутой систему Конвекс вручную отключили от
энергосистемы Новой Англии, и последняя почти в ту же
минуту оказалась в безнадежном положении).
Затем, в 17 часов 23 минуты, в тщетной попытке уце-
леть, от КЭК отключилась «Лонг Айленд лайтийг К°».
К этому времени (согласно докладу Федеральной энер-
гетической комиссии), по-видимому, единственным шагом,
который мог бы спасти КЭК, было отключение некоторых
ее потребителей, или цепей, связанных с остальной сис-
темой. Они лишь выкачивали остатки энергии. Была пред-
принята попытка отключиться от сети компании; «Найэ-
гара Моухок», но, очевидно, не вовремя. Дело в том, что
в этот момент нагрузка на установки КЭК была слишком
172
Рис. 63. Районы, затронутые аварией энергокомплекса Кэнюз
9 ноября 1965 года.
велика, чтобы с ней могли справиться, а достаточно быстро
ввести в действие резервное оборудование оказалось не-
возможным.
В довершение ко всему качество электроэнергии, вы-
рабатываемой КЭК, начало ухудшаться, что нарушило
работу отдельных вспомогательных устройств, действо-
вавших совместно с паровыми котлами. Правильнее всего
было бы сразу же отключить часть этих паровых агрегатов;
возможно, это помогло бы избежать серьезных повреж-
дений, которые вывели из строя несколько генераторов
и тем самым увеличили нагрузку на остальные. Но этого
не сделали, и дела пошли еще хуже.
К 17 часам 28 минутам КЭК вышла из игры.
Вот что произошло 9 ноября 1965 года на большей
части Северо-восточного энергокомплекса (рис. 63).
На протяжении 12-минутного отрезка времени знаме-
нитый «невидимый робот» Кэнюз перенес припадок и сва-
лился в беспамятстве. И увлек за собой еще несколько
173
энергетических роботов. Так, вышел из строя робот,
питающий нью-йоркское метро, которое насчитывает около
шестисот поездов; более 600 000 человек оказались в бедст-
венном положении. В полночь 10 000 из них все еще на-
ходились в поездах, а 700 человек попали в ловушку на
мосту через Ист-Ривер. Только к 8 часам 30 минутам сле-
дующего утра этот робот вновь ожил.
Сходный недуг одолел и других роботов. За исключе-
нием поездов на Пенсильванской железной дороге (по-
лучающей электроэнергию из штата Ныо-Джерси), все
железнодорожные поезда бездействовали до 5 часов сле-
дующего утра. На территории штата Нью-Йорк было от-
менено (или изменено) около 250 воздушных рейсов.
Более 800 больниц на северо-востоке страны остались без
электричества. Не работало в этот период и большинство
телецентров. На севере штата Нью-Йорк и в ряде районов
Новой Англии на некоторое время прервалась телефонная
связь. Телеграфные сообщения запаздывали на срок до
четырнадцати часов. Прекратили работу некоторые водо-
проводные системы на западе штата Массачусетс и в районе
Квинса в Нью-Йорке. Бездействовали газовые насосы.
Остановились лифты.
Да, людям было о чем поговорить!
Вот так в один из ноябрьских вечеров 1965 года и вы-
явился один из тех «невидимых роботов», о которых мы
говорили выше. Можно было бы, конечно, рассказать
о тех усилиях, которые потребовались для того, чтобы
снова поставить его на ноги, но это уже совсем другая
история. Чтобы покончить с нашей темой, упомянем лишь,
что 7 февраля 1967 года американские инженеры завер-
шили сооружение четырех соединительных линий в пере-
ходных пунктах на западе США, которые связали этот
район с северо-восточными энергосистемами.
Ну, вот и все о невидимых роботах в электроэнергетике.
Если читатель принадлежит к числу тех, кто боится авто-
матизации, он должен помнить, что цифровые вычисли-
тельные машины не единственная угроза. Остерегайтесь
роботов, которых нельзя увидеть!
Среди волнующих нас сегодня проблем особое место
занимает так называемый взрыв информации. Больше
всего эта проблема обилия информации тревожит науч-
ных работников й инженеров — специалистов, воспитан-
174
ных в догматическом убеждении, будто, берясь за новую
задачу, они обязаны просмотреть всю литературу по ин-
тересующему вопросу. По их мнению, это гарантия того,
что не придется повторять уже сделанную работу (при
этом они забывают о том, что такой путь может подсозна-
тельно повлиять на ход работы и подавить творческую
инициативу). Кроме того, полагают эти специалисты, при
работе над проблемой иногда нужна дополнительная ин-
формация, и поэтому поиски литературных источников
попросту необходимы.
В доброе старое время все те, кто нуждался в каких-то
сведениях, пользовались библиотечными картотеками.
Но теперь картотеки стали поистине необъятными. На-
пример, в 1962 году сообщалось, что в библиотеке Агент-
ства технической информации вооруженных сил (в кото-
рой собраны документы о финансируемых государством
исследованиях и разработках) насчитывается почти пол-
миллиона документов. Проблема перелистывания ее ка-
талогов чудовищна; кроме того, они находятся в Вашинг-
тоне и потому многим недоступны.
Удивительно ли поэтому, что мы нуждаемся в роботе,
который мог бы справиться с поиском литературы или
другой нужной информации. Установленный в столице
(в непосредственной близости от живых автоматов, сос-
тоящих на государственной службе!), он мог бы, например,
отыскивать нужные правительственные доклады. Сейчас
поговаривают о создании Национальной научно-исследо-
вательской библиотеки, рассчитанной на 10 миллионов
томов. Ясно, что без роботов здесь не обойтись.
Надо сказать, что работа по созданию «информацион-
ных» роботов уже ведется. Нам хотелось бы рассказать,
как обстоят дела и в каком направлении могут идти даль-
нейшие разработки в этой области. В известном смысле
связанные с этим вопросы относятся к проблеме распо-
знавания образов.
В самом деле, библиотеку можно рассматривать как
собрание образов (документов), причем каждый образ
можно распознать по его характерным признакам (загла-
вие, фамилия автора, слова, резюмирующие содержание
работы, и т. д.). Робот должен найти образы, которые
могут представить интерес. Лицо, которому необходимо
обследовать каталог, дает роботу список важнейших
признаков.
175
Если подходить к проблеме с этих позиций, мы вправе
ожидать, что здесь используются некоторые методы, о ко-
торых уже говорилось в этой книге при рассмотрении
зрительного и слухового распознаваний. И действительно,
мы увидим, что один из наиболее многообещающих под-
ходов к поиску информации в чем-то сходен с принципами
персептрона и АДАЛИНа. Однако, по-видимому, начи-
нали не с него.
Раньше в поисках нужной информации ориентирова-
лись на то, что поступающий в библиотеку материал ката-
логизируется по определенным признакам. Предположим,
например, что статья озаглавлена следующим образом:
«Окисление веществ, содержащих двухвалентное железо,
в солевых растворах». Здесь ключевые слова, которые
могут в самых общих чертах раскрыть содержание статьи,
такие: «окисление», «вещества», «растворы», «соль», «же-
лезо». Эти ключевые слова иногда называют дескрипто-
рами. Для каждого из них необходимо изготовить отдель-
ную перфокарту, где бы указывалось заглавие статьи
и инвентарный номер, под которым она числится в биб-
лиотеке. Таким образом, каждая статья будет представ-
лена несколькими перфокартами. В результате для каж-
дого дескриптора будет создан набор перфокарт. Так, под
рубрикой «растворы» окажется множество карт, на каж-
дой из которых имеется заголовок материала с указа-
нием дескриптора «раствор»; эти работы могут быть по-
священы чему угодно — от, химических растворов до
раствора (раскрыва) сопла реактивного двигателя. По-
добные «колоды» перфокарт образуются для каждого
дескриптора.
Необходимо также отметить, что слова, отобранные
в качестве дескрипторов (в данном случае заголовки),
должны с достаточной точностью описывать содержание
статьи (или любого другого материала). По крайней мере
такова идея. К сожалению, на практике это осуществ-
ляется не всегда. В некоторых случаях дескрипторы, пред-
ложенные автором работы, полностью игнорируются,
и хозяином положения становится человек, каталогизи-
рующий данную работу по своему усмотрению. В ре-
зультате в поисковое устройство может вкрасться в выс-
шей степени неточное описание содержания работы. Это
следует иметь в виду при дальнейшем обсуждении.
176
Если кому-то понадобится найти сообщения по опре-
деленной тематике, он потребует все работы с соответст-
вующими дескрипторами. Машина должна пробежать по
всем «колодам» перфокарт и отобрать материалы, содер-
жащие все дескрипторы. Во всяком случае, именно на
этом принципе построена одна из стратегий поиска, кото-
рую можно было применить; сегодня она тем более осу-
ществима, поскольку вместо механических «сортиров-
щиков» перфокарт и наборов самих перфокарт имеются
цифровые вычислительные машины и запоминающие уст-
ройства на магнитной ленте. Разумеется, возможны раз-
личные варианты, но общие принципы таковы.
И, увы, они оставляют желать много лучшего.
В исследовании^ проведенном в 1963 году для Нацио-
нального научного фонда научно-исследовательской фир-
мой «Артур Д. Литтл, инк.», были затронуты некоторые
из обсуждаемых проблем. Суть их заключалась в следую-
щем: какие дескрипторы и в какой последовательности
необходимо использовать для того, чтобы найти опреде-
ленные материалы. Ясно, что любой из нас предпочтет
пролистать только те труды, которые в той или иной сте-
пени отвечают нашим нуждам, чем потонуть в потоке бес-
полезного материала, который к тому же пришлось бы
рассортировывать вручную. Исследователи фирмы пришли
к выводу, что из 70 000 документов, описанных 4780 деск-
рипторами, всего лишь около 200 будут соответствовать
типовому запросу.
Предположим, что вам надо отобрать в библиотеке
материал по какой-то частной теме. Если бы вы исполь-
зовали только один дескриптор, вы могли бы получить
2250 работ, из которых лишь 50 имели бы отношение к ва-
шему запросу. Если бы вы проводили четыре отдельных
поиска нужной информации с помощью одного дескрип-
тора и трех его синонимов, вас бы завалило грудой из
9000 работ. И в этой груде нашлось бы 150 из 200 нужных
вам работ. Но для того, чтобы их отыскать, пришлось бы
перебрать все 9000!
Ясно, что такая методика не годится. Тогда вы меняете
стратегию поисков. Вместо того чтобы пользоваться од-
ним дескриптором, вы настаиваете на двух дескрипторах
для каждой работы. Это уже лучше. Вы получаете около
200 работ, из которых вам пригодятся... очень немногие.
Поэтому теперь вы отбираете уже по три синонима для
177
каждого из двух дескрипторов и проводите шестнадцать
самостоятельных поисков, используя в каждом по два
ключевых слова. Это обеспечивает получение 3200 работ,
из них 112 нужных вам. И тут вы понимаете, что теряете
почву под ногами, ибо, как было показано выше, четыре
самостоятельных поиска, с одним дескриптором каждый,
давали 150 нужных вам работ.
С этого момента положение непрерывно ухудшается.
Если вы перепробуете 1024 комбинации из четырех
дескрипторов и их синонимов, вычислительная машина
выдаст вам 102 ответа, из которых лишь 46 будут под-
ходящими. Это означает, что вы прошли мимо остальных
154 документов.
Короче говоря, эксперименты, в которых используется
обычный подход к автоматическому поиску материалов
в библиотеках, показывают, что, если вы недостаточно
конкретны, машина завалит вас материалами, и в этой
груде работ вам еще предстоит отыскивать нужные. Если
же вы составите совершенно конкретный запрос с не-
сколькими дескрипторами, каждый из которых должен
быть обозначен на документе, то машина вас не перегру-
зит — но и не найдет того, что вы ищете.
И чем больше библиотека, тем хуже обстоит дело.
Поэтому ученые стараются отыскать другие подходы
ю решению этой проблемы. Один из них — им занимались
сотрудники фирмы «Литтл» — создание машины Акорн
(Acorn). Это сокращение получено из слов Associative
COntent Retrieval Network (Ассоциативная система по-
иска по содержанию).
В основе Акорна лежит следующая идея. На рис. 64
схематически показаны свод документов и дескрипторы.
Выбор надлежащего дескриптора поможет читателю
отыскать конкретные документы, которые обозначены
данным дескриптором (рис. 64, а). Но иногда может ока-
заться, что материалы отыскиваются с помощью терминов,
не являющихся дескрипторами. В таком случае система
должна подсказать ищущему нужный дескриптор, как
это нередко делает справочник (вспомните, как в спра-
вочнике указано «см. автомобили», если вы ищете слово
«грузовик»). В итоге полный набор входных слов будет
больше числа специально определенных дескрипторов.
Если вы выберете одно из этих слов, вас направят к соот-
ветствующему дескриптору (рис. 64, б). Наконец, в ходе
178
Наименование Документы
Рис. 64. Графическая иллюстрация поиска материалов
в библиотеке.
Специальные ключевые слова (дескрипторы), применяемые для
классификации материала, приводят машину к необходимым
конкретным документам.
подбора дескриптора вам укажут также и его синонимы
(рис. 64, в).
Мы пытаемся воспроизвести тот путь, который может
ожидать читателя нашей гипотетической библиотеки при
поиске нужного ему материала. Если изобразить этот
путь графически, то мы увидим, что он в чем-то схож
с электрической схемой. Такая аналогия навела сотруд-
ников фирмы «Литтл» на мысль, что использование элект-
рической схемы, пожалуй, наиболее приемлемый метод
для осуществления процесса поиска.
Так, например, при описании того или иного доку-
мента не все дескрипторы одинаково важны, но в боль-
179
шинстве существующих методов они равноценны. Пред-
положим, что мы заменили линии, изображенные на
рис. 64, резисторами; в таком случае дескрипторы и до-
кументы будут вводными и выводными клеммами элект-
рической схемы. Величины резисторов можно выбрать
такими, чтобы они соответствовали Относительной важ-
ности дескрипторов. А непосредственно процесс поиска
можно было осуществлять, прикладывая электрическое
напряжение к дескрипторным вводам и затем измеряя
уровни напряжения на выводах, соответствующих до-
кументам. Тот вывод, на котором уровень напряжения
окажется наибольшим, будет наиболее важным, а выводы
с более низкими уровнями напряжения будут соответст-
вовать документам меньшей важности; относительные
величины напряжений будут указывать на относитель-
ную важность документов.
Благодаря наличию различных путей в сложной сети
такой подход обеспечивает известное преимущество и поз-
воляет автоматически отбирать нужные документы, даже
если с самого начала все необходимые дескрипторы и не
были задействованы. Если же между соответствующими
дескрипторными выводами подсоединены резисторы, сис-
тема может выдавать и группы синонимов. Резисторы,
расположенные между выводами, играющими роль до-
кументов, могут обеспечить отображение взаимосвязей
между документами, давая, например, ссылки на преды-
дущие работы по этому же вопросу, на другие работы
того же автора и т. д.
Одна из возможных реализаций такой электрической
схемы — сеть, состоящая из резисторов (рис. 65). Те ре-
зисторы, которые подсоединены непосредственно к выво-
дам, соответствующим дескрипторам и документам, имеют
большую величину, в то время как остальные — меньшую,
причем эта величина зависит от степени связи дескрип-
тора с документом. Чтобы отыскать нужный материал,
ко всем соответствующим дескрипторным выводам прикла-
дывают напряжение от батареи. Затем с помощью регу-
лятора повышают выходное напряжение батареи, и по схеме
начинает идти ток, обусловливающий рост напряжения
на выводах, которые соответствуют документам. Неоновые
лампочки, присоединенные к каждому из этих выводов,
зажигаются, как только напряжение на них достигнет
некоего критического уровня. Поскольку напряжение,
180
Рис. 65. Машина Акорн представляет собой набор электри-
ческих клемм (выводов), изображающих дескрипторы, и нео-
новых лампочек, изображающих документы.
Связи между ними осуществляются через резисторы. Чтобы найти нужный
документ, с батареи на соответствующие вводы подается регулируемое по
величине напряжение. Первая лампочка, зажигающаяся при повышении
напряжения, играет роль наиболее предпочтительного документа; вторая,
зажигающаяся при дальнейшем повышении напряжения,— роль второго
по порядку предпочтения документа и т. д.
поступающее от батареи, будет возрастать, лампочки
начнут зажигаться в известной последовательности. Пер-
вой загорится лампочка, соответствующая наиболее под-
ходящему материалу, второй — соответствующая следую-
щему по значимости документу и т. д.
Важно отметить, что в схеме имеются не только
соединения, ведущие от входных дескрипторных вводов, но
и соединения между дескрипторными вводами, идущие через
выводы, соответствующие документам. Это значит, что, если
мы посмотрим на относительные величины напряжений,
появившихся на дескрипторных вводах в ответ на напряже-
ние, приложенное к какому-то одному дескриптору, вы-
явится связь, существующая между теми или иными
словами. Очевидно, помимо выявления связей между
181
i
a-
£5
§
•5
•4
•2
52
\*54
53
_ Все остальные слова -________________________
ниже этого уровня напряжения
----------------------------------------------------И—
Номер вывода для данного слова
Рис. 66. Акорн указывает также на наличие логических связей
между словами.
В иллюстрируемом примере напряжение, приложенное к вводу 1 («источ-
ник атомной энергии»), обусловило сравнительно большие напряжения на
выводах 52 («спутники типа ТРААК»), 5 (спутники «Транзит»), 54 («данные
о гравитационном поле Земли»), 53 («навигационные спутники»), 4 («ВМФ
США») и 2 (ракета «Тор Эйбл Стар»). Машина считала, что эти слова вза-
имосвязаны.
словами-синонимами, будут показаны и связи между сло-
вами, которые мы в повседневной жизни обычно употреб-
ляем вместе. Так, при испытании подобной схемы нео-
жиданно обнаруживаются ассоциации между такими
словами, как «спутник» и «мыс Кеннеди».
Для демонстрации такого рода связей между словами
в числе других электрических схем, разработанных фир-
мой «Литтл», употреблялась схема Акорн-3. Акорн-3
имела 120 дескрипторных вводов и 60 выводов, соответ-
ствующих документам. Фактически эти документы пред-
ставляли собой короткие сообщения, касавшиеся общих
вопросов исследования космоса. Каждое сообщение было
снабжено дескрипторами — числом от 1 до 12,— отоб-
ранными из указанных выше 120 дескрипторов. При каж-
дом испытании батарею подсоединяли к одному из 120
дескрипторных вводов, а на всех остальных вводах изме-
ряли напряжения.
Рассмотрим типичный пример относительного распре-
деления уровней измеренного напряжения (рис. 66).
Входное напряжение подавалось на дескриптор «ис-
точник атомной энергии». Шесть наибольших значений
напряжения было обнаружено на вводах, соответство-
182
вавших дескрипторам, которые показаны на рис. 66.
Для того чтобы понять, почему именно эти слова оказа-
лись связанными с термином источник атомной энергии,
необходимо было познакомиться с некоторыми сведениями,
относящимися к космосу, которому были посвящены упо-
мянутые выше 60 сообщений. А из этих сообщений следо-
вало, что источник атомной энергии имеется только
в спутниках типа Транзит, которые наряду со спутни-
ками типа ТРААК запускают в космос ВМФ США с по-
мощью ракет «Тор Эйбл Стар»; сами запуски осуществ-
ляются в целях навигации, а также для сбора данных
о гравитационном поле Земли.
Иными словами, такой тип словесной ассоциации
представляет собой непрямой вид, который психологи
относят за счет «ассоциации идей», или «смежности по-
нятий». Подобные ассоциации, как правило, связаны
с жизненным опытом и напоминают хорошо известные
ассоциации типа «молоток — гвоздь» и «банк — деньги».
Идея, положенная в основу Акорна, кажется перспек-
тивной, но над ней предстоит еще много поработать; ве-
роятно, в ходе исследований выявятся и другие варианты
этой электрической схемы.
Кто знает, возможно, со временем у нас и появятся
роботы, обследующие библиотеки.
Из того, о чем мы говорили до сих пор, становится
очевидным, что цель большинства исследований в данной
области — создание машин, которые смогли бы в буду-
щем выполнять полезную работу. Но нельзя же все время
лишь работать. Надо и поразвлечься. Машина тоже должна
иметь право на отдых! Посмотрим же, что удалось сделать
в этом направлении.
Разумеется, исследователей заботит не то, как обес-
печить «культурный отдых» машин,— они пытаются до-
биться того, что можно было бы назвать «разумным» пове-
дением машины. Вероятно, они были бы счастливы, если бы
им удалось продемонстрировать модель, потенциально
способную обеспечить достижение этой цели. Одну из
наиболее интересных попыток в этом направлении осу-
ществил А. Л. Сэмюэль, сотрудник фирмы ИВМ («Интер-
нэшнл бизнес мэшинз»). Он научил свою вычислительную
машину играть в шашки.
183
В августе 1962 года эта машина сразилась с Робертом
Нили, бывшим чемпионом штата Коннектикут по шашкам
и одним из выдающихся шашистов страны. И Нили про-
играл.
Вот что он сам рассказал об этом необыкновенном
матче:
«Любопытно, что машина могла победить, только сде-
лав несколько великолепных ходов; у меня же было
несколько благоприятных возможностей для того, чтобы
окончить игру вничью. Именно поэтому я и продолжал
игру. Но машина провела отличное окончание, не сделав
ни одной ошибки. В эндшпиле у меня не было подобного
соперника с 1954 года, когда я проиграл последний раз».
Попробуем объяснить, каким образом вычислитель-
ной машине удалось достичь столь высокого класса игры
в шашки.
Естественно, в машину были введены программы рас-
познавания ходов противника, программы печати собст-
венных ходов, а также других данных, представлявших
интерес для программистов. В нее были заложены и пра-
вила игры, так что, сообразуясь с ними, машина прове-
ряла «законность» каждого хода. Но не будем вдаваться
в детали программирования, займемся лучше игровой
стратегией, которую разработали программисты и ис-
пользовала машина.
Ведя игру, машина постоянно должна заглядывать
вперед, оценивать возможные альтернативы и возможные
преимущества, исходя из собственного «опыта». Рассмот-
рим эти задачи поочередно.
Когда наступает очередь ходить машине, она уже знает
расположение всех шашек на доске. Машина просмат-
ривает доступные ей ходы и определяет все позиции, кото-
рые образуются на доске в результате этих ходов. Проде-
лав все это, машина достигает этапа, который Сэмюэль
называет уровнем 1 (рис. 67). Для каждой из рассмот-
ренных позиций машина просчитывает все возможные
ответные ходы противника и образует следующий набор
позиций на доске, названный уровнем 2. Затем рассмат-
риваются все возможные ходы на этом новом уровне (оче-
редь ходить машине) и определяется новый набор по-
зиций на доске, названный уровнем 5.
С этого момента машина начинает относиться к про-
цессу анализа более разборчиво. Она просматривает
184
Исходная позиция на доске
Рис. 67. Вычислительная машина, играющая в шашки, просматри-
вает возможные будущие ходы й их результаты.
Множество рассмотренных путей образует сложное «дерево»вариантов.
каждую из позиций уровня 3 и задается следующими
вопросами:
1.	Возможно ли взятие шашки следующим ходом?
2.	Сопровождался ли предыдущий ход (то есть ход,
приведший к образованию данной позиции) взятием
шашки?
3.	Можно ли предложить размен шашками?
В случае положительного ответа на любой из этих
вопросов на уровне 4 машина будет рассматривать только
позиции, создающиеся после выполнения одного из по-
добных ходов.
На четвертом и следующих уровнях решение о даль-
нейшем анализе принимается на основе ответов на воп-
росы 1 и 3. Чтобы анализ продолжался, необходим поло-
жительный ответ хотя бы на один из них.
Независимо от ответа, дойдя до уровня 11, машина
перестанет просматривать дальнейшие варианты, если
одна из сторон окажется впереди более чем на две дамки
(две дамки приравниваются трем шашкам). И ни при
каких обстоятельствах она не заглянет дальше уровня 20.
Машина «заглядывает в будущее» перед каждым своим
185
ходом. Иначе говоря, она рассматривает дерево возмож-
ных ходов (рис. 67), только на самом деле это дерево
намного сложнее показанного на рисунке.
Детально разобрав возможные ходы и их последствия,
машина сталкивается теперь с проблемой оценки различ-
ных альтернатив. Сумей она описать все возможные буду-
щие ходы, ей оставалось бы только выбрать путь, веду-
щий к поражению противника. Но это заняло бы слишком
много времени, да и память у машины очень ограниченна.
Кроме того, это лишало бы игру всякого спортивного ин-
тереса. Поэтому машина должна оценить ходы, показан-
ные на «дереве уровней», используя своего рода критерий
выигрыша.
Конечная цель участников игры в шашки — не поз-
волить противнику сделать ход (а не съесть все его шашки!).
Поэтому машина все время проверяет, не приведет ли
один из возможных ходов именно к такому положению.
При этом она не только старается принудить противника
к желанному для себя исходу, но и прилагает все усилия
к тому, чтобы самой избежать ходов, которые могли бы
поставить ее в невыгодное положение.
Но предположим, что после просмотра всех потен-
циальных ходов машина придет к выводу, что ни один
из них не дает желаемого результата. На этот случай
у нее должны быть вторичные цели, которые указывали бы
путь при выборе лучшего среди многих ходов. Для этого
используется «уравнение выигрыша», имеющее следующий
вид:
Выигрыш — ах± + Ъх2 + сх% + dx^ + ехъ + • • •
На разных стадиях исследования Сэмюэль использо-
вал несколько вариантов этого уравнения. Буквой х
с соответствующими индексами обозначены числа, полу-
ченные в результате оценок сложившейся на доске по-
зиции; каждое из них соответствует одной из ближайших
подзадач, или подцелей. В одном из применявшихся урав-
нений х± обозначало преимущество в количестве ша-
шек, х2 показывало, сколько полей на доске противник
не может занять, хг отражало степень подвижности шашек,
которыми играет машина, а х± представляло собой слож-
ную меру развития шашек и степени контроля над цент-
ральными полями доски. Остальные члены в данном
уравнении отсутствовали.
186
Таким образом, всякий раз, когда машина исследо-
вала множество следующих ходов, она проверяла, дос-
тижима ли хотя бы одна из четырех промежуточных целей.
Например, если каким-то ходом съедалась шашка и од-
новременно на доске открывалось пространство для сле-
дующих ходов, машина вместо и х3 вводила в уравнение
соответствующие числа, а на место остальных перемен-
ных подставляла нули. Затем она решала уравнение
выигрыша и приписывала полученное число оцениваемой
позиции на доске.
Ну хорошо, скажет читатель, а что означают коэффи-
циенты а, Ь, с и т. д.? Это всего лишь положительные или
отрицательные числа, относительные величины которых
определяют относительную важность тех или иных под-
целей, привлекаемых к оценке каждого хода. К примеру,
если первый коэффициент, а, будет очень мал по сравне-
нию с остальными, машина не станет придавать очень
большого значения преимуществу в одну шашку (воз-
можно, для нее это не лучшая стратегия, но автор книги
в данном случае выступает как дилетант).
Ясно, что уравнение выигрыша и есть тот самый фак-
тор, который определяет, насколько искусно играет ма-
шина в шашки. Однако необходимо как-то определить
значения коэффициентов. Машина училась находить их,
сыграв множество партий и отбирая те величины коэффи-
циентов, которые приводили ее к победам. Чуть ниже
мы обсудим некоторые конкретные методы обучения, но
сначала рассмотрим, каким образом использовались для
выбора правильного хода результаты расчетов по урав-
нению выигрыша.
Вычислительная машина доходит до концевых точек
«дерева уровней» и определяет величину выигрыша для
каждой позиции, которая соответствует каждой из этих
точек (цифры в кружках на рис. 68). Заметим, что урав-
нение выигрыша применяется только в концевых точках.
Затем машина просматривает ветви дерева в направле-
нии от концевых точек к началу и каждой из встреченных
по пути, но еще не помеченных точек разветвления при-
писывает величину выигрыша. При этом она основывается
на том, кто — она или противник — делает ход. Короче
говоря, машина не может, начав с данной позиции, просто
выбрать путь, ведущий к точке наибольшего выигрыша,
поскольку это требовало бы сотрудничества со стороны
187
Машина
1—|—
Противник
Машина
а | I
Противник
4___|__
Машина
5___|__
Противник
в I
Рис. 68. Оценивая возможные варианты, машина исходит из того,
что ее противник достаточно умен и будет делать невыгодные для нее
ходы.
Жирной линией отмечен путь, избранный машиной.
противника, что в любом случае маловероятно. Решая,
какие числа поставить у оставшихся точек разветвления,
машина исходит из предположения, что противник выбе-
рет ход, ведущий к наименьшему для нее выигрышу.
Поэтому точке, где ход делает противник, машина при-
писывает то же число, что и следующей точке1 , соответ-
ствующей наименьшему выигрышу. И наоборот, точке,
где ход делает она сама, машина приписывает то же число,
что и следующей точке, соответствующей наибольшему
выигрышу.
Из рис. 68 видно, что, поскольку ход между уровнем 5
и уровнем 6 делает противник, точке разветвления А
приписана величина —30, что соответствует пути, кото-
рый ведет к наименьшему для машины выигрышу. Но
когда приписывается число точке разветвления на уровне,
где ход делает машина, выбирается наибольшее из чисел,
имеющихся на следующем уровне; так, в точке Б оно
равно —3.
1 Здесь имеется в виду та из точек, лежащих па следующем более
низком уровне и соединенных с данной, которой приписано наимень-
шее число.— Прим, ред.
188
Когда присвоение чисел точкам разветвления закон-
чено, машина выбирает тот ход, который ведет к точке
с наибольшим выигрышем на уровне 1 (показан жирной
линией на рис. 68); при этом она имеет в виду, что ей
удастся пройти путь, обозначенный на рисунке жирной
пунктирной линией. Машина сообщает противнику о своем
ходе и ожидает его ответа. Даже если противник и сделает
предполагавшийся ею ход (к точке 5), свой следующий
ход машина может изменить, не придерживаясь того,
что было запланировано ранее, ибо в расчетах следующего
хода будет фигурировать уже новая «исходная позиция»
(точка В). В процессе анализа будущих позиций машина
заново построит «дерево уровней», и в свете новых открыв-
шихся вариантов для нее может оказаться нежелательным
двигаться далее по пути, обозначенному на рисунке жир-
ным пунктиром.
Вот так подходит машина к решению вопроса о том,
как выбирать ходы. Каковы же недостатки этого метода?
По существу машина предполагает, что ее противник,
так же как и она, будет пользоваться уравнением вы-
игрыша при планировании своих ходов. По всей вероят-
ности, человек делает это очень редко. Он может и вообще
не знать этого уравнения. Но он, несомненно, будет при-
менять какую-то стратегию, которая может свестись к сход-
ному процессу. Тогда неизбежно напрашивается следую-
щий вопрос: может ли д-р Сэмюэль или созданная им
машина вывести такое уравнение, которое вело бы к стра-
тегии, лучшей, чем применяет противник?
Пытались поступать и так, и этак. Посмотрим прежде
всего, каким образом Сэмюэль с помощью вычислитель-
ной машины получил свое самое удачное уравнение.
Программа была составлена так, что машина могла
сравнивать свою игру с игрой опытных шашистов (их
партии разбирались в ряде книг). Сравнение проводилось
следующим образом. Машина брала на себя роль одного
из игроков и делала тот же ход, который в свое время
был сделан этим игроком. Но, прежде чем сделать ход,
машина с помощью уравнения производила собственную
оценку различных ходов, возможных в данной позиции.
Одни из них могли бы дать больший выигрыш, чем приве-
денные в книге, а другие — меньший. Машина делала
ход, описанный в книге, но одновременно подсчитывала,
сколько возможных ходов могли бы дать больший вы-
189
игрыш, а сколько — меньший, чем тот, который был
описан.
Сначала машина играла каждую партию за одного
из игроков, затем повторяла ее, взяв на себя роль
другого игрока, и все время подсчитывала количество
ходов, оцениваемых выше или ниже книжных. Затем вы-
числялись суммы каждой такой пары чисел и с помощью
специального уравнения находилось новое число. Это
число, называемое коэффициентом корреляции, показы-
вает, насколько хороша (в смысле уравнения выигрыша)
принятая машиной стратегия по сравнению со стратегией,
описанной в книге.
Итак, для того чтобы выбрать величины коэффициен-
тов в уравнении выигрыша, Сэмюэль задавал им некото-
рые значения и заставлял машину играть ряд взятых
из книг партий и вычислять коэффициент корреляции.
Затем он пробовал другой набор значений, и машина
должна была вновь повторять все эти партии и определять
новое значение коэффициента корреляции. Таким путем
отыскивался оптимальный набор коэффициентов для урав-
нения выигрыша и формулировалась основная стратегия
машины.
С этого момента машина была готова учиться играть
хорошие шашечные партии. Проверялось два вида обу-
чения: один из них назывался заучиванием, другой — обу-
чением на базе обобщений. Машина разрабатывала свои
уравнения выигрыша именно с помощью последнего ме-
тода. Но мы начнем с описания процесса заучивания.
Построив «дерево уровней», машина подсчитывает
величину выигрыша для ряда позиций на доске. Основ-
ным в процессе заучивания было запоминание оценок,
полученных для этих позиций, с тем чтобы их можно было
использовать в будущих играх. Предположим, что в па-
мяти была найдена позиция, соответствующая точке Г
на рис. 68. Вместо того чтобы вычислять оценку этой
позиции, машина может использовать величину, уже
имеющуюся в памяти. Кстати, это равносильно просчету
вперед не на три, а на шесть или более уровней. Таким
образом, при оценке своей позиции машина получала
возможность заглядывать значительно дальше вперед.
В свою очередь новая оценка, помещенная в память
машины, сулит в дальнейшем просмотр еще более даль-
них перспектив.
190
Машина могла следить и за тем, как часто исполь-
зуются различные хранящиеся в ее памяти позиции;
она была запрограммирована так, что имела возможность
избавляться от редко применяемых позиций, то есть
попросту забывать их.
Число позиций, в конце концов накопившихся в па-
мяти машины, превысило 53 000!
Сэмюэль установил, что, используя этот вид обуче-
ния, машина «научилась отлично разыгрывать дебюты
и распознавать большинство выигрышных и проигрыш-
ных позиций за много ходов вперед». Но, по-видимому,
игра машины в миттельшпиле не отличалась особым
блеском, так как исследователь делает вывод, что ма-
шину можно квалифицировать, как «новичка, играющего,
пожалуй, выше среднего уровня, но не как мастера».
И тогда настало время применить другой подход к обу-
чению, а именно обобщение. Вместо требования запоми-
нать позиции, создающиеся на доске, машине вручили
список из 38 возможных подцелей, которые она должна
была использовать для вывода собственного уравнения
выигрыша. Уравнение должно было состоять из 16 чле-
нов. Вначале выбор 16 (из 38) подцелей, равно как и зна-
чений коэффициентов для каждого отдельного члена
уравнения, осуществлялся произвольно. Но когда ма-
шина вела свои партии, она непрерывно сравнивала
оценку сложившейся позиции с оценкой, предсказанной
для такой же позиции в прошлой партии. Предсказанная
оценка вычиталась из полученной, и, таким образом,
получалось число, названное дельтой.
Если дельта оказывалась положительной, это вос-
принималось как показатель того, что прежняя оценка
была ошибочной, то есть положительные коэффициенты
в уравнении выигрыша должны были быть больше, а от-
рицательные — меньше. На основании этого значения
положительных коэффициентов слегка увеличивались,
а отрицательных — уменьшались. Если же дельта ока-
зывалась отрицательной, это означало, что уравнение
выигрыша было составлено излишне оптимистично, и в этом
случае начинался обратный процесс.
(Отметим сходство между уравнением выигрыша и
одним рядом элементов памяти рассмотренного выше АДА-
ЛИНа. Коэффициенты в уравнении соответствуют вели-
чинам элементов памяти, а переменные х можно уподо-
191
бить сигналам, подаваемым на отдельные элементы.
Сумма членов — выигрыш — аналогична суммирующему
действию R-ячейки.)
Методику выбора подцелей (то есть переменных х
в уравнении) объяснить несколько труднее, поэтому мы
не будем вдаваться в детали. Скажем лишь, что для каж-
дого из коэффициентов уравнения выигрыша на основе
количества совпадений между знаком дельты и знаком
этого коэффициента определялась величина специального
числа. Число оказывалось большим, если данный коэф-
фициент вносил существенный вклад в улучшение игро-
вых качеств машины, и малым в противном случае. После
каждого хода отмечается тот член уравнения, коэффи-
циент которого оказался наименее эффективным. Если
данная подцель оказывалась неэффективной слишком
много раз, соответствующая переменная исключалась из
уравнения и помещалась в самый конец перечня тех из
38 переменных, которые не вошли в состав 16 членов
уравнения выигрыша, а на ее место помещалась первая
переменная из того же перечня.
Таков в самых общих чертах процесс обучения, осно-
ванный на принципе обобщения. По мнению Сэмюэля,
машина, использующая этот подход, может научиться
играть «лучше, чем средний игрок, за относительно ко-
роткий период времени». Однако, отмечает он, машина
«так и не научилась играть общепринятым способом,
и ее дебюты могут оказаться слабыми. С другой стороны,
она очень скоро выучилась разыгрывать хорошие мит-
тельшпили и, как правило, получив хотя бы незначи-
тельное преимущество, быстро расправлялась со своим
противником». Но, «сыграв двадцать восемь партий, она
все еще не усвоила, как выигрывать окончания с двумя
дамками против одной, находящейся в дважды запертом
состоянии».
Как следует из сказанного, Сэмюэль, по-видимому,
показал, что машина может разыгрывать достаточно
интересные шашечные партии. И, хотя ее «мыслительный»
процесс и не похож на тот, что происходит в мозгу играю-
щего в шашки человека, он вполне себя оправдывает.
Однако шашки не та игра, которая по-настоящему ин-
тересует людей, занятых проблемами создания искусст-
венного разума. Вот шахматы — те наверняка помогут
отличить зрелых мужей от неопытных юнцов. И в самом
192
деле, многие идеи, выдвинутые Клодом Шенноном еще
в 50-х годах XX века для использования в машине, умею-
щей играть в шахматы, были подтверждены машиной
Сэмюэля, рассчитанной на игру в шашки. Но, увы, одно
дело — уповать на машину, способную играть в шахматы,
и совсем другое — заставить ее делать это. Несравненно
более сложные тактические соображения и продвижения
шахматных фигур предъявляют столь тяжелые требо-
вания к способностям современных цифровых вычисли-
тельных машин и их программистов, что до сего времени
достижения в этом направлении более чем скромные.
Здесь достаточно лишь отметить, что в этой области пред-
стоит еще очень большая работа.
Но мы уже достаточно говорили о достоинствах машин
в решении, так сказать, обыденных проблем.
А теперь попробуем разрешить несколько более труд-
ных вопросов. В частности, зададим несколько вопросов
машине. Сможет ли она «понять» эти вопросы настолько,
чтобы ответить на них, притом умно?
Ну, здесь все будет зависеть от характера вопросов.
Ведь существует машина, которая может ответить на
вопрос: «Кому проиграла 5 июля команда «Ред Соке»?»
Но если вы спросите ту же машинуз «Выиграла ли когда-
нибудь «Ред Соке» шесть игр подряд?», вы не получите
ответа. Машина может сказать вам, какие команды одер-
жали в мае пять побед, если вы спросите ее об этом. Она
правильно ответит и на вопрос: «Сколько было дней
в июле, когда играли сразу восемь команд?» Но если вы
захотите выяснить, какая именно команда выиграла в июле
больше всего игр, вам это не удастся.
В вычислительную машину, о которой мы сейчас ве-
дем речь (она установлена в Линкольновской лаборатории
Массачусетского технологического института), была за-
ложена программа под названием «Бейсбол», разработан-
ная, как утверждают, для того, чтобы превратить Булево
Чудо в болельщика бейсбола. Уже отмечалось, что ма-
шина может отвечать на некоторые вопросы, заданные ей
на обычном английском языке и касающиеся множества
хранящихся в ее памяти фактов: прочитав пробитые на
перфокарте вопросы, она проводит синтаксический анализ
предложения, чтобы выяснить, чего от нее хотят, затем
роется в своей памяти и наконец печатает ответ.
По замыслу создателей, машина должна уметь разби-
7 Заказ №1130	193
раться в словах; поэтому, прежде чем идти дальше, нам
необходимо задержаться и рассказать о том, как этого
удалось достигнуть. В сущности машина связана набором
грамматических правил, указывающих на взаимосвязи
между различными частями речи. В эти правила включены
также слова, идентифицированные как различные части
речи. Опираясь на эти основные правила и на идентифи-
кацию, машина имеет возможность и составлять свои,
оригинальные предложения, и анализировать грамматику
других предложений, не прибегая к более сложным прие-
мам, чем процесс подстановки и проверки. Посмотрим,
как это делается, на примере, взятом из статьи Р. К. Линд-
сея [6] (отметим, что это лишь один из методов). И хотя
рассматриваемый метод несколько отличается от того, что
использован в программе «Бейсбол», идею уловить не-
трудно.
В табл. 6 приведено 16 основных правил для этой
тривиальной грамматики. Правила состоят из символов
и слов, и каждое из них утверждает наличие между ними
определенной связи. Например, если в некоторой после-
довательности символов содержится комбинация NP+
+ V + NP, то, согласно правилу 5, эту комбинацию
можно заменить символом S. Или, наоборот, S можно
заменить последовательностью NP + V + NP.
Допустим, машине поручено составить какое-то пред-
ложение. Она начинает с символа S и ищет в своем перечне
правил эквивалентное выражение, имея конечной целью
заменить все символы словами и остановиться, когда эта
цель будет достигнута. Проиллюстрируем нашу мысль.
Сначала машина ищет словесный эквивалент для символа
S, но, поскольку таковой в перечне правил отсутствует,
она решает выбрать последовательность символов. Так,
например, из правила 1 она получает
NP-f-Pred.
Теперь она старается подыскать слова для замены этих
символов; с помощью правила 4 выражение видоизме-
няется:
They+Pred.
Поскольку в таблице нет словесного эквивалента для
Pred, машина, согласно правилу 15, подставляет на его
194
Таблица 6
Простой набор грамматических правил
1	S	NP + Pred	9	к <-	» the
2	S	4-»NP + VP + NP	10	A <-	» flying
3	s	<-»NP + V+NP	11	VP <T	-> Aux-f-V
4	NP	w They	12	V <r	-» are
5	NP	Planes	13	V <r	» flying
6	NP	4-»A + N	14	Aux <	-> are
7	N	<-> planes	15	Pred <	-»VP + NP-|-Ad
8	N	man	16	Ad «	-> swiftly
Здесь:	S ~ sentence—предложение
N=noun—имя существительное
NP = noun phrase—оборот с существительным
Aux = auxiliary—вспомогательный глагол
Ad = adverb—наречие
А = article—артикль
V = verb — глагол
VP = verb phrase—глагольный оборот
Pred = predicate—сказуемое
место последовательность символов, получая следующее
выражение:
They+VP + NP + Ad.
Используя правила 4 и 16, она может заменить символы
NP и Ad словами, и тогда с учетом отсутствия словесного
эквивалента для VP выражение примет вид
They + VP + they+swiftly.
Затем, подставляя вместо символа VP соответствующие
символы из правила 11, машина получает
They+Aux + V + they+swiftly.
Как Aux, так и V можно, согласно правилам 12 и 14,
заменить словами, что дает такой результат:
They + are + are + they + swiftly.
Поскольку теперь выражение содержит только слова,
мы можем удалить знак «плюс», поставить в конце точку
и получить чрезвычайно многозначительное предложение:
They are are they swiftly.
7*
195
(Буквальный перевод: «Они суть суть они быстро».)
Теперь вы понимаете, почему некоторые люди убеж-
дены, что вычислительные машины в сущности не очень-то
смышлены?
Очевидно, это нелепое выражение возникло потому, что
грамматика была недостаточно определенной, чтобы обес-
печить образование осмысленных предложений. Чтобы
исключить такого рода абсурды, программист обязан
быть предельно внимательным. Кроме того, машине не-
обходимо дать дополнительные инструкции.
Предположим, что мы приказали машине не употреб-
лять дважды одно и то же слово — это, возможно, не
самое лучшее правило, но зато удобное. Тогда приведен-
ное выше предложение будет развиваться следующим
образом (в скобках обозначены номера правил):
NP + Pred,	(7)
They+Pred,	(4)
They + VP + NP + Ad,	(15)
They+VP + planes+swiftly,	(7, 16)
They+are + flying + planes + swiftly,	(12, 10)
They are flying planes swiftly.
(«Они быстро ведут самолеты».)
Вот в самых общих чертах, каким образом машина
составляет предложения. По-видимому, если граммати-
ка подготовлена достаточно тщательно, машина может
неплохо справиться с заданием.
Чтобы показать, что может получиться из более слож-
ной грамматики и словаря в 225 слов, приведем для при-
мера следующие созданные машиной «перлы» (взяты из
статьи Ингве [7]):
«Не ищет ли она дерево и инженера Праута, или не
ценит ли он их масло, флейтиста, дерево и четыре горде-
ливых стула на шести холодных и коротких столах, шести
тонких печках и четырех ярких и тонких печках?»
Если это не произвело на вас впечатления, то как вы
посмотрите на следующее:
«Он не одет, он закрыт, теплый шквал редко ищет алко-
голь, и м-р Смит с м-ром Праутом ведут четыре грузовика
и хлопок».
Машина может быть и краткой:
«Она задрапирована, а он боится трех газет».
196
ИлШ
«За что отремонтировали этого человека?»
Здорово? Чтобы скрыть тот факт, что результат работы
машины зачастую не слишком обременен смыслом, мы
могли бы назвать это авангардистским свободным стихом.
Но предположим, что мы пытаемся заставить машину
«понимать» предложения. Для этого машина должна раз-
бить предложение на части речи. При таком подходе она
будет начинать со слов, а уже затем применит правила
грамматики, с тем чтобы вместо слов подставить соответст-
вующие символы. Потом она постарается свести получен-
ный ряд символов к единичному символу S.
Прямолинейность такого подхода можно проиллюстри-
ровать на примере уже известного нам предложения:
They are flying planes swiftly.
Первая последовательность символов, выбранная с по-
мощью грамматических правил, будет иметь вид:
NP + VP + A+NP + Ad	(4, 12. 10, 5. 16)
(напомним, что в скобках указаны номера правил).
Но поскольку нет правил, которые позволяли бы
машине вести дальнейшие преобразования этого первого
результата, он отбрасывается. Машина возвращается
к исходному предложению и пробует другую комбинацию:
NP + Aux + A+NP + Ad.	(4, 14. 10. 6. 16)
Однако это выражение также нельзя свести к меньшему
количеству символов, так что машина пробует еще один
вариант:
NP+V+V+ NP + Ad. (4. 12. 18. 5. 16)
Опять неудача. Следующая комбинация:
NP + Aux+V + NP + Ad.	{4. 14. 18. б, 16)
Этот ряд уже можно сократить, применив правило 11.
что даст нам выражение
NP + VP + NP + Ad.	{11)
Машина также будет следить за подстановками, отмб-
чая^ что слова «аге flying» соответствуют символам Aux
197
и V и что вместе они образуют VP. Кроме того, полученный
ряд снова пересматривается, и теперь становится возмож-
ным с помощью правила 15 осуществить дальнейшее его
сокращение:
NP + Pred,	(/5)
и это упрощение определит слова «planes» и «swiftly» как
NP и Ad соответственно. Наконец, применив правило 7,
ряд можно сократить еще дальше и получить S. И этот
шаг определяет «they» как NP, а также останавливает
работу машины, так как весь ряд свелся к единственному
символу S.
Поскольку все слова предложения уже определены
как соответствующие части речи, предложение можно счи-
тать проанализированным, по крайней мере в синтакси-
ческом отношении. При необходимости машина может
восстановить последовательность операций и изобразить
предложение в виде диаграммы, как показано на рис. 69.
Но в то время как основная идея довольно проста,
осуществить ее гораздо труднее, ибо язык требует гораздо
большего, чем 16 простых правил; их число для реаль-
ного языка приближается к десяткам тысяч. Это означает,
что память машины будет страшно перегружена, а только
что описанный процесс (сведение грамматического ряда
к минимальному числу членов) окажется чрезвычайно
неэффективным. Были разработаны более экономичные
методы, но их не столь легко объяснить. Впрочем,
для нас достаточно принять к сведению, что такие методы
действительно существуют. А теперь вернемся к рассмот-
рению программы «Бейсбол».
Когда машине задается вопрос, она прежде всего
преобразует его в последовательный перечень слов. В ее
память заложен словарь, включающий не только слова,
но и различные идиомы. Первая задача машины — отыс-
кать каждое слово, помещенное в перечне, и воспроизвести
его определение, а именно значение слова, обозначение
его как части речи (иногда и другие обозначения). Наборы
слов, образующие идиому, заменяются единичным опре-
делением.
Затем начинается синтаксический анализ: устанавли-
вается, какими частями речи являются соответствующие
слова, и исключаются любые неопределенности. Например,
поскольку слово «score» (счет очков, удача; вести счет,
198
Рис. 69. Проводя синтаксический анализ предложе-
ния, машина может схематически изобразить грамма-
тические связи между словами.
выигрывать) может быть как именем существительным,
так и глаголом, машина проверяет остальные слова
предложения, чтобы узнать, не являются ли какие-либо
из них глаголами. Машина назовет слово «score» глаго-
лом только в том случае, если ни одно из остальных слов
предложения не будет глаголом, ибо программа предпи-
сывает ей принимать свое решение именно на этом ос-
новании. Затем машина идентифицирует обороты с су-
ществительными, предлогами и наречиями, проверяет,
в активной или пассивной форме стоит глагол, и отыски-
вает подлежащее и дополнение. Наконец, она проверяет
перечень слов, чтобы определить, не требует ли данный
вопрос простого ответа «да» или «нет».
На этом этапе машина анализирует смысл предло-
жения, составляя так называемый список попыток, то
есть список пар «определяющее слово — значение». По-
ясним, что это такое. К примеру, вопрос: «Где играла
команда, «Ред Соке» 23 мая?» даст следующий список:
Место = ?
Команда = «Ред Соке»
Месяц = май
Число = 23
199
Всякий раз, когда представляется возможность, опреде-
ляющее слово преобразуется таким образом, что форми-
руется пара, например: «Команда (выигрывающая) = ?».
Список составляется на основе синтаксического анализа
и значений входящих в перечень слов. Многие определяю-
щие слова сами по себе являются парами «определяющее
слово — значение». Так, значение слова «кто» в словаре
машины дается как «Команда=?». А некоторые слова
вообще имеют больше одного значения; например, «Бостон»
может означать либо «Место = Бостон», либо «Команда =*
= «Ред Соке». Определение слова «проигрывающий» бу-
дет служить для машины инструкцией, согласно которой
она должна преобразовывать пару «Команда = ?» в сле-
дующую: «Команда (проигрывающая) = ?».
После того как список полностью подготовлен и за-
писан в должной форме, машина проводит поиск в своей
памяти, чтобы найти требуемую информацию, и печатает
Ответ — опять же в форме списка, а не грамматически
отработанных предложений.
Такова вкратце сущность программы типа «Бейсбол».
Отвечая на вопросы, машина обращает внимание на
смысл, используя с этой целью синтаксический анализ
в комбинации со значениями содержащихся в ее словаре
пар «определяющее слово — значение». Очевидно, она
действительно дает правильные ответы и может отвечать
на «миллионы осмысленных вопросов». Разумеется, могут
найтись ярые футбольные болельщики, которые станут
утверждать, будто наша машина способна дать гораздо
больше информации о бейсболе, чем нужно кому бы то
ни было. Но это уже другой вопрос.
Для нас же важно выяснить, понимает ли машина на
самом деле, чтб подразумевается под словом «значение».
Мы не можем ответить на этот вопрос с полной опреде-
ленностью, поскольку до сих пор не ясно, является ли
термин «значение» повсеместно установившимся. В конце
1965 года в Вашингтоне состоялась Конференция по воп-
росам электроники, на которой среди прочих был поднят
и этот вопрос. Большинство сообщений, представленных
на конференции, было связано с утилитарными аспектами
военных линий связи, в частности с таким: каким образом
военные передают свои сообщения с одного конца Земли
на другой? Выступавшие настолько свободно жонгли-
ровали терминами «мегабиты», «адацтивные схемы кор-
200
рекции дисперсии», «Автодин», что многие участники
конференции, люди технически грамотные, начали по-
нимать: почтовый голубь и в самом деле становится пере-
житком прошлого. (А в результате разговоров о создании
аппаратуры для передачи программ цветного телевидения
в различные части света некоторые обозреватели пришли
к весьма неутешительным выводам, о том, что скоро
негде будет укрыться от вездесущей аппаратуры.)
Но в хоре голосов, восхваляющих достижения тех-
ники, раздался трезвый голос. Он принадлежал д-ру
Т. Дж. Белдону из Института военной аналитики. Бел-
дон указал, что, хотя на разработку систем связи тра-
тятся миллиарды долларов, до сих пор трудно выяснить,
что же именно мы пытаемся по ним передавать. Короче
говоря, как из одного ума в другой переносится смысл,
значение сказанного? Когда офицер командует: «Не от-
крывайте огня, пока не увидите белки их глаз!» — что он
на самом деле имеет в виду? Что это — совет или приказ?
А если враг будет атаковать с закрытыми глазами? Долж-
ны ли вы ждать, когда он откроет глаза?Да и о чьих гла-
зах говорит офицер? А что он подразумевает под словами
«открыть огонь»? Зажечь спичку?
Согласно Белдону, в военной связи слишком много
возможностей для путаницы и неверных истолкований.
Особенно это относится к многоязычным, многонацио-
нальным вооруженным силам.
Может быть, мы несколько преждевременно требуем,
чтобы машина разбиралась в «смысле сказанного», по-
скольку для оратора и для каждого из его слушателей
слова явно не всегда означают одно и то же. Когда-нибудь
мы будем в лучшем положении, ибо многие исследователи
сейчас работают над этой проблемой. В частности, упомя-
нутый Белдон разработал прибор, подобие логарифми-
ческой линейки, который, как полагают, может служить
ориентиром для правильного построения глагольных
оборотов.
Окрыленные столь блестящей перспективой, мы и за-
кончим рассказ о том, что сделали научные работники
в области создания искусственного разума, то есть в по-
исках замены каждого из нас. Теперь попытаемся разоб-
раться, что все это «означает», памятуя, правда, что у ав-
тора пока еще нет белдоновского прибора.
ГЛАВА ДЕВЯТАЯ
ЗАКЛЮЧИТЕЛЬНЫЕ ЗАМЕЧАНИЯ
Одна из самых увлекательных философских проблем
современности касается будущего, которое мы, по всей
вероятности, обретем, если успешно осуществим работы
типа описанных в предыдущих главах. Но как ни соблаз-
нительна для автора идея рассмотреть эту проблему,
здравый смысл подсказывает ему, что при соответствую-
щем подходе для этого потребовалось бы написать еще
одну такую же книгу. Так что ограничимся лишь кратким
советом читателю и попытаемся в какой-то мере резюми-
ровать сказанное, стремясь по мере сил придать некото-
рую нешаблонность, а кое в чем и ироничность высказы-
ваемым мыслям.
Итак, сначала совет.
Прежде чем беспокоиться о последствиях технического
прогресса, удостоверьтесь, существуют ли в технике такие
тенденции, которые вызывали бы тревогу. Ибо большин-
ство сенсаций, вызванных техническими достижениями,
особенно в области создания искусственного разума, яв-
ляются (мягко говоря!) неточными. Поэтому, оценивая
информацию, полученную из сообщений прессы, радио,
телевидения и т. п., задайте себе вопрос: что же достиг-
нуто в действительности? Остерегайтесь рассказов, в ко-
торых делается упор на то, что могут означать те или иные
технические разработки в мире завтрашнего дня. История
имеет скверную привычку обращать сегодняшнее откры-
тие в завтрашний тупик.
Было бы очень мудро к тому же иметь в виду, что ин-
женеры и ученые — всего лишь люди, а не непогрешимые
автоматы. Люди техники могут быть столь же легковерны,
как и все остальные, так что не полагайтесь на них пол-
ностью, если хотите получить непредвзятую, разумную
оценку будущего прогресса. В научном мире не меньше
политиканов, чем в Вашингтоне. И очень мало таких, кто
пытается быть абсолютно беспристрастным.
Лично мы убеждены, что некоторые из разрабатывае-
мых сегодня машин могут послужить развитию общества,
если их разумно сочетать с представителями рода чело-
веческого. Но мы подчас совершаем немало поступков,
в последствиях которых не всегда отдаем себе отчет.
Поэтому необходимо искать методы, дающие возможность
202
глубже, чем сейчас, проникнуть в суть сложных систем.
Машины надо применять не как застывшие символы того
гаммельнского музыканта, о котором мы говорили в свое
время, а как инструменты, созданные для разумного
обращения с ухищрениями современной цивилизации
и содействия ее дальнейшему развитию.
Что же касается будущего, то, если человек захочет
использовать свою голову не только для ношения шляпы,
ему нечего бояться машин. По нашему мнению, со време-
нем получат свое развитие три класса машин. Во-первых,
простодушные создания, существующие уже сегодня,
и их непосредственные потомки. Во-вторых, более слож-
ные «невидимые роботы», на существование которых мы,
как правило, не обращаем внимания, но о которых уже
говорилось в нашей книге. И наконец, машины, в неиз-
меримо большей мере напоминающие живые существа,—
это уже дело отдаленного будущего.
Рассмотрим первый класс машин.
Мы имеем в виду машины, которые большей частью
применяются индивидуально, а не в составе сложных
комплексов. Самый простой пример — те цифровые
вычислительные машины, которые в числе прочего зани-
маются обработкой деловой документации, данных о подо-
ходном налоге и о численности студентов университетов,
а также «помощники» этих машин, читающие банковские
чеки, кредитные карточки и т. п. Пока еще не очень рас-
пространены, но, безусловно, очень перспективны про-
мышленные роботы, вроде «Юнимэйта». Нет ни малейшего
сомнения в том, что со временем эти машины заменят
людей, поскольку они уже сейчас делают это. Но добавим:
такие машины освобождают от скучной, однообразной
работы людей, желающих в полной мере использовать
свои способности в других областях.
Люди склонны относиться к переобучению как к чему-то
очень сложному, хотя, возможно, им просто не хватает
инициативы, чтобы предпринять усилия в этом направ-
лении без давления извне. У машин такой склонности
нет. Воспринимая более сложные задания, они тем самым
способствуют эволюции рода человеческого, да и собст-
венному развитию. С другой стороны, переложив скуч-
ную, рутинную работу на «плечи» машин, которые могут
выполнять ее быстрее и точнее, человек имеет возмож-
ность в полной мере развивать свои способности.
203
Так что, на наш взгляд, нет нужды защищать необхо-
димость развития этого типа машин, хотя мы бы пореко-
мендовали рабочим внимательнее присматриваться к их
деятельности, особенно в тех случаях, когда машины мо-
гут справляться лучше, чем они. Запомните: чем четче
обозначена задача, тем больше вероятность, что ее ус-
пешно сможет выполнить машина. Так что подыскивайте
такую работу, где задачи не были бы определены во всех
деталях, поскольку именно здесь у человека есть опреде-
ленные преимущества перед машиной.
Если сегодня и существует какая-то угроза человеку,
то ее надо искать в обычно игнорируемых «невидимых
роботах». Как отмечалось выше, они представляют собой
взаимосвязанные комплексы машин. Каждая из них,
взятая отдельно, безобидна, но вместе они образуют слож-
нейший автоматический комплекс, потенциальное пове-
дение которого редко можно полностью предугадать.
Следовательно, эти машины должны поддаваться особой
регулировке, исключающей их вредоносные действия.
За их разработкой нужно следить, а размеры — огра-
ничивать.
Этих сложных роботов можно сравнить с мостами, ко-
торые сооружаются инженерами-строителями. Электрон-
ная природа роботов не дает им права на неприкосновен-
ность. Точно так же, как строительные нормы призваны
упорядочить требования к материалам, применяемым
при строительстве мостов (чтобы последние не разруша-
лись под нагрузкой), должно быть упорядочено и созда-
ние энергетических систем и других их электронных соб-
ратьев. А до того, как будут разработаны и проверены
на практике достаточно гибкие методы такого контроля,
необходимо снизить темпы развития сложных «невиди-
мых роботов». Нужно обеспечить (в разумных пределах)
обоснованность принципов их конструирования, прежде
чем эти принципы найдут широкое применение. Необхо-
димо также ограничить их размеры, равно как и способ-
ность к насильственным действиям.
Наложение подобных ограничений на создателей этих
чудес техники не есть движение против прогресса. Это тре-
бования здравого смысла, продиктованные желанием
сохранить господство человека на Земле.
При надлежащем использовании как простые, так
и невидимые роботы могут стимулировать эволюцию че-
204
ловека, выступая в качестве слуг для тех, кто не удов-
летворяется достигнутым, и в качестве конкурентов для
тех, кто имеет такую склонность. Но — и это главное —
машины должны быть рассчитаны на то, чтобы удовлет-
ворять потребностям человека, а не наоборот. Если для
того, чтобы обеспечить взаимопонимание с машиной,
нам приходится делать шаг назад, значит, машина еще
не готова для широкого применения. Дальнейшее разви-
тие человеческого общества будет происходить только
в соревновании с машиной, причем человек будет стиму-
лировать использование машин в тех случаях, когда они
направлены на благо общества, и запрещать их выпуск,
когда в результате недостаточно продуманного замысла
создателей они чем-либо ему угрожают. Так, автоматиза-
ция банковских процедур — явное облегчение челове-
ческого труда, и ее следует совершенствовать, а выпуск
установок, загрязняющих воду, следует прекратить.
А теперь обратимся к помощи магического кристалла
и попытаемся предсказать будущее. Помните, однако, что
и автор подвержен человеческим слабостям и вполне может
ошибаться. Например, рассматривая аварию Северо-
восточной. энергосистемы, мы исходили из того, что это
сложная система, вышедшая из устойчивого состояния,
ибо ее создатели не сумели предусмотреть такого стече-
ния обстоятельств, какое внезапно возникло вечером
9 ноября 1965 года. Но точно так же как некоторые до
сих пор не признают дарвиновской теории эволюции,
и в этом случае есть люди, находящие другие объяснения
знаменитому затемнению. Например, автор книги «Слу-
чай в Эксетере» настаивает, что причина затемнения все
еще остается загадкой, и приписывает ее неопознанным
летающим объектам (НЛО), которые якобы действовали
под руководством внеземного разума. Так что имейте это
в виду, когда мы начнем вглядываться в магический
кристалл. Следует также признать, что наше описание
выбора победителей спортивных игр не столь захваты-
вающе, как это могло бы быть.
Итак, какие надежды можно возлагать на роботов
третьего типа, поистине хитроумных? Большинство работ,
описанных в этой книге, было посвящено поискам именно
таких машин — на самом деле способных размышлять
и рассуждать и похожих на живые существа во всем,
кроме разве что внешности. И хотя до сих пор достиже-
205
ния в этом плане были ничтожны, мы не видим причин,
препятствующих созданию таких машин. Правда, в на-
стоящее время для выполнения этой задачи уровень
техники еще недостаточно высок, несмотря на то что уже
сегодня оправдываются некоторые из рассматриваемых
концепций (а нужно сказать, что находятся люди, которые
сомневаются в ценности хотя бы некоторых из этих кон-
цепций и усматривают разительное сходство между дея-
тельностью современных исследователей в этой области
и алхимией,— но это уже другая тема). Что же касается
техники, то ситуация во многом напоминает ту, которая
в свое время препятствовала работам Годдарда в области
космических полетов.
Еще раз повторяем — в конце концов будут созданы
машины, схожие с живыми существами. И они будут
представлять для человечества не большую угрозу, чем
уже существующие машины,— при условии, что человек
не прекратит соревноваться с ними. Человек должен не-
устанно стремиться к самоусовершенствованию, иначе,
когда появятся эти машины, он станет их рабом.
Именно в расчете на то, что человек выстоит против
этой угрозы, мы и предполагаем, что он создаст множество
различных машин — и каждый тип будет предназначен
для каких-то определенных целей. Эти машины будут
самовоспроизводящимися и в поведении очень похожими
на живые существа. Однако в связи с чисто инженерными
трудностями при разработке таких машин потребуется,
чтобы они были способны к самоорганизации и обучению.
Кроме того, следует установить такой контроль над про-
цессом производства этих машин, чтобы предотвратить
появление совершенно идентичных машин одного и того же
класса. У каждой машины будут собственная, присущая
только ей «индивидуальность» и свои «черты характера»,
в какой-то мере поддающиеся изменению под влиянием
условий окружающей среды.
В конечном счете перед создателями такого рода ма-
шин встанет следующая проблема. Представьте себе, что
ученые в поисках действительно независимой (хоть и под-
чиняющейся им) машины сделают попытку создать такую
машину, которая бы могла существовать самостоятельно.
Но ее нельзя будет должным образом испытать и полу-
чить достаточно обоснованные результаты, поскольку
она будет существовать в той же среде, которая окружает
206
и ученых и на которую последние не могут не оказывать
влияния. Тем самым они не смогут убедиться, удалось ли
им достичь своей цели, поскольку в окружающей среде
может оказаться что-то, что будет косвенным образом
способствовать выживанию машины.
Поэтому конструкторы будущей машины в конце кон-
цов придут к решению о поиске абсолютно безлюдной
среды, в которую можно было бы поместить машину для
проверки самостоятельности ее действий.
Не исключено, что в качестве такой лаборатории вы-
берут планету около одной из дальних звезд; сконстру-
ируют машину, приспособленную к условиям тамошней
среды, доставят туда машину и оставят ее в одиночестве.
А за планетой установят наблюдение.
Для начала на планету будут посылать очень простые
(но по нынешним временам весьма хитроумные) машины.
Естественно, в процесс воспроизводства будет заложен
соответствующий механизм генетических мутаций и ме-
ханизмы поведения, что позволит использовать процесс
естественного отбора и выяснить, чего можно достичь
в этом направлении. Так как за поведением этих «существ»
на планете все время будет вестись наблюдение, любые
улучшения конструкции тотчас же будут замечены экспе-
риментаторами. Те в свою очередь создадут новый тип
машины, который тоже пошлют на эту гипотетическую
планету. Но, руководствуясь здравой инженерной прак-
тикой, не следует производить сразу слишком много
изменений в конструкции; нужно, чтобы однородные
или поддающиеся сравнению черты сходства между раз-
личными моделями были очевидны для самого бесприст-
растного наблюдателя.
Со временем появится возможность изолировать раз-
личные модели машин, чтобы, используя географические
особенности планеты, исследовать их эволюцию в разных
климатических условиях. Однако такая изоляция сможет
принести пользу лишь в том случае, если другие машины,
находящиеся на этой же планете, будут лишены возмож-
ности преодолевать географические барьеры.
Вот так, под неусыпным надзором инженеров и уче-
ных завтрашнего дня, будет происходить эволюция этих
машин, поистине подобных живым существам.
Но все это, конечно, лишь дело будущего.
Не так ли?
207
ЛИТЕРАТУРА
1.	Griffin D.R., Listening in the Dark, New Haven, Yale Univ.
Press, 1958, pp. 57.
2.	Там же, стр. 64.
3.	G r i f f i n D. R., Listening in the Dark, New Haven, Yale Univ.
Press, 1958, chapt. 7.
4.	Roeder K. D. and Treat A. E., The Detection and Evasion
of Bats by Moths, Am. Scientist, XLIX, 135—148 (1961).
5.	Lissman H. W., Electric Location by Fishes, Sci. American,
CCVIII, № 3, 50—59 (March 1963).
6.	Lindsay R. K., Inferential Memory as the Basis of Machines
Which Understand Natural Language. In «Computers and Tho-
ught», New York, McGraw-Hill, 1963.
7.	Y n g v e V. H., Computer Programs for Translation, Set. Ame-
rican, CCVI, № 6, 68-76 (June 1962).
Альфред Дж. Коут
В ПОИСКАХ РОБОТОВ
Редактор И. Я. Хидекель
Художник Ю. Бурджелян. Художественный редактор Ю. Л. Максимов
Технический редактор М. П. Грибова. Корректор А. Я. Шехтер
Сдано в производство 2/VI 1970 р. Подписано к печати 2/IX 1970 р.
Бумага № 2 84хЮ81/32 = 3,25 бум. л. Усл. печ. л. 10,92. Уч.-изд. л. 10,66
Изд. № 12/5426. Цена 50 коп. Заказ № ИЗО
ИЗДАТЕЛЬСТВО «МИР»
Москва, 1-й Рижский пер., 2
Ордена Трудового Красного Знамени Первая Образцовая типография
имени А. А. Жданова Главполиграфпрома Комитета по печати при Совете
Министров СССР, Москва, М-54, Валовая, 28
ИЗДАТЕЛЬСТВО МИР
50 коп.