5. Случай и узнавание

В предыдущем разделе мы видели, как случайная нервная структура живого организма при взаимодействии с внешней средой может образовать условные рефлексы, определяющие целенаправленное поведение организма в этой среде.

Прямое отношение к механизму условного рефлекса имеет задача узнавания организмом ситуации, в которую он попал. Решение этой задачи является чрезвычайно серьезным шагом в процессе приспособления организма к окружающей среде.

Дело в том, что не существует двух совершенно одинаковых ситуаций. При самом тщательном повторении условий эксперимента всегда найдутся индивидуальные отличия данного опыта от всех остальных. Тем больше это различие в природных условиях. Принципиально говоря, организм каждый раз попадает в новую ситуацию. Но, как сказано ранее, для создания условного рефлекса надо лишь несколько раз повторить одну и ту же ситуацию.

Налицо явное противоречие: нужны тождественные ситуации, а их не существует.

Однако, несмотря на то, что ситуация повторяется лишь приближенно, условный рефлекс практически всегда удается выработать. Это говорит о том, что в организме существует механизм узнавания ситуации. А он и позволяет организму отождествлять похожие ситуации и в соответствии с этим строить свое поведение.

В процессе узнавания ситуация как бы схватывается целиком, без учета мелких деталей, что дает возможность создать "общее впечатление" об окружающей обстановке. Это впечатление целиком или частями сравнивается с содержимым памяти и узнается.

В зависимости от результатов узнавания организм начинает действовать в соответствии с поведением, которое было выработано условным образом в аналогичной ситуации. Если же организм впервые попал в данную ситуацию, то ему приходится заново вырабатывать свое поведение.

Итак, каждому действию предшествует узнавание.

Что же такое узнавание?

Строго говоря, под ним следует подразумевать процесс отнесения некоторых явлений (изображений) к классам, называемым образами. Другими словами, узнавание есть установление принадлежности данного явления к определенному классу чем-то похожих на него явлений. Например, разделение фотографий людей на два класса - мужчин и женщин - есть узнавание. Каждая отдельная фотография - это изображение, которое следует узнать, то есть отнести к одному из двух классов (образов).

Задача узнавания решается весьма просто, если четко сформулированы признаки, по которым мы узнаем объекты (разделяем их на классы). Например, капитана и лейтенанта легко различить по такому признаку, как число звездочек на погонах. В данном случае узнавание достигается формулировкой этого единственного признака.

Но в практической деятельности человек сталкивается с более сложными задачами узнавания, когда число различающих признаков велико и, что самое главное, они неизвестны. В этом случае уже нельзя дать рецепт узнавания.

Мужчина или женщина!

Поясним сказанное на примерах. Первый относится к узнаванию пола. Так, разделение всех взрослых людей по внешним признакам на два класса - мужчин и женщин - является узнаванием. Нам достаточно одного взгляда, чтобы опознать во встречном мужчину или женщину. Как мы это делаем? На такой элементарный вопрос не так просто ответить. Рассмотрим несколько наиболее вероятных ответов.

Ответ № 1: "Мужчины носят брюки, а женщины - юбки; следовательно, если встречный в брюках - он мужчина, а если в юбке - то женщина". Несостоятельность такого ответа легко доказывается хотя бы тем, что некоторые женщины предпочитают носить брюки и оставаться в классе женщин, а шотландцы любят щеголять в юбочках мини. И все же женщину трудно спутать с мужчиной, даже если на ней брюки.

Ответ № 2: "Мужчины носят короткие волосы, а женщины длинные, поэтому...". Ясно, что при таком критерии классификации все женщины, подстриженные "под мальчика", будут отнесены к классу мужчин, а "мужественные" бородатые битники попадут в класс женщин.

Разобрав несколько подобных "критериев", мы приходим к парадоксальному результату, что сформулировать внешние отличительные черты всех мужчин от всех женщин почти невозможно. Но ведь любой человек решает эту задачу без труда. В чем дело?

А дело в том, что в этих ответах мы пытались определить один решающий признак, отличающий мужчину и женщину. Вопрос же решался бы значительно проще, если бы не бремя цивилизации, которое заставляет нас носить одежды. В этом цивилизованном случае такого единого внешнего признака указать нельзя; их много, но каждый из них в отдельности не решает поставленную задачу.

Можно поставить более общий вопрос: как человек различает зрительные образы? Например, как он различает буквы алфавита независимо от их размера, наклона и написания? Можно ли построить читающую машину?

Другой пример не столь нагляден, но не менее важен для практической деятельности человека (такого рода задачи в основном и привлекли внимание к изучению процесса узнавания образа). Речь пойдет о диагностике заболеваний.

Прежде чем лечить пациента, врач ставит диагноз болезни. Для узнавания ему необходимо получить некоторые объективные показатели: температуру, давление крови, электрокардиограмму и др. Пользуясь этими "входными параметрами", врач узнает болезнь. Как он это делает? Ясно, что процедура установления диагноза требует большого опыта, так как часто четкие признаки болезни отсутствуют. Опытные врачи, ставя диагноз, в сложных, спорных случаях не пользуются процедурой, предлагаемой медицинскими справочниками, а опираются на собственную интуицию, основанную на многолетнем опыте. Что это за интуиция? Можно ли объективно узнать болезнь? Возможно ли сделать диагностическую машину?

Эти вопросы также относятся к проблеме узнавания образа.

Обе проблемы в настоящее время принципиально решены: существуют и работают читающие машины; есть машины, диагностирующие болезни. Более того, уже построены машины, узнающие произносимые слова и даже различающие запахи. Как видно, инженеры всерьез взялись за моделирование органов чувств живого организма.

Каков же механизм процесса узнавания ситуации? Упростим задачу. Рассмотрим опознание цифры "0".

Чтобы узнавать, нужно иметь некоторое количество других образов, которые следует отсеивать при узнавании. Пусть для нашего примера таким другим образом будет цифра "2".

Человек почти никогда не ошибается в узнавании этих цифр, не путает их между собой, независимо от их начертания. Как он это делает? Об этом можно пока только строить предположения. Однако уже существует несколько способов различения образов, положенных в основу узнающих (или читающих) машин.

Шифровка изображений

Прежде всего необходимо закодировать предъявляемые изображения. Это делается следующим образом. Анализируемый объект располагается на сетке с квадратными ячейками. Ячейкам, через которые не проходит линия объекта, приписывается нуль, а тем, через которые проходит, - единица. Пример такой манипуляции с двойкой показан на рисунке 59. Хорошо видно, что она преобразует изображение в нули и единицы. Теперь, считывая последовательно строки, получаем для данного изображения его числовой код:

Рис. 59

Другому изображению будет соответствовать другой код. Ясно, что одинаковым изображениям (но не образам) соответствуют одинаковые коды и наоборот.

Вообще код любого изображения можно представить для данной сетки в виде последовательности:

где каждое а равно либо нулю, либо единице и имеет индекс, равный номеру ячейки (рис. 59). Здесь рассматривается сетка с двадцатью ячейками, которая довольно грубо кодирует изображение (то, что получается при таком кодировании, показано на рис. 59 б, где единичные ячейки заштрихованы).

Для более тонкого кодирования следует брать сетку с большим числом ячеек. Так, на рисунке 59 в показано то же изображение, но закодированное на сетке с двойным уменьшением. Хорошо видно, что измельчение сетки позволяет более точно передать особенности анализируемого изображения.

Как отличить ноль от двойки!

Рассмотрим теперь конкретную задачу по различению изображений, принадлежащих двум классам: нулей и двоек. Четыре представителя каждого класса уже в закодированном виде показаны на рисунке 60. Их коды записаны в следующей таблице (рис. 61).

Рис. 60

Рис. 61

Нужно найти признаки, различающие оба класса. Если внимательно присмотреться к этим изображениям и их кодам, то можно легко заметить следующие отличия, которые определяются четырьмя признаками:

Признаки 1-3:

Признак 4:

Это означает, что ячейки № 9, 13, 16 и 14 несут информацию о классах, а остальные не играют роли в различении нулей и двоек. С точки зрения информационных признаков достаточно в изображениях сохранить только эти ячейки. Тогда изображения, показанные на рисунке 60, представляются в таком виде, как показано на рисунке 62.

Рис. 62

Как видно, для различения изображений достаточно хотя бы одного из указанных признаков. Тогда решающее правило, позволяющее узнавать нули и двойки, может быть записано, например, следующим образом:

Аналогично формулируется решающее правило для других признаков.

Такое решающее правило будет вполне точно различать указанные изображения, если нет помех. При наличии же помех в кодировании изображений возможны ошибки (вместо 0 случайно может оказаться 1 и наоборот). Тогда, естественно, решающее правило следует дополнить другими признаками, что повысит точность различения. Решающее правило, учитывающее все четыре признака, можно записать в следующей форме:

где δ - пока неизвестный порог.

Здесь введено еще одно обозначение.

Такое обозначение называется отрицанием, или инвентированием.

Величину порога δ будем выбирать из следующих соображений. При полном отсутствии помех имеем:

Нет сомнения, что при наличии помех указанная сумма находится между 0 и 4. Поэтому естественно определить порог в виде полусуммы этих границ, то есть

Теперь решающее правило можно записать в окончательном виде:

Полученное правило будет безошибочно работать даже в тех случаях, если помеха искажает информацию, снимаемую с двух указанных ячеек (состояние неинформационных ячеек, как видно, не играет роли для различения анализируемых изображений).

А теперь попробуем при помощи полученного решающего правила различить новые изображения, которые ранее не встречались. Можно ли при этом гарантировать успех?

Разумеется, нет! Изображение может быть настолько сильно искажено, что наше решающее правило не сработает. Но подобную ситуацию следует рассматривать скорее как искусственную, а значит, маловероятную. Если же не стараться намеренно "обмануть" решающее правило (а природа никогда намеренно не обманывает. Эйнштейн это сформулировал в великолепном афоризме: "Бог (природа) коварен, но не злонамерен"), то оно справляется с поставленной задачей.

На рисунке 63 показаны два новых изображения 0 и 2, которые, как легко убедиться, великолепно узнаются полученным решающим правилом. Читатель может сам построить несколько аналогичных изображений и применить к ним наше правило.

Рис. 63

Узнавание новых, заранее неизвестных изображений при помощи правила, полученного на других изображениях, имеет глубокий смысл. Оно фактически означает, что признаки, или, точнее, определенная комбинация признаков, полученная на базе нескольких изображений, несут информацию о всем классе. Это и дает возможность применять решающее правило в других, ранее не встречавшихся случаях.

Надо, однако, сказать, что получить указанное решающее правило нам удалось благодаря тому, что разделяющие признаки были просты и легко обнаруживались при внимательном рассматривании изображений. А что делать, если изображения сложны и различающие признаки не удается выделить простым разглядыванием изображений? Как быть тогда?

В этом случае на помощь приходят процессы обучения. Для этого нужно использовать специальные обучающие машины, предназначенные для узнавания предъявляемых им изображений.

Рассмотрим работу одной из таких машин - персептрона, - созданной американским ученым Франком Розенблатом. (Название "персептрон" произошло от латинского слова "персепция" - понимание).

Персептрон

Персептрон появился на свет при попытке смоделировать процесс видения и различения зрительных образов, происходящий в системе "глаз - мозг", у живых существ. Персептрон тоже имеет "глаза", воспринимающие зрительный образ, имеет "нервы" и, наконец, "мозг" - анализирующее и решающее устройства.

Увидеть и узнать образ - значит связать его вид с каким-то определенным раздражением некоторого участка мозга.

Подобно человеческому глазу, состоящему из огромного числа палочек и колбочек, "глаз" персептрона (экран) также состоит из множества светочувствительных элементов (по аналогии с глазом экран иногда называют сетчаткой, или ретиной). Эти светочувствительные элементы устроены следующим образом: когда на них падает свет, они дают на выход напряжение (а=1), при отсутствии света нет и напряжения (а=0).

Каждый светочувствительный элемент является преобразователем света в электрическое напряжение. От него отходят два провода. Один проходит через так называемый инвертор (мы уже говорили, что это такое). Если светочувствительный элемент освещен (а=1), то напряжение на выходе инвертора, подключенного к этому элементу, будет равно нулю (а=0). Если же света нет и а=0, то на выходе инвертора есть напряжение а=1. Будем инвертор обозначать кружком с черточкой (рис. 64).

Рис. 64

Второй провод светочувствительного элемента несет информацию о состоянии ячейки. Эти два провода (выход ячейки и выход инвентора) разветвляются в пучки, концы которых присоединяются к так называемым ассоциативным элементам А₁, А₂... А_к (рис. 65). Роль этих элементов проста - они суммируют поступающие в них по проводам напряжения. А почему их назвали ассоциативными, мы поясним позже.

Рис. 65

Связь между светочувствительными и ассоциативными элементами весьма своеобразна - она случайна. Случайность достигается тем, что при монтаже схемы персептрона провода, соединяющие указанные элементы, припаивают наугад (кто паял сложные схемы тот поймет это преимущество персептрона). Так случайной пайкой проводов в схему персептрона вводится случайность. Выходные напряжения ассоциативных элементов поступают на анализатор, который "осмысливает" полученные напряжения и решает, к какому классу отнести это изображение.

А теперь посмотрим, как работает персептрон. Будем на его сетчатку проецировать анализируемые изображения, ну, скажем, все те же нули и двойки (рис. 60). При этом будем наблюдать за выходами ассоциативных элементов. Пусть на выходах оказались напряжения V₁, V₂..., V_к. Они будут, вообще говоря, различными для различных изображений. Случайно может оказаться, что выход одного из ассоциативных элементов (например, V_i) имеет одно напряжение при изображении двойки и другое - при изображении нуля. Так получится лишь в том случае, если в результате случайных соединений между сетчаткой и данным ассоциативным элементом образовалась связь, реализующая рассмотренное выше решающее правило. Это и есть ассоциация, то есть связь признака с образом. Полученная схема показана на рисунке 66, и для изображений рисунка 60 справедливо:

Рис. 66

Тогда правило работы анализатора формулируется очень просто:

если V_i>2, то это "ноль",

если V_i<2, то это "двойка".

Стало быть, анализатор должен следить лишь за состоянием i-го ассоциативного элемента, а на остальные попросту не обращать внимания.

Вообще говоря, рассчитывать на подобные случайные везения нельзя. Вероятность того, что при пайке наугад вдруг получится именно такая схема, для рассмотренного случая равна примерно одной стомиллионной.

Как же быть? Как же такой персептрон отличит "ноль" от "двойки"?

Дело в том, что пока никак. В таком виде, как мы его описали, он, так же как маленький ребенок, всего лишь способен научиться различать их. Так давайте "научим" его.

Обучение персептрона

Что значит "обучить" персептрон?

Коротко это означает, что необходимо подобрать решающее правило для анализатора. Если бы признаки нуля и двойки были известны, то построить анализатор не представляло бы труда. Но признаков нет! Поэтому будем выделять их в процессе обучения.

Положим в основу обучения персептрона следующую идею. Отберем такие ассоциативные элементы, выход которых имеет повышенное напряжение для "нуля" и пониженное напряжение для "двойки".

Процесс такого обучения сводится к следующему. На светочувствительное табло персептрона проецируется, например, одно из изображений двойки. В соответствии с нашим правилом мы должны отключить от анализатора ассоциативные элементы с максимальным выходом (с повышенным напряжением). Если на экран спроецировано изображение нуля, то следует отключить элемент с минимальным выходом. Очевидно, что после нескольких циклов такого обучения "в игре" останутся только те элементы, которые дают повышенное напряжение для изображений 0 и пониженное напряжение для изображений 2. Суммируя выходы этих оставшихся элементов, получим какую-то величину z.

Теперь решающее правило можно сформулировать очень просто:

где порог

есть среднее наибольшего и наименьшего значения величины z.

Итак, персептрон уже умеет различать заданные образы.

Вы спросите, почему нам понадобилось определять сумму всех выходных напряжений ассоциативных элементов? Ведь мы оставили только такие, каждый из которых дает повышенное напряжение для 0 и пониженное для 2. Почему мы не пользуемся просто показаниями любого из этих анализаторов?

Да потому, что каждый анализатор может ошибаться в определении класса какого-либо отдельного изображения. Но маловероятно, чтобы большинство из них ошибались на одном и том же изображении. Поэтому каждый из анализаторов будет ошибаться на "своем" изображении. Очевидно, что общая сумма их показаний осреднит результат, а так как большинство узнает правильно, то персептрон не будет ошибаться.

Для пояснения этого свойства машины рассмотрим следующий пример.

Представим себе учеников-двоечников второго класса, которые оказались на необитаемом острове. Каждый из них кое-как знает таблицу умножения, но спотыкается на некоторых ее частях. Один считает, что 2×2=5, другой уверен, что 3×3=10, и т. д. Смогут ли они правильно восстановить таблицу умножения? Конечно, смогут, если по поводу каждого произведения будут голосовать и считать правильным тот ответ, который дает наибольшее число голосов.

Точно так же работает персептрон.

Мы рассмотрели, как персептрон различает геометрические образы: цифры, буквы и другие значки. На этом принципе построены читающие автоматы. Предназначены они для чтения печатных букв или букв, написанных от руки. Перед началом работы такой автомат обучают, и лишь после учебы он начинает читать текст. Обучение происходит по рассмотренной выше схеме обучения с учителем методом показа (рис. 50).

Надо сказать, что схема персептрона, которую мы описали, является, конечно, крайне упрощенной. Обучение его на самом деле куда сложнее, особенно если учесть, что в современном виде он различает не два образа, а значительно большее их число. Однажды инженеры без труда обучили его 26 буквам латинского алфавита, и он уверенно узнавал их в любом написании.

Стоит заметить, что персептрон обладает замечательным свойством - обобщать. Такая способность выгодно отличает его от некоторых других машин такого же типа и значительно расширяет область его применения. Он распознает не только схожие изображения, показанные ему впервые, но, кроме того, он успешно различает и сильно "зашумленные" изображения. Способен он и на более сложные обобщения.

Так, в одном из экспериментов его обучили различать музыку Баха и Моцарта. Для этого на светочувствительную сетчатку проецировали ноты музыкальных отрывков и указывали, кому из двух композиторов принадлежат эти отрывки (Бах соответствовал одному образу, а Моцарт - другому). После обучения персептрону "показали" несколько мелодий, не участвовавших в обучении. И он хорошо справился с поставленной задачей, указав, кому из упомянутых композиторов принадлежат предъявленные мелодии (точнее - их ноты).

Таким образом, персептрон приобрел способность фиксировать весьма тонкие различия в узнаваемых t изображениях. Самое удивительное состоит в том, что способность эту он приобрел в результате обучения на частном случае распознания нескольких мелодий. А это уже первый шаг к абстракции.

(Персептрон в роли врача)

Гораздо интереснее применение персептрона в качестве диагностического аппарата. Пусть каждая ячейка светочувствительного экрана связана с каким-либо показателем состояния больного. Например, если больной ощущает боли в сердце, то ячейка № 23 экрана освещается (а₂₃=1), если же нет, то не освещается, и т. д. Показатели состояния больного в такой закодированной форме вводятся в персептрон. При этом диагноз ставится очень опытным врачом, который по возможности точно должен решить, что это за болезнь. Затем болезни нумеруются: болезнь № 1 и болезнь № 2...

Обучение персептрона различению болезней производится так же, как обучение опознанию зрительных образов, и сводится к отключению ассоциативных элементов, путающих эти болезни. Потом, суммируя показания всех оставшихся ассоциативных элементов, можно использовать персептрон в качестве диагностик ческой машины. Если теперь при введении в нее сведений о поступившем больном она дает напряжение на выходе больше порога δ, то это болезнь № 1, если меньше - то болезнь № 2. Следовательно, персептрон обучился диагностировать эти две болезни в такой же мере, как это умел врач, обучавший его.

Обучать персептрон можно не только с помощью врача, но и по литературным источникам, точнее - по описаниям болезней. В этом случае в памяти его будут храниться данные о большом числе заболеваний, и такая машина способна дать более квалифицированное заключение, чем даже очень опытный врач.

Действительно, чем руководствуется врач при постановке диагноза? Прежде всего это его собственный опыт, собственные успехи и неудачи, бессонные ночи и аплодисменты на конференциях. Это, пожалуй, самая ценная информация, которая и отличает опытного специалиста от молодого врача. Затем опытный врач всегда хорошо помнит все медицинские байки, которые ему приходилось слышать от своих коллег ("Помню, в Тюмени было, привезли мне одного больного..."). И наконец, память специалиста хорошо хранит все вычитанное из медицинских журналов. Эти три источника информации служат одной цели - правильной постановке диагноза. И чем больше этот объем информации, тем точнее ставится диагноз. Вот почему в трудных случаях врачи любят собираться вместе и устраивать консилиум, чтобы объединять опыт нескольких врачей.

В век кибернетики такой консилиум проводится иначе и на другом уровне. В этом "консилиуме" могут участвовать тысячи врачей. Делается это таким образом.

Персептрон обучается на диагностику различных болезней, причем материал для такого обучения берется по хорошо проверенным случаям, которых можно собрать очень много (люди болеют примерно одинаково). И тогда персептрон для постановки диагноза оказывается вооруженным опытом очень большого числа врачей, которых практически собрать вместе на один консилиум попросту невозможно. В персептроне же объединяется опыт не только врачей сегодняшних дней, но и живших в разное время и на разных континентах. Это и делает диагноз машины чрезвычайно точным.

Однако из-за сложности схемы такие узкоспециализированные машины - диагностирующие персептроны - не делаются. А все, что мы рассказали о диагностике, великолепно программируется на универсальной быстродействующей вычислительной машине, которая обладает огромной памятью. Вот в эту память и закладываются истории болезней.

Такая диагностирующая система создана и уже функционирует у нас в Союзе, в медицинском институте имени профессора А. А. Вишневского. Она запрограммирована на диагностику заболеваний сердца.

В ее памяти хранятся описания сердечных заболеваний и их исходов, собранные почти со всего света. Обладая такой "эрудицией", машина дает весьма ценные советы врачам при диагностике тех или иных сердечных заболеваний.

Персептрон может выступать не только в роли диагностирующего автомата, но и в роли лечащего врача. Для этого нужно только обучить его на удачных образцах лечения, то есть сообщить ему симптомы заболевания и лечебные меры, которые приводили к быстрому выздоровлению больных без всяких неприятных последствий. Обученный таким образом персептрон будет не только давать правильный диагноз, но и рекомендовать наилучший способ лечения.

Роль случайности в персептроне

Случайные соединения между светочувствительными и ассоциативными элементами в персептроне имеют глубокий смысл, особенно при различении сложных образов. Действительно, в случае сложных образов о различающих признаках ничего заранее сказать нельзя. И выгоднее, оказывается, в основу различия двух или нескольких образов положить случайные ассоциации, отбрасывая те из них, которые не различают образов.

Смысл такого случайного выбора соединений между ретиной и ассоциативными элементами заключается в том, что для любой пары образов обязательно найдутся такие ассоциативные элементы, которые дают повышенное напряжение для изображений одного образа и пониженное - для другого. Это и есть ассоциации, необходимые для распознания. Если бы соединения производились по какому-то определенному закону, а не по таблице случайных чисел, то всегда нашлась бы хоть одна такая пара образов, которая не опозналась бы персептроном.

Таким образом, случайность соединений персептрона является залогом опознания им практически любых образов.

Персептрон как обучающаяся машина занимает промежуточное положение между обычными механизмами: автомобилем, радиоприемником, автоматом и т. д. - и биологическими системами - живыми организмами. Это своеобразие персептрона и его удивительные свойства заставили инженеров обратить внимание на живую природу, что породило новую науку - бионику.

Бионика

Бурное развитие кибернетики, начавшееся с 1948 года, стимулировалось идеей о всеобщности процессов управления. Создатель кибернетики Н. Винер показал, что управление как средство достижения заданных целей имеет одинаковый характер независимо от того, что именно управляется - машина, организм или общество. Эта головокружительная идея привела к созданию универсальных управляющих машин и к применению их в совершенно неожиданных областях деятельности человека.

Появление универсальных вычислительных машин и доказанная возможность почти неограниченного их использования привели буквально к революции не только в промышленности, но и в умах исследователей. Казалось, что в руки человека попала жар-птица, которая поможет решить почти все проблемы, волнующие науку, технику и общество.

Но шли годы, и жар-птица кибернетики... стала терять свои яркие перья. Чего-то явно не хватало. То, что, казалось, вот-вот будет сделано, почему-то не получалось. Век роботов и мыслящих машин упорно не хотел наступать. Причины поначалу были "пустяковыми". То еще не было достаточно надежных элементов, которые длительное время могли бы работать в машине без смены и ремонта. То у самой машины не хватало мощности для решения поставленных перед ней задач. То не удавалось составить программу для некоторых "простых" задач.

Со временем эти "пустяки" выросли в проблемы, которые преградой встали на пути развития кибернетики. К шестидесятым годам стало ясно, что кибернетике нужны новые идеи и новые технические решения. Эти идеи не могли родиться внутри самой кибернетики - их нужно было искать в других областях. И вот такая область нашлась - ею оказалась живая природа. В самом деле, вокруг нас прыгают, лазают, квакают и пищат наши меньшие братья. Они в состоянии решать такие задачи, которые (увы!) не по плечу ни одной вычислительной машине. И нужно было сделать только шаг, чтобы позаимствовать у природы ее великолепные разработки. Необходимые кибернетике идеи и решения существовали рядом - в живой природе, создавшей биологические машины с необыкновенными свойствами и возможностями.

Так появилась новая наука - бионика, девизом которой стали слова: "От живых прототипов к техническим моделям". В действительности назначением бионики является "кража" патентов природы.

Ну что ж, против такого "воровства" возразить трудно.

И опять перспективы окрасились в розовые тона. Снова, как и раньше, казалось, что цель близка, что достаточно только внимательно познакомиться с устройством и принципом работы биологических систем, и ключ к созданию подобных машин будет найден. Поэтому вопросами бионики сразу заинтересовались инженеры и техники, а особенно военные. И действительно, на первых порах были получены обнадеживающие результаты.

Более же тщательные исследования принципов работы биологических систем показали, что часто эти принципы, мягко говоря, нецелесообразно применять в технике. Скажем, искусственный нейрон, созданный по образцу и подобию естественного, оказался хуже уже имеющихся элементов вычислительных машин. Можно привести много и других примеров, когда "патенты природы", на которые возлагала надежду бионика, нельзя было использовать. Назревал новый кризис. Стали всматриваться в сами основы бионики.

И оказалось, что в исходных концепциях ее не все в порядке. Если внимательно вглядеться, то можно заметить, что живой организм - это сложнейшая химическая машина! "Изобретенные" природой биологические системы работают на белковых соединениях. Информацию в живом организме несут не только электрические импульсы, но и химические вещества. Очевидно, что перенесение принципов работы биологических систем на электрические схемы техники, как это рекомендует современная бионика, приводит к нарушению самих принципов! Этим и можно объяснить весьма умеренный успех бионики.

Чем же все-таки объяснить интерес, проявляемый инженерами к современной бионике? Здесь мы, по-видимому, сталкиваемся с любопытным психологическим фактом. Исследователи, изучая совершенно новые для них биологические объекты и зная, что проблемы, стоящие перед ними, могут быть решены, поскольку они уже решены природой, не скованы психологическим барьером "невозможности". А этот барьер всегда грозит исследователю. Ведь над ним постоянно висит опасность, что проблема, над которой он трудится, может быть не решена. Живые же прототипы снимают этот барьер. Так, например, был изобретен персептрон. По первоначальному плану его автора персептрон должен был моделировать работу мозга. Но в действительности модели мозга не получилось. Зато получилось первоклассное техническое изобретение, которое вот уже много лет "питает" идеями математиков и инженеров.

Каковы с этих позиций пути бионики? По-видимому, она должна развиваться в направлении использования живых организмов либо их органов в технике. Природа располагает превосходными устройствами с великолепной надежностью, с изумительными приспособительными свойствами. И не использовать эти устройства было бы расточительством. Если удастся приспособить их в виде живых элементов машин и заставить работать на человека (именно сами биологические системы, а не их принципы), то откроются огромные перспективы в развитии кибернетики. Поэтому принцип бионики следует сформулировать иначе: "От живых прототипов к живым элементам!"

Если идти еще дальше, то можно зайти совсем в фантастическую область, уже освоенную фантастами. Можно представить, что вычислительные машины будущего будут не складываться из живых элементов, а "выращиваться" вместе с необходимыми соединениями.

Идея обучения может быть применена для "воспитания" машины. Для этого можно воспользоваться мозгом любого животного, если суметь присоединиться к его входам и выходам. Тогда, пользуясь способностью живого мозга устанавливать связи типа условного рефлекса, можно обучить этот мозг решать интересующие нас задачи.

Итак, "От живых прототипов, через живые элементы к живым машинам!" - вот девиз бионики.