Текст книги "Многомерный образ человека: на пути к созданию единой науки о человеке"

Данный раздел умышленно написан в полемическом стиле, с целью акцентировать внимание на важности исследования проблемы происхождения мышления.

Есть такое направление в современной философии – эволюционная эпистемология, два основных тезиса которой состоят в следующем (цитируем работу Карла Поппера, которая так и называется: «Эволюционная эпистемология») [7]:

«Первый тезис. Специфически человеческая способность познавать, как и способность производить научное знание, являются результатами естественного отбора. Они тесно связаны с эволюцией специфически человеческого языка».

«Второй тезис. Эволюция научного знания представляет собой в основном эволюцию в направлении построения все лучших и лучших теорий. Это – дарвинистский процесс. Теории становятся лучше приспособленными благодаря естественному отбору. Они дают нам все лучшую и лучшую информацию о действительности. (Они все больше и больше приближаются к истине.) Все организмы – решатели проблем: проблемы рождаются вместе с возникновением жизни».

При этом первый тезис считается почти тривиальным, а второй – разворачивается и всесторонне исследуется. Таким образом, эволюционная эпистемология занимается изучением того, каковы познавательные процессы и насколько их можно сопоставить с процессами накопления информации в процессе эволюции. Но она практически не занимается изучением эволюционного происхождения познавательных способностей человека.

В какой-то степени этим занимается философское направление, которое можно назвать «исследования когнитивной эволюции». На эту тему есть хорошая книга И.П. Меркулова «Когнитивная эволюция» [8]. Предмет этой книги частично перекликается с известной книгой В.Ф. Турчина «Феномен науки» [9]. Особое внимание в [8] уделяется анализу процесса формирования логического мышления на этапах перехода от примитивного мышления первобытных племен к формальному логическому (от племен охотников до Аристотеля).

Но в работах философов как-то не ощущается понимания остроты проблемы о принципиальной способности человека познавать мир. Проблемы: почему с помощью нашего человеческого мышления, нашей логики, нашего интеллекта, нашего «чистого разума» мы способны познавать природу. Автор настоящей работы читал множество статей в журнале «Вопросы философии». Но нигде не видел именно такой постановки проблемы, не говоря уже о конструктивных подходах к ее решению. Как правило, много говорится о том, каковы методы познания, формализуются эти методы, говорится о том, что трудно формализовать все их особенности, но нигде не ставится задача – разобраться в том, почему они применимы в принципе. Нет именно такой постановки проблемы ни в «Феномене науки» Турчина, ни в «Когнитивной эволюции» Меркулова. Хотя, конечно, в обеих книгах есть очень хорошие и глубокие подходы к исследованию эволюционного происхождения познавательных способностей человека.

И опять настоящая драма! Примерно та же, что, возможно, ощутил И. Кант перед созданием «Критики чистого разума». Надо либо подвергнуть сомнению все научные знания – которые получены с помощью человеческого мышления, в применимости которого к научному познанию можно сомневаться, – либо заняться обоснованием самого мышления. И естественный подход к решению проблемы – исследовать биологические корни наших познавательных способностей и постараться разобраться, почему эти способности возникли и в процессе их эволюционного возникновения появилась возможность познания природы. Наиболее четкий путь такого исследования – построение математических и компьютерных моделей когнитивной эволюции. Хотелось бы с помощью моделей представить общую картину эволюции когнитивных способностей животных и эволюционного происхождения интеллекта человека. Причем здесь, как это ни удивительно, можно попытаться поставить «неестественную» науку – эпистемологию – на твердую естественнонаучную почву.

Как же можно конкретно подойти к исследованию происхождения интеллекта?

Как уже было отмечено выше, естественно поступить достаточно понятным образом: идти по ступеням эволюции, выделять на эволюционном пути наиболее важные «изобретения» биологической эволюции, ведущие к интеллекту человека, и строить компьютерные, математические модели этих изобретений (см. также [10, 11]). И на основе этих моделей формировать научное представление о когнитивной эволюции, приведшей к интеллекту человека.

Но почему же ученые еще не провели такую работу? Работу, которая, по-видимому, могла бы внести радикальный вклад в современное научное миропонимание.

Конечно же, здесь сказывается сложность биологических систем и трудность налаживания междисциплинарного сотрудничества биологов и специалистов в области математического и компьютерного моделирования.

И тем не менее, что здесь сделано и делается сейчас? Какие модели направлены на исследование «интеллектуальных изобретений» биологической эволюции? Что делается в близких направлениях исследований?

Сравнительно недавно, в начале 90-х годов сформировалось направление исследований «Адаптивное поведение» [12, 13]. Организаторами первой международной конференции по «Адаптивному поведению» (1990 год, Париж) были Жан-Аркадий Мейер и Стюарт Вильсон. Основной подход этого направления – конструирование и исследование искусственных (в виде компьютерной программы или робота) «организмов», способных приспосабливаться к внешней среде. Эти организмы называются «аниматами» (от англ. animal (животное) и robot: animal + robot = animat). Часто используют также близкий термин «агент», подразумевая под этим термином модельный искусственный организм (необязательно похожий на робота).

Поведение аниматов имитирует поведение животных. Исследователи направления «Адаптивное поведение» стараются строить такие модели, которые применимы к описанию поведения как реального животного, так и искусственного анимата.

Программа-минимум направления «Адаптивное поведение» – исследовать архитектуры и принципы функционирования, которые позволяют животным или роботам жить и действовать в переменной внешней среде.

Программа-максимум этого направления – попытаться проанализировать эволюцию когнитивных способностей животных и эволюционное происхождение человеческого интеллекта [14].

Для исследований «Адаптивного поведения» характерен синтетический подход: здесь конструируются архитектуры, обеспечивающие «интеллектуальное» поведение аниматов. Причем очень часто это конструирование проводится как бы с точки зрения инженера: исследователь сам «изобретает» архитектуры, подразумевая, конечно, что какие-то подобные структуры, обеспечивающие адаптивное поведение, должны быть у реальных животных.

Упрощенная схема анимата представлена на рис. 3. Анимат взаимодействует с внешней средой, он выполняет действия, получает информацию о внешней среде через сенсорные входы и получает подкрепления от внешней среды.

^{Рис. 3. Упрощенная схема взаимодействия анимата с внешней средой.}

Отметим что, хотя «официально» направление исследований «Адаптивное поведение» было провозглашено в 1990 году, были явные провозвестники этих работ. Приведем примеры из истории отечественной науки.

В 60-х годах блестящий кибернетик и математик M.Л. Цетлин предложил и исследовал модели автоматов, способных адаптивно приспосабливаться к окружающей среде. Работы M.Л. Цетлина инициировали целое научное направление, получившее название «коллективное поведение автоматов» [15, 16].

В 70-х годах под руководством талантливого кибернетика М.М. Бонгарда был предложен весьма нетривиальный проект «Животное», характеризующий адаптивное поведение искусственных организмов [17, 18].

Хороший обзор ранних работ по адаптивному поведению представлен в книге М.Г. Гаазе-Рапопорта и Д.А. Поспелова «От амебы до робота: модели поведения» [18].

Изложение ряда конкретных современных моделей адаптивного поведения содержится в главах 6, 7 книги [11]. Интересный обзор моделей аниматов сделан в работах В.А. Непомнящих [19, 20].

Подчеркнем, что в «Адаптивном поведении» в основном используется феноменологический подход к исследованиям систем управления адаптивным поведением. Предполагается, что существуют формальные правила адаптивного поведения, и эти правила не обязательно связаны с конкретными микроскопическими нейронными или молекулярными структурами, которые есть у живых организмов. Скорее всего, такой феноменологический подход для исследований адаптивного поведения вполне имеет право на существование. В пользу этого тезиса приведем аналогию из физики. Есть термодинамика, и есть статистическая физика. Термодинамика описывает явления на феноменологическом уровне, статистическая физика характеризует те же явления на микроскопическом уровне. В физике термодинамическое и статфизическое описания относительно независимы друг от друга и вместе с тем взаимодополнительны. По-видимому, и для описания живых организмов может быть аналогичное соотношение феноменологическим (на уровне поведения) и микроскопическим (на уровне нейронов и молекул) подходами. При этом естественно ожидать, что для исследования систем управления адаптивным поведением феноменологический подход должен быть более эффективен (по крайней мере, на начальных этапах работ), так как очень трудно сформировать целостную картину поведения на основе анализа всего сложного многообразия функционирования нейронов, синапсов, молекул.

Активные исследования адаптивного поведения проходят в ряде зарубежных лабораторий, таких, как:

– AnimatLab (Париж, руководитель – один из инициаторов данного направления Ж.-А. Мейер) [21, 22], в этой лаборатории ведется широкий спектр исследований адаптивных роботов и адаптивного поведения животных. Подход AnimatLab предполагает, что система управления анимата может формироваться и модифицироваться посредством: 1) обучения, 2) индивидуального развития (онтогенеза) и 3) эволюции.

– Лаборатория искусственного интеллекта в университете Цюриха (руководитель Рольф Пфейфер) [23, 24]. Основной подход этой лаборатории – познание природы интеллекта путем его создания («understanding by building»). Он включает в себя: 1) построение моделей биологических систем, 2) исследование общих принципов естественного интеллекта животных и человека, 3) использование этих принципов при конструировании роботов и других искусственных интеллектуальных систем.

– Лаборатория искусственной жизни и роботики в Институте когнитивных наук и технологий (Рим, руководитель Стефано Нолфи) [25, 26], ведущая исследования в области эволюционной роботики и принципов формирования адаптивного поведения.

– Лаборатория искусственного интеллекта в Массачусетском технологическом институте (руководитель Родни Брукс) [27, 28], которая ведет исследования широкого спектра интеллектуальных и адаптивных систем, включая создание интеллектуальных роботов.

Итак, в настоящее время ведутся (к сожалению, в основном за рубежом) активные исследования адаптивного поведения, при этом задача-максимум этого направления работ – именно исследование когнитивной эволюции.

Каково же общее состояние моделей адаптивного поведения в контексте исследования когнитивной эволюции? Общая ситуация примерно такова. Есть множество математических и компьютерных моделей, характеризующих «интеллектуальные» изобретения: модель возникновения безусловного рефлекса на молекулярно-генетическом уровне [29], модели привыкания [13, 30], большое количество моделей условных рефлексов [31–35]. Однако эти модели очень фрагментарны, слабо разработаны и пока не формируют общую картину эволюционного происхождения мышления, логики, интеллекта.

Для осмысления многообразия форм адаптивного поведения необходимо не только исследование конкретных моделей, но и разработка общих концепций и схем, позволяющих взглянуть сверху, «с высоты птичьего полета» на эти исследования.

Одной из таких концептуальных теорий может служить теория функциональных систем, предложенная и развитая в 30—70-х годах известным советским нейрофизиологом П.К. Анохиным [36–38].

Функциональная система по П.К. Анохину – схема управления, нацеленного на достижение полезных для организма результатов.

^{Рис. 4. Структура функциональной системы. ОА – обстановочная афферентация, ПА – пусковая афферентация.}

Работа функциональной системы (рис. 4) может быть описана следующим образом.

Сначала происходит афферентный синтез, который включает в себя нейронные возбуждения, обусловленные: 1) доминирующей мотивацией, 2) обстановочной и пусковой афферентацией, 3) врожденной и приобретаемой памятью.

За афферентным синтезом следует принятие решения, при котором происходит уменьшение степеней свободы для эфферентного синтеза и выбор конкретного действия в соответствии с доминирующей потребностью животного и с другими составляющими афферентного синтеза.

Затем следует формирование акцептора результата действия, то есть прогноза результата. Прогноз включает в себя оценку параметров ожидаемого результата.

Эфферентный синтез — подготовка к выполнению действия. При эфферентном синтезе происходит генерация определенных нейронных возбуждений перед подачей команды на выполнение действия.

Все этапы достижения результата сопровождаются обратной афферентацией. Если параметры фактического результата отличаются от параметров акцептора результата действия, то действие прерывается и происходит новый афферентный синтез. В этом случае все операции повторяются до тех пор, пока не будет достигнут конечный потребный результат.

Таким образом, функциональная система имеет циклическую (с обратными афферентными связями) саморегулирующуюся архитектонику.

Теория П.К. Анохина подразумевает динамизм функциональных систем. Для каждого конкретного поведенческого акта может быть сформирована своя функциональная система.

Функциональные системы формируются в процессе системогенеза. Теория системогенеза, которая исследует закономерности формирования функциональных систем в эволюции, индивидуальном развитии и обучении [39], может рассматриваться как отдельная ветвь теории функциональных систем.

Каждая функциональная система ориентирована на достижение конечного потребного результата.

Необходимо подчеркнуть, что теория функциональных систем была разработана в первую очередь для интерпретации нейробиологических данных и зачастую сформулирована в очень интуитивных терминах. Поэтому, хотя она и хорошо известна, она не общепризнана и практически не использовалась при разработке серьезных моделей адаптивного поведения. Можно сказать, что попытки формализации теории функциональных систем только начинаются [40–42]. Тем не менее эта теория базируется на многочисленных биологических экспериментальных данных и представляет собой хорошую концептуальную основу для исследования широкого спектра проблем адаптивного поведения.

Что же можно делать сразу сейчас? Какие интересные задачи можно исследовать, отталкиваясь от теории функциональных систем?

Важное понятие функциональной системы – мотивация. Роль мотивации состоит в формировании цели и поддержке целенаправленных форм поведения. Мотивация может рассматриваться как активная движущая сила, которая стимулирует нахождение такого решения, которое адекватно потребностям организма в рассматриваемой ситуации. И имеет смысл провести моделирование эволюционного возникновения целенаправленного адаптивного поведения и анализ роли мотиваций в формировании целенаправленного поведения. Также следует отметить, что целенаправленность могла возникнуть на очень ранних стадиях эволюции, до появления каких-либо форм индивидуально приобретаемой памяти [43], поэтому, следуя пути, пройденному эволюцией, разумно начать с анализа этого свойства. Кроме того, свойство целенаправленности важно само по себе – это существенная особенность поведения именно живых существ.

Модель эволюционного возникновения целенаправленного адаптивного поведения была построена и исследована в работах [44, 45]. Охарактеризуем основные результаты этого моделирования.

В данной модели исследовался возможный механизм эволюционного возникновения целенаправленного поведения, обусловленного мотивациями.

Основные предположения модели состоят в следующем:

– Имеется популяция агентов (искусственных организмов), имеющих естественные потребности: 1) потребность энергии и 2) потребность размножения.

– Популяция эволюционирует в одномерной клеточной среде (рис. 5), в клетках может эпизодически вырастать трава (пища агентов). Каждый агент имеет внутренний энергетический ресурс R, который пополняется при съедании травы и уменьшается при выполнении каких-либо действий. Уменьшение ресурса до нуля приводит к смерти агента. Агенты могут скрещиваться, рождая новых агентов.

– Потребности характеризуются количественно мотивациями. Если энергетический ресурс агента уменьшается, то возрастает мотивация к пополнению энергетического ресурса (характеризующая потребность энергии) и уменьшается мотивация к размножению. При увеличении энергетического ресурса мотивация к пополнению ресурса уменьшается, а мотивация к размножению растет.

– Поведение агента управляется его нейронной сетью. Сеть имеет один слой нейронов. На входы нейронов подаются сигналы, характеризующие внешнюю и внутреннюю среду агента, выходы нейронов определяют действия агента. Каждому возможному действию соответствует ровно один нейрон. В каждый такт времени совершается действие, соответствующее максимальному сигналу на выходе нейрона.

^{Рис. 5. Агенты в одномерной клеточной среде.}

– Агенты «близорукие» – агент воспринимает состояние внешней среды только из трех клеток его поля зрения (рис. 5): той клетки, в которой агент находится, и двух соседних клеток.

– Агент может выполнять следующие действия: 1) быть в состоянии покоя («отдыхать»), 2) двигаться, то есть перемещаться на одну клетку вправо или влево, 3) прыгать через несколько клеток в случайную сторону, 4) есть (питаться), 5) скрещиваться.

– Нейронная сеть имеет специальные входы от мотиваций. Если имеется определенная мотивация, то поведение агента меняется, с тем чтобы удовлетворить соответствующую потребность. Такое поведение можно рассматривать как целенаправленное (есть цель удовлетворить определенную потребность).

– Популяция агентов эволюционирует. Веса синапсов нейронной сети, управляющей поведением агента, составляют геном агента. Геном потомка (рождаемого при скрещивании) формируется на основе геномов родителей при помощи рекомбинаций и мутаций.

В проведенных компьютерных экспериментах моделировалась эволюция популяции агентов. Нейронная сеть агентов исходной популяции определяла некоторые простые изначальные инстинкты, обеспечивающие питание и размножение агентов. Далее наблюдалось, как в процессе эволюции изменялись нейронная сеть агентов и определяемое ею поведение агентов.

Для того чтобы исследовать влияние мотиваций на поведение агентов, были проведены две серии экспериментов. В первой серии моделировалась эволюция популяции агентов с «выключенными» мотивациями (входы нейронов от мотиваций были «задавлены»), во второй серии мотивации «работали» (так, как это изложено выше).

Основные результаты проведенного моделирования таковы:

– Мотивации играют важную роль в исследованных эволюционных процессах. А именно: если сравнить популяцию агентов без мотиваций с популяцией агентов с мотивациями, то, как показывают компьютерные эксперименты, эволюционный процесс приводит к тому, что вторая популяция (с мотивациями) имеет значительные эволюционные преимущества по сравнению с первой (без мотиваций).

^{Рис. 6. Схема управления агента без мотиваций. Поведение агента состоит из одних только простых безусловных рефлексов, при котором выбор действия напрямую определяется текущим состоянием окружающей среды.}

– Результаты моделирования также демонстрируют (рис. 6, 7), что управление поведением агента без мотиваций можно рассматривать как набор простых инстинктов (несколько отличающихся от изначально заданных), а управление агентом с мотивациями – как иерархическую систему управления, состоящую из двух уровней: уровня простых инстинктов и метауровня, обусловленного мотивациями. При этом иерархическая система управления обеспечивает более эффективное управление, чем одноуровневая система, в которой поведение определяется одними лишь простыми инстинктами.

^{Рис. 7. Схема управления агента, обладающего мотивациями. Мотивации формируют новый уровень иерархии в системе управления агентами.}

Понятно, что очерченная модель только лишь характеризует роль мотиваций, целенаправленности в адаптивном поведении и еще далека от моделей реальных когнитивных процессов. Тем не менее она дает определенный вклад в понимание работы функциональных систем и опору для развития моделей более интеллектуальных процессов.