Обычно часы находятся на стене, а
не под столом, и наше знание окружения направляет поиск.

Кроме стратегии поиска у человека есть система описания свойств
часов: их движения, цифровых характеристик и т.д. Кроме того, для под-
ражания человеческому познанию необходимо понимание назначения ча-
сов и абстрактной природы времени. Кто-то может подумать, что после
того, как паттерн опознан, считывание времени - это уже простейшая
часть задачи. Все, что требуется от компьютера,- это просканировать и
интерпретировать цифровые характеристики, определить положение этих
паттернов в памяти и доложить: "2:12". А может, это было "14:12"? Боль-
шинство людей на это отвечают немедленно, но для такого ответа требу-
ется дополнительная информация о мире - день или ночь на дворе? Это
нетривиальная задача, но нельзя ли ее свести к нескольким более про-
стым и затем сконструировать робота по этим наметкам? Возможно, так,
и в следующем разделе мы обратимся к некоторым конкретным перцеп-
тивным вопросам, поднятым в связи с задачей Вайсштейна.

Восприятие человека инициируется внешними сигналами, состоящими
из света, звука, молекулярных соединений и давления. Эти сигналы обна-
руживаются органами чувств и преобразуются (конвертируются в нервную
энергию) в сообщения, понимаемые мозгом. Количество информации, дос-
тупной органам чувств, огромно; одна только зрительная система может
передавать в мозг 4.3х106 бит информации в секунду. Фейгенбаум (Fe-
igenbaum, 1967) предполагает, что некоторые периферийные устройства,
иногда называемые периферической системой памяти, действуют подобно
сенсорному буферу, предохраняющему мозг от переполнения потоком вте-
кающей в него информации.

Как построить машину, способную подражать этому перцептивному
механизму? Логично было бы разработать что-то способное чувствовать.
Один такой подход можно найти в работе по компьютерным распознаю-
щим системам.5

Многие из ранних исследований этого типа руководствовались практически-
ми задачами (например, как сделать устройство, считывающее цифровой код
на чеках) и как таковые были слабо связаны с проблемой аналогии ИИ с
человеком; здесь этот пример приводится для иллюстрации некоторых воз-
можностей существующих систем компьютерного "восприятия".

Мышление и интеллект - естественный и искусственный
504

Один из способов научить компьютеры распознавать геометрические фор- Распознава-
мы путем анализа логических признаков - это использовать принцип, что цие линий

сложные геометрические формы состоят из простых. В этой программе
использован ряд небольших "матриц", которые систематически проходят
через каждый объект в поисках соответствия. Пример "матрицы" и иден-
тифицируемого геометрического объекта показан на Рис. 15.2. Матрица
сделана из двух типов сенсоров - позитивного и негативного; присут-
ствует, отсутствует - это единственный сигнал, подаваемый такой ячей-
кой. или подразделением матрицы. Изображенная матрица содержит толь-
ко шесть ячеек - три "минуса" и три "плюса", и, судя по расположению
этих компонентов (все "отрицательные" элементы расположены слева),
вроде бы, подходит для идентификации левого края объекта. Помещение
матрицы ее средней линией над левым краем куба привело бы к полному
соответствию. На углу соответствие было бы плохим, а на нижнем краю,
где плюс и минус отменяют друг друга, соответствия не будет. Хотя эта
эвристика в наибольшей степени ориентирована на возможности машин,
она не расходится с результатами изучения восприятия у животных и
человека. Ранее в этой главе (и в Главе 3) мы узнали, что психофизиоло-
гам удалось найти детекторы линий в клетках коры у кошек и, хотя эти
данные не полностью подтверждены, похоже, что у человека также име-
ются детекторы края.

Трудность с вышеприведенной системой состоит в том, что для распоз-
навания даже простых паттернов нужно большое количество матриц (на-
пример, детектор левой кромки, детектор правой кромки). Также пробле-
матична "добротность" стимула; большинство геометрических форм (осо-
бенно в реальном мире) могут иметь резкие или расплывчатые края, яр-
кие или тусклые края. Распознавание паттернов путем распознавания линий
можно сильно упростить, если распознаваемую форму сначала преобразо-
вать в образ, состоящий только из линий, и затем использовать матрицы
для определения ориентации этих линий.

Системы распознавания паттернов обычно имеют дело со зрительным ма-
териалом. Как правило, воспринимающие устройства у таких систем име-
ют растр, или матрицу из фотоэлементов, реагирующих на свет. Обычно
эти фотоэлементы имеют только два состояния - включено и выключено
(для "белого" и "черного"). Рассмотрим элементарную задачу идентифи-
кации цифры. На Рис.15.3 показано, как цифры можно преобразовать в

Роспознова-
ние паттер-
нов

Матрица

Плохое
соответствие

Соответствие
отсутствует

Рис.15.2. Обнаружение
левого края посредством
шестиэлементной матри-
цы. Знаки + и - указы-
вают элементы, реагиру-
ющие на условия присут-
ствует и отсутствует" со-
ответственно. Адаптиро-
вано из: Raphael (1976J.

Искусственный интеллект
505

двоичный код - 0, иди выключено для "черного", и /. или включено -
для "белого". Компьютер считывает каждую цифру (т.е. фотоэлементы -
один для каждого квадрата сетки, накладываемой на число, - "ощущает"
световые зоны, т.е. те, что не заняты числом), исходя из того, насколько
данный цифровой код совпадает с матрицей, хранящейся в памяти компь-
ютера. Это работает очень хорошо - если все буквы одной формы, одина-
ково расположены и не уменьшены,- и такие устройства широко приме-
няются в американской промышленности и государственной почтовой служ-
бе. Но когда дело доходит до чтения рукописных писем, присланных для
тети Иолы, у оптических сканирующих устройств начинаются разные труд-
ности. Однако, судя по всему, быстро разрабатываются системы для "чте-
ния" даже и рукописных текстов.

Идентификация букв и слов средствами ИИ представляет не только
практическую проблему, она также имеет значение для тех ученых, кого
интересует процесс анализа информации человеком. Многое из того, что
известно об идентификации человеком букв и слов, обсуждалось в Гла-
ве 10. Эти знания помогают разрабатывать компьютерные программы, ими-
тирующие этот процесс. Плодотворный отчет по этой теме, послуживший
руководством для последующих исследований, представили Селфридж и
Нейсер (Selfridge and Neisser, 1963). Только что описанная общая проце-
дура "восприятия буквы" потребовала бы огромной компьютерной памяти
(для хранения матрицы каждого нового варианта каждой буквы) или не

Рис. 15.3. Двоич-
ное представле-
ние (к опенка в
центре) букв (ко-
лонка слева!. Ну-
ли показывают
выключено или
"черный , едини-
цы -- включено
или "белый. В
прозой колонке
изображено, как
выглядели бы циф-
ры при считыва-
нии их сканером.
Адаптировано из:

Raphael I1976J.



0 О0000000 0
0 0001111и0 0
0 О0111101} (1
0 0011111101) 11
000100100 0
0 00111100 0
0 01100110 0
0 01000010 0
0 00000000 0
0 00000000 0



Во00000000
001/111100
0000/10000
0000/1000 0
0 000/1000 0
0 000/1000 0
0 000/1000 0
0 000/1000 0
0 110(1111)0Р0 0
0 00000000 0



606000000 0
б 00и0000U 0
0 00011000 0
0 001001UU 0
0 01000010 0
001000010 0
0 (101(10100 0
0 00011000 0
000000000 0
0 00000000 U

Мышление и интеллект - естественный и искусственный
506

смогла бы обнаруживать многие встречающиеся в действительности фор-
мы букв (Рис. 15.4).

Нужен был более "хитрый" подход, и Селфридж и Нейсер предложили
анализировать буквы по их "деталям".6 Возьмем, например, букву А. Чем
помещать все типы написаний буквы А в память компьютера и проводить
с ними операции поиска и сравнения, мы можем написать для компьютера
программу, которая будет изучать каждую из составляющих букву дета-
лей, проверять их наличие или отсутствие и принимать решение о том,
какая это может быть буква. Для этого есть два фундаментально различ-
ных способа - модель последовательной переработки и мод- ib парал-
лельной переработки. В модели последовательной переработки каждая
деталь изучается заранее определенным пошаговым способом, и резуль-
тат каждого теста определяет следующий шаг в программе. Пример про-
граммы последовательной обработки показан на Рис. 15.5 слева. Эта про-
стая программа оценивает всего три детали, спрашивая: Есть ли у предъяв-
ленной фигуры кривизна наверху (например, Н, U, Y, V), пересечение
(например, Н, F) и вертикальная линия (В, Y, Т, R, Р, Н)? При постепен-
ном процессе каждый из этих вопросов задается по порядку. Для рассмот-
ренного набора букв (А, Н, V и Y) простое решение "Да" или "Нет"- это
все, что необходимо для идентификации каждой буквы. Например, если
предъявлена для опознания буква А, то, чтобы отделить эту букву от
других букв рассматриваемого набора, надо только ответить отрицательно
на первый вопрос (Есть ли кривизна наверху?). Остальные вопросы слу-
жат для различения между собой остальных букв этого набора.

Обсуждение нидстальной идентификации см. в Главе 10.

А

Рис. 15.4. Типичные случаи неудачного об-
наружения. В случае "А" матрица 1открытая
буква) не находит соответствия, когда неиз-
вестная буква (темная) имеет неправильную
величину, ориентацию или положение; в слу-
чае В неверное сопоставление происхо
дит даже когда образец был приведен к стан-
дартной величине и ориентации. Здесь мат-
рице А больше соответствует буква R, чем
закругленные или с другим наклоном образ-
цы буквы А. Взято из: Selfrodge and Neisse
(1963J.

В

Искусственный интеллект
507

В модели параллельной обработки тестовые детали те же самые, что и
в модели последовательной обработки, но все они применяются не шаг за
шагом, а одновременно (Рис. 15.5 справа). Это "адская" модель в том пла-
не, что для каждой детали есть свой "демон", принимающий решение и
реагирующий на входной стимул согласно своему конкретному виду чув-
ствительности.

Возможно, наибольшая неудача этой ранней модели - это ее слепота
к "критическим деталям" и влияниям контекста. Первый из этих недо-
статков особенно существенней, поскольку различение "критических де-
талей" - это отличительная особенность распознавания паттернов чело-
веком. При отличении G от С или Q от О, например, критическая де-
таль - это почти незаметная небольшая линия. Неважно, насколько пре-
обладает заметность других деталей, для человеческой обработки они не
перевешивают важность критической детали. Второй пункт критики этой
ранней модели в том, что она нечувствительна к влиянию контекста при
идентификации отдельных букв. Наши обширные знания орфографии и
структуры предложения оказывают нам при идентификации букв неоцени-
мую помощь. Чтение рукописного текста - как в указанном случае -
было бы почти невозможно, если бы читающий не привносил в ситуацию
изрядное количество собственной информации. Чтобы заставить машину
действовать при обработке информации подобно человеку, следует при-
нять в расчет этот важный параметр.

А теперь мы рассмотрим несколько примеров того, как идентифициру-
ются паттерны более сложные, чем просто буквы.

Рис. 15.5. Алгорит-
мы последователь-
ной (слева) и парал-
лельной (справа) об-
работки для разли-
чения букв А, Н, V и
У путем использова-
ния трех тестовых
картинок. При по-
следовательной об-
работке каждый
последующий этоп
определяется выход-
ной информацией
предыдущего; при
параллельной обра-
ботке все тесты при-
меняются одновре-
менно, и решение
принимается на ос-
новании объедине-
ния их выходных дан-
ных. Адаптировано
из: Selfridge and N-
eisser (1963).



1
ВводнойКривизна
стимулнаверху?

| Входной

г--1 чма ы



1Кривизна наверху?
1
Входной стимулПересечение ?-
Верти-
кальная
линия 7L-

Мышление и интеллект - естественный и искусственный
508

В качестве примера распознавания других паттернов обратимся к иденти-
фикации треугольника7. На рисунке 15.6 изображены несколько треуголь-
ников, каждый из которых человек может немедленно опознать и класси-
фицировать как таковой. Если прототип "треугольности", хранимый в про-
грамме компьютера, соответствует "правильной" матрице треугольника
(а), тогда треугольники (Ь) и (с), если их правильно повернуть и скоррек-
тировать по величине, можно будет легко распознать; однако, треугольни-
ки (о) и (е) вызывают проблемы, особенно те, что на (е) - их можно
идентифицировать только в результате "хорошего гештальта", но не по
тому. что они состоят из трех прямых линий.

Наша способность немедленно распознавать каждую из этих фигур
как треугольник объясняется обширным опытом восприятия других треу-
гольных объектов; абстрактное представление о треугольности доста-
точно широко, чтобы позволить нам опознать эти треугольники именно
как треугольники, хотя мы их никогда не видели. Может ли компьютер
выучить это понятие? Возможно, но такой механизм поиска необходимо
будет более сложным, чем единичная операция сопоставления, такая, как
в машине, считывающей номер с чека. Вместо этого стоило бы подумать о
программе поиска, распознающей детали треугольника (как в программе
распознавания букв Селфриджа-Нейсера). Тогда такие детали, или атри-
буты, как углы, линии, форма, количество объектов и т.д. хранились бы в
компьютерной памяти, точно так же как в нашей памяти хранится каталог
этих атрибутов треугольника.

Программы последнего типа, более близкие интересам когнитивной
психологии, разрабатывали Гузман и Винстон (Gusman, 1968; Winston,
1970, 1973, 1984). Эти программы отличались от более ранних тем, что

0 том, как человек формирует понятие о треугольности см, в Главе 13.

Рис. 15.6. Хорошие (A-Dj и "про-
блематичные (Ef треугольники. Пер-
вые отличаются только по величине,
ориентации и отношению сторон;
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97