https://wodolei.ru/catalog/sistemy_sliva/sifon-dlya-rakoviny/
В работах московских ученых Д. и Н.Чернавских сделана оценка вероятности случайного формирования нового биологически значимого белка (кодируемого ДНК) с учетом того, что в белке есть активный центр, в котором замены аминокислот практически недопустимы, и участки, свойства которых не сильно меняются при многих аминокислотных заменах. Полученная оценка указывает на то, что случайное формирование белка было вполне вероятно в процессе эволюции.
В чрезвычайно интересных работах С.Кауфмана с сотрудниками из Пенсильванского университета исследуется эволюция автоматов, состоящих из соединенных между собой логических элементов. Отдельный автомат можно рассматривать как модель молекулярно-генетической системы управления живой клетки, причем каждый логический элемент интерпретируется как регулятор синтеза определенного фермента. Модели Кауфмана позволяют сделать ряд предсказаний относительно «программ» жизнедеятельности клетки. В частности, продемонстрировано, что для одновременного обеспечения устойчивости и гибкости программы число входов логических элементов должно быть ограничено определенным интервалом, а именно составлять величину примерно равную 2–3.
Согласованность и эффективность работы элементов биологических организмов наводит на мысль: а можно ли использовать принципы биологической эволюции для оптимизации практически важных для человека систем? Одна из первых схем эволюционной оптимизации была предложена в 60-е годы П.Фогелем, А.Оуэнсом и М.Уолшем; эффективность этой схемы на практике была продемонстрирована И.Букатовой из Москвы. Также в последнее время проявляется большой интерес к исследованию и использованию генетического алгоритма, предложенного Дж. Холландом из Мичиганского университета. Этот генетический алгоритм предназначен для решения задач комбинаторной оптимизации, то есть оптимизации структур, задаваемых векторами, компоненты которых принимают дискретные значения. Схема генетического алгоритма практически совпадает с таковой в модели квазивидов, за исключением того, что в генетическом алгоритме механизм изменчивости помимо точечных мутаций включает в себя кроссинговер – скрещивание структур. Генетический алгоритм естественно «вписывается» в параллельную многопроцессорную вычислительную архитектуру: каждой «особи» популяции можно поставить в соответствие отдельный процессор, поэтому возможно построение специализированных компьютеров, эффективно реализующих генетический алгоритм.
7.6.2. Нейронные сети и нейрокомпьютер
В последнее время активно ведутся также работы по построению моделей обработки информации в нервной системе. Большинство моделей основывается на схеме формального нейрона У.МакКаллока и У.Питтса, согласно которой нейрон представляет собой пороговый элемент, на входах которого имеются возбуждающие и тормозящие синапсы; в этом нейроне определяется взвешенная сумма входных сигналов (с учетом весов синапсов), а при превышении этой суммой порога нейрона вырабатывается выходной сигнал.
В моделях уже построены нейронные сети, выполняющие различные алгоритмы обработки информации: ассоциативная память, категоризация (разбиение множества образов на кластеры, состоящие из подобных друг другу образов), топологически корректное отображение одного пространства переменных в другое, распознавание зрительных образов, инвариантное относительно деформаций и сдвигов в пространстве решение задач комбинаторной оптимизации. Подавляющее число работ относится к исследованию алгоритмов нейросетей с прагматическими целями.
Предполагается, что практические задачи будут решаться нейрокомпьютерами – искусственными нейроподобными сетями, созданными на основе микроэлектронных вычислительных систем. Спектр задач для разрабатываемых нейрокомпьютеров достаточно широк: распознавание зрительных и звуковых образов, создание экспертных систем и их аналогов, управление роботами, создание нейропротезов для людей, потерявших слух или зрение. Достоинства нейрокомпьютеров – параллельная обработка информации и способность к обучению.
Несмотря на чрезвычайную активность исследований по нейронным сетям и нейрокомпьютерам, многое в этих исследованиях настораживает. Ведь изучаемые алгоритмы выглядят как бы «вырванным куском» из общего осмысления работы нервной системы. Часто исследуются те алгоритмы, для которых удается построить хорошие модели, а не те, что наиболее важны для понимания свойств мышления, работы мозга и для создания систем искусственного интеллекта. Задачи, решаемые этими алгоритмами, оторваны от эволюционного контекста, в них практически не рассматривается, каким образом и почему возникли те или иные системы обработки информации. Настораживает также чрезмерная упрощенность понимания работы нейронных сетей, при котором нейроны осмыслены лишь как суммирующие пороговые элементы, а обучение сети происходит путем модификации синапсов. Ряд исследователей, правда, рассматривает нейрон как значительно более сложную систему обработки информации, предполагая, что основную роль в обучении играют молекулярные механизмы внутри нейрона. Все это указывает на необходимость максимально полного понимания работы биологических систем обработки информации и свойств организмов, обеспечиваемых этими системами. Одним из важных направлений исследований, способствующих такому пониманию, наверное, может быть анализ того, как в процессе биологической эволюции возникали «интеллектуальные» свойства биологических организмов.
7.6.3. «Интеллектуальные изобретения» биологической эволюции
Интересно разобраться, как в процессе биологической эволюции возникла человеческая логика. Анализ связан с глубокой гносеологической проблемой: почему человеческая логика применима к познанию природы? Кратко поясним проблему простым примером. Допустим физик, изучая динамику некоторого объекта, сумел в определенном приближении свести описание его к дифференциальному уравнению. Далее он, разумеется, интегрирует полученное уравнение согласно известным из математики правилам и получает характеристики движения объекта. Переход от дифференциального уравнения к характеристикам движения носит дедуктивный характер но, если быть предельно строгим, сей переход надо обосновывать: ведь физический объект совершенно необязательно должен подчиняться правилам человеческой логики!
Для понимания процесса возникновения логики предпринимаются попытки построить модельную теорию происхождения логики в биосфере. Такая теория могла бы содержать математические модели ключевых «интеллектуальных изобретений» биологической эволюции, акцентирующие внимание на биологическом значении и причинах возникновения этих изобретений, а также модели, характеризующие переходы между изобретениями разных уровней. Надежнее всего, видимо, начать с «самого начала» – с происхождения жизни и проследить весь путь биологической эволюции от простейших организмов до человека, выделяя на этом пути наиболее важные эволюционные открытия, ведущие к логике. Чтобы представить круг вопросов, которые составляют предмет модельной теории происхождения логики, отметим некоторые важные уровни «интеллектуальных изобретений».
Уровень первый – организм различает состояния вешней среды, память об этих состояниях записана в геноме и передается по наследству, организм адекватно использует различие сред, меняя свое поведение с изменением среды. Пример этого уровня – свойство регулирования синтеза белков в бактериях в ответ на изменение питательных веществ во внешней среде по схеме Ф.Жакоба и Ж.Моно. Данное свойство можно назвать элементарной сенсорикой.
Второй уровень – временное запоминание организмом состояния среды и адекватное, также временное, приспособление к ней. Пример этого уровня – привыкание, а именно постепенное угасание реакции раздражения на биологически нейтральный стимул.
Третий уровень – запоминание устойчивых связей между событиями в окружающей организм природе. Хороший пример – исследованный И.Павловым классический условный рефлекс, в котором происходит долговременное запоминание связи между условным и безусловным стимулами и подготовка к жизненно важным событиям во внешнем мире.
Между классическим условным рефлексом и логикой лежит еще целый ряд промежуточных уровней. Например, инструментальный условный рефлекс отличается от классического тем, что в нем для получения поощрения животному необходимо совершить заранее неизвестное ему действие. Цепь условных рефлексов – это система реакций, сформированная на основе ранее хранившихся в памяти животного условных связей.
Рассмотрение моделей «интеллектуальных изобретений» биологической эволюции показывает их чрезвычайную фрагментарность и слабую разработанность. Совершенно нет моделей переходов между «изобретениями» разных уровней. Сейчас можно только предварительно указать на некоторые аналогии. Например, выработку условного рефлекса можно рассматривать как происходящий в нервной системе животного элементарный вывод – «если за условным стимулом следует безусловный, а безусловный стимул вызывает определенную реакцию, то условный стимул также вызывает эту реакцию» – дальний предшественник формул дедуктивной логики.
Построение модельной теории возникновения логики может быть общей научной основой при создании искусственных интеллектуальных систем на бионических принципах. В рамках таких работ предстоит модельно сопоставить дарвиновскую (нет передачи по наследству приобретенных навыков) и ламарковскую (есть наследование приобретенных навыков) концепции эволюции и выяснить классы задач, для которых применима та или иная стратегия. Появляются возможности модельно проанализировать процесс возникновения нервной системы как специально предназначенной для быстрой и надежной обработки информации части управляющей системы.
Остается подчеркнуть, что в исследованиях по нейрокомпьютерам и по эволюционному моделированию уделяется очень мало внимания тем свойствам систем обработки информации, благодаря которым организмы приспосабливаются к окружающей среде, а также осмыслению того, как и почему возникали такие свойства. Поэтому идейное объединение этих исследований с анализом эволюции «интеллектуальных изобретений» биологических организмов очень актуально.
Будет ли компьютер когда-нибудь мыслить, как человек? Сегодня вряд ли кто-то сможет убедительно аргументировать положительный ответ на этот вопрос. Тем не менее ход развития электроники показывает, что дистанции между машиной и существом разумным постепенно сокращается.
В первые десятилетия после изобретения компьютера в его задачу входили лишь вычислительные работы, С 70-х годов компьютерную технику начали переориентировать с цифровой информации на различные системы символов, в том числе тексты. Следующий этап – он начался в 90-е – означая переход к работе с широкополосной информацией, включающей распознавание емких информационных образов. По мнению специалистов, в самом ближайшем будущем до 90 % информации, обрабатываемой в компьютерах, будет связано именно с распознаванием образов. А следовательно возникает потребность в устройствах нового поколения.
Один из способов решения этой проблемы – создание нейрокомпьютеров. Как известно, человеческое мышление характеризуется функциональной асимметрией мозга. Логические задачи, связанные с обработкой различных символов и составлением последовательных цепочек умозаключений, как правило, решаются с помощью левого полушария. Оно же отвечает за речь.
А вот образное и ассоциативное мышление – это функции правого полушария. Поэтому человек с поврежденным правым полушарием прекрасно логически мыслит, способен говорить и понимать речь, но он не улавливает различных оттенков в интонации говорящего и не может устанавливать различные ассоциативные связи между словами. Такой индивид лишен чувства юмора, и при общении с ним возникают определенные трудности.
Нейрокомпьютер – это устройство, которое во многом имитирует работу человеческого мозга, особенно его правого полушария. Оно состоит из множества искусственных нейронов, напоминающих естественные. Электронные нейроны, как и их аналоги в мозгу человека, объединены в структуры на различных уровнях, между которыми осуществляется информационный обмен.
С помощью системы информационных уровней, или нейросетей, можно распознавать и обрабатывать огромные объемы образной информации. Более того, такие компьютерные сети обладают свойством самообучения или самопрограммирования.
Достоинство этих технологий также в том, что они предназначены для решения неформализуемых задач, для которых или еще нет соответствующей теории, или она в принципе не может быть создана. Кроме того, в процессе своего обучения нейросеть учится находить оптимальные решения поставленных задач, что является еще одним важным преимуществом.
Распознавание образов, сжатие информации, ассоциативная память – эти функции являются необходимыми для различных устройств с искусственным интеллектом. И создатели компьютерной техники уже достаточно продвинулись в этом направлении. Так, если сравнивать мощность искусственных и естественных нейросетей по емкости памяти и скорости работы, то искусственные нейросети уже превзошли уровень мухи, хотя еще не достигли уровня таракана. Однако тот, кто пытался поймать муху, может представить, какого типа задачи уже доступны нейросетям!
7.7. «Виртуальная реальность»
Процесс познания человеком мира вышел на новый виток. И этот новый уровень связан с разработкой и реализацией комплексной проблемы «виртуальная реальность» (Virtual Reality), активно развивающейся в университетах и промышленных компаниях США.
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
В чрезвычайно интересных работах С.Кауфмана с сотрудниками из Пенсильванского университета исследуется эволюция автоматов, состоящих из соединенных между собой логических элементов. Отдельный автомат можно рассматривать как модель молекулярно-генетической системы управления живой клетки, причем каждый логический элемент интерпретируется как регулятор синтеза определенного фермента. Модели Кауфмана позволяют сделать ряд предсказаний относительно «программ» жизнедеятельности клетки. В частности, продемонстрировано, что для одновременного обеспечения устойчивости и гибкости программы число входов логических элементов должно быть ограничено определенным интервалом, а именно составлять величину примерно равную 2–3.
Согласованность и эффективность работы элементов биологических организмов наводит на мысль: а можно ли использовать принципы биологической эволюции для оптимизации практически важных для человека систем? Одна из первых схем эволюционной оптимизации была предложена в 60-е годы П.Фогелем, А.Оуэнсом и М.Уолшем; эффективность этой схемы на практике была продемонстрирована И.Букатовой из Москвы. Также в последнее время проявляется большой интерес к исследованию и использованию генетического алгоритма, предложенного Дж. Холландом из Мичиганского университета. Этот генетический алгоритм предназначен для решения задач комбинаторной оптимизации, то есть оптимизации структур, задаваемых векторами, компоненты которых принимают дискретные значения. Схема генетического алгоритма практически совпадает с таковой в модели квазивидов, за исключением того, что в генетическом алгоритме механизм изменчивости помимо точечных мутаций включает в себя кроссинговер – скрещивание структур. Генетический алгоритм естественно «вписывается» в параллельную многопроцессорную вычислительную архитектуру: каждой «особи» популяции можно поставить в соответствие отдельный процессор, поэтому возможно построение специализированных компьютеров, эффективно реализующих генетический алгоритм.
7.6.2. Нейронные сети и нейрокомпьютер
В последнее время активно ведутся также работы по построению моделей обработки информации в нервной системе. Большинство моделей основывается на схеме формального нейрона У.МакКаллока и У.Питтса, согласно которой нейрон представляет собой пороговый элемент, на входах которого имеются возбуждающие и тормозящие синапсы; в этом нейроне определяется взвешенная сумма входных сигналов (с учетом весов синапсов), а при превышении этой суммой порога нейрона вырабатывается выходной сигнал.
В моделях уже построены нейронные сети, выполняющие различные алгоритмы обработки информации: ассоциативная память, категоризация (разбиение множества образов на кластеры, состоящие из подобных друг другу образов), топологически корректное отображение одного пространства переменных в другое, распознавание зрительных образов, инвариантное относительно деформаций и сдвигов в пространстве решение задач комбинаторной оптимизации. Подавляющее число работ относится к исследованию алгоритмов нейросетей с прагматическими целями.
Предполагается, что практические задачи будут решаться нейрокомпьютерами – искусственными нейроподобными сетями, созданными на основе микроэлектронных вычислительных систем. Спектр задач для разрабатываемых нейрокомпьютеров достаточно широк: распознавание зрительных и звуковых образов, создание экспертных систем и их аналогов, управление роботами, создание нейропротезов для людей, потерявших слух или зрение. Достоинства нейрокомпьютеров – параллельная обработка информации и способность к обучению.
Несмотря на чрезвычайную активность исследований по нейронным сетям и нейрокомпьютерам, многое в этих исследованиях настораживает. Ведь изучаемые алгоритмы выглядят как бы «вырванным куском» из общего осмысления работы нервной системы. Часто исследуются те алгоритмы, для которых удается построить хорошие модели, а не те, что наиболее важны для понимания свойств мышления, работы мозга и для создания систем искусственного интеллекта. Задачи, решаемые этими алгоритмами, оторваны от эволюционного контекста, в них практически не рассматривается, каким образом и почему возникли те или иные системы обработки информации. Настораживает также чрезмерная упрощенность понимания работы нейронных сетей, при котором нейроны осмыслены лишь как суммирующие пороговые элементы, а обучение сети происходит путем модификации синапсов. Ряд исследователей, правда, рассматривает нейрон как значительно более сложную систему обработки информации, предполагая, что основную роль в обучении играют молекулярные механизмы внутри нейрона. Все это указывает на необходимость максимально полного понимания работы биологических систем обработки информации и свойств организмов, обеспечиваемых этими системами. Одним из важных направлений исследований, способствующих такому пониманию, наверное, может быть анализ того, как в процессе биологической эволюции возникали «интеллектуальные» свойства биологических организмов.
7.6.3. «Интеллектуальные изобретения» биологической эволюции
Интересно разобраться, как в процессе биологической эволюции возникла человеческая логика. Анализ связан с глубокой гносеологической проблемой: почему человеческая логика применима к познанию природы? Кратко поясним проблему простым примером. Допустим физик, изучая динамику некоторого объекта, сумел в определенном приближении свести описание его к дифференциальному уравнению. Далее он, разумеется, интегрирует полученное уравнение согласно известным из математики правилам и получает характеристики движения объекта. Переход от дифференциального уравнения к характеристикам движения носит дедуктивный характер но, если быть предельно строгим, сей переход надо обосновывать: ведь физический объект совершенно необязательно должен подчиняться правилам человеческой логики!
Для понимания процесса возникновения логики предпринимаются попытки построить модельную теорию происхождения логики в биосфере. Такая теория могла бы содержать математические модели ключевых «интеллектуальных изобретений» биологической эволюции, акцентирующие внимание на биологическом значении и причинах возникновения этих изобретений, а также модели, характеризующие переходы между изобретениями разных уровней. Надежнее всего, видимо, начать с «самого начала» – с происхождения жизни и проследить весь путь биологической эволюции от простейших организмов до человека, выделяя на этом пути наиболее важные эволюционные открытия, ведущие к логике. Чтобы представить круг вопросов, которые составляют предмет модельной теории происхождения логики, отметим некоторые важные уровни «интеллектуальных изобретений».
Уровень первый – организм различает состояния вешней среды, память об этих состояниях записана в геноме и передается по наследству, организм адекватно использует различие сред, меняя свое поведение с изменением среды. Пример этого уровня – свойство регулирования синтеза белков в бактериях в ответ на изменение питательных веществ во внешней среде по схеме Ф.Жакоба и Ж.Моно. Данное свойство можно назвать элементарной сенсорикой.
Второй уровень – временное запоминание организмом состояния среды и адекватное, также временное, приспособление к ней. Пример этого уровня – привыкание, а именно постепенное угасание реакции раздражения на биологически нейтральный стимул.
Третий уровень – запоминание устойчивых связей между событиями в окружающей организм природе. Хороший пример – исследованный И.Павловым классический условный рефлекс, в котором происходит долговременное запоминание связи между условным и безусловным стимулами и подготовка к жизненно важным событиям во внешнем мире.
Между классическим условным рефлексом и логикой лежит еще целый ряд промежуточных уровней. Например, инструментальный условный рефлекс отличается от классического тем, что в нем для получения поощрения животному необходимо совершить заранее неизвестное ему действие. Цепь условных рефлексов – это система реакций, сформированная на основе ранее хранившихся в памяти животного условных связей.
Рассмотрение моделей «интеллектуальных изобретений» биологической эволюции показывает их чрезвычайную фрагментарность и слабую разработанность. Совершенно нет моделей переходов между «изобретениями» разных уровней. Сейчас можно только предварительно указать на некоторые аналогии. Например, выработку условного рефлекса можно рассматривать как происходящий в нервной системе животного элементарный вывод – «если за условным стимулом следует безусловный, а безусловный стимул вызывает определенную реакцию, то условный стимул также вызывает эту реакцию» – дальний предшественник формул дедуктивной логики.
Построение модельной теории возникновения логики может быть общей научной основой при создании искусственных интеллектуальных систем на бионических принципах. В рамках таких работ предстоит модельно сопоставить дарвиновскую (нет передачи по наследству приобретенных навыков) и ламарковскую (есть наследование приобретенных навыков) концепции эволюции и выяснить классы задач, для которых применима та или иная стратегия. Появляются возможности модельно проанализировать процесс возникновения нервной системы как специально предназначенной для быстрой и надежной обработки информации части управляющей системы.
Остается подчеркнуть, что в исследованиях по нейрокомпьютерам и по эволюционному моделированию уделяется очень мало внимания тем свойствам систем обработки информации, благодаря которым организмы приспосабливаются к окружающей среде, а также осмыслению того, как и почему возникали такие свойства. Поэтому идейное объединение этих исследований с анализом эволюции «интеллектуальных изобретений» биологических организмов очень актуально.
Будет ли компьютер когда-нибудь мыслить, как человек? Сегодня вряд ли кто-то сможет убедительно аргументировать положительный ответ на этот вопрос. Тем не менее ход развития электроники показывает, что дистанции между машиной и существом разумным постепенно сокращается.
В первые десятилетия после изобретения компьютера в его задачу входили лишь вычислительные работы, С 70-х годов компьютерную технику начали переориентировать с цифровой информации на различные системы символов, в том числе тексты. Следующий этап – он начался в 90-е – означая переход к работе с широкополосной информацией, включающей распознавание емких информационных образов. По мнению специалистов, в самом ближайшем будущем до 90 % информации, обрабатываемой в компьютерах, будет связано именно с распознаванием образов. А следовательно возникает потребность в устройствах нового поколения.
Один из способов решения этой проблемы – создание нейрокомпьютеров. Как известно, человеческое мышление характеризуется функциональной асимметрией мозга. Логические задачи, связанные с обработкой различных символов и составлением последовательных цепочек умозаключений, как правило, решаются с помощью левого полушария. Оно же отвечает за речь.
А вот образное и ассоциативное мышление – это функции правого полушария. Поэтому человек с поврежденным правым полушарием прекрасно логически мыслит, способен говорить и понимать речь, но он не улавливает различных оттенков в интонации говорящего и не может устанавливать различные ассоциативные связи между словами. Такой индивид лишен чувства юмора, и при общении с ним возникают определенные трудности.
Нейрокомпьютер – это устройство, которое во многом имитирует работу человеческого мозга, особенно его правого полушария. Оно состоит из множества искусственных нейронов, напоминающих естественные. Электронные нейроны, как и их аналоги в мозгу человека, объединены в структуры на различных уровнях, между которыми осуществляется информационный обмен.
С помощью системы информационных уровней, или нейросетей, можно распознавать и обрабатывать огромные объемы образной информации. Более того, такие компьютерные сети обладают свойством самообучения или самопрограммирования.
Достоинство этих технологий также в том, что они предназначены для решения неформализуемых задач, для которых или еще нет соответствующей теории, или она в принципе не может быть создана. Кроме того, в процессе своего обучения нейросеть учится находить оптимальные решения поставленных задач, что является еще одним важным преимуществом.
Распознавание образов, сжатие информации, ассоциативная память – эти функции являются необходимыми для различных устройств с искусственным интеллектом. И создатели компьютерной техники уже достаточно продвинулись в этом направлении. Так, если сравнивать мощность искусственных и естественных нейросетей по емкости памяти и скорости работы, то искусственные нейросети уже превзошли уровень мухи, хотя еще не достигли уровня таракана. Однако тот, кто пытался поймать муху, может представить, какого типа задачи уже доступны нейросетям!
7.7. «Виртуальная реальность»
Процесс познания человеком мира вышел на новый виток. И этот новый уровень связан с разработкой и реализацией комплексной проблемы «виртуальная реальность» (Virtual Reality), активно развивающейся в университетах и промышленных компаниях США.
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