Но если латеральное торможение – достаточно простой механизм, который легко биологически запрограммировать до рождения, то восприятие сложных объектов требует слишком большого количества настроек, чтобы их можно было закодировать в нашем ограниченном по размеру геноме. У нейронных сетей нет такого ограничения. Согласно правилу Хебба, мозг может адаптироваться к любым существующим закономерностям более высокого порядка. Глаза, носы, волосы, подбородки появляются в нашем визуальном мире не случайным образом – обычно они появляются вместе, что является хорошей предпосылкой для перцептивного обучения.

Вот еще один пример. Посмотрите на рисунок. И представьте себе мир будущего, в котором некоторые часто встречающиеся «лица», например, инопланетян выглядят примерно так. В этом случае наши нейронные сети в височной доле будут обучаться и на этих примерах тоже и, вполне вероятно, станут распознавать эти странные объекты как лица.

Но пока нейронные сети в височной доле землян настроены только на человеческие лица. Даже если существует гипотетическая возможность встречи с инопланетянами, нашему мозгу не имеет смысла заранее выделять нейроны под их узнавание. Наша зрительная система не занимается распознаванием объектов «просто так». Она тратит свои вычислительные ресурсы только на те объекты, которые она видит регулярно и которые критически важны для нашего выживания.

Такой взгляд на зрение носит прежде всего прагматический характер: он обращается к чисто практической проблеме эффективного использования нейронного оборудования. Но в нем есть и некая возвышенная утонченность, поскольку это говорит о том, что мозг человека или животного теснейшим образом, на уровне синаптических связей между нейронами, связан с природным миром, в котором он существует. Благодаря перцептивному обучению наш визуальный мозг содержит встроенную копию, дистиллят окружающего нас мира.

Распознающие лица нейроны в передней височной коре, по сути, решают классическую проблему распознавания объектов, обозначенную нами в главе 1: они реагируют на лицо независимо от его освещенности, ракурса и положения на сетчатке. Но что дальше? Насколько мы продвинулись в нашем понимании того, что большинство людей считают восприятием?

По правде говоря, не так уж и далеко. Наши знания заканчиваются на группе нейронов в височной доле, которые сообщают нам о том, что в нашем поле зрения находится какой-либо конкретный объект. Довольно скудный перцептивный мир, согласитесь. А наши искусственные модели, видящие компьютеры, способны выполнять только очень узкие задачи, причем весьма неуклюжим и неэффективным образом в сравнении с мозгом. Давайте еще раз вернемся к искусственному интеллекту и рассмотрим важнейшую фундаментальную проблему, которую он, несмотря на свои впечатляющие успехи, пока так и не сумел решить.

ОБУЧЕНИЕ С УЧИТЕЛЕМ И БЕЗ УЧИТЕЛЯ

Мы почти ежедневно слышим об искусственном интеллекте и различных перцептивных задачах, которые он способен выполнять при помощи машинного обучения: беспилотные автомобили, распознавание лиц и многое другое. Все это сопровождается паническими пророчествами, что, дескать, умные машины однажды станут умнее людей, выйдут из-под контроля и захватят мир. Но большинство таких прорицателей не замечают в комнате огромного слона: машинное обучение действительно способно делать некоторые замечательные вещи, но, как это мучительно осознают специалисты в области ИИ, сегодня даже самые умные машины куда глупее четырехлетнего ребенка.

Причина в том, что даже наиболее продвинутые алгоритмы ИИ требуют для своего обучения колоссальных объемов данных и сверхмощных компьютеров. Четырехлетний ребенок учится сам, причем зачастую ему бывает достаточно всего нескольких примеров. В данном случае речь идет не о навыках, знаниях, правилах и пр., которым мы целенаправленно и старательно учим детей, а о базовых механизмах восприятия, которым их маленький мозг учится совершено самостоятельно. В отличие от многослойного перцептрона с его механизмом обратного распространения и т. п., которому требуется несметное количество примеров и помощь учителя, чтобы научиться распознавать одно лицо, моему маленькому внуку хватило нескольких теплых объятий, чтобы при виде меня кричать: «Деда!»

Исследователи ИИ различают два типа обучения: контролируемое (с учителем) и неконтролируемое (без учителя). Как вы помните, наш простой канонический перцептрон обучается с помощью учителя. Как и программа распознавания речи Apple, говорящий компьютер Сейновски и системы распознавания лиц, пугающие защитников конфиденциальности. В последнем случае в роли учителя выступают огромные каталоги лиц с индивидуальными идентификаторами. Компьютеры могут учиться таким способом, потому что они очень быстрые – на самом деле своими недавними достижениями ИИ в значительной мере обязан появлению в последние пять лет гигантских наборов обучающих данных и мощных специализированных компьютеров. Мозг со своими медленно работающими нейронами никогда не сможет конкурировать с ИИ на этом поле.

Но во всем прочем мозг превосходит ИИ. Оригинальная концепция Хебба объясняет, как мозг учится без учителя: в ответ на естественные закономерности видимого мира, такие как края, мозг создает чувствительные к краям нейроны и связывает их в сеть, клеточные ансамбли. В настоящее время исследователи ИИ стараются создать машины, способные к такому же неконтролируемому обучению, как мозг[35].