Компьютерное моделирование психических процессов

Зачем психологам компьютерные модели когнитивных процессов и почему у машин нет сознания и эмоций

Сегодня метод компьютерного моделирования стал основополагающим для многих областей науки. Физика и астрономия, биология и когнитивистика одновременно включили в свой арсенал вычислительные модели. Они помогают систематизировать полученные ранее данные и позволяют формулировать проверяемые гипотезы для будущих экспериментов. 

междисциплинарное направление в искусственном интеллекте. Возникло в 1954 году на семинаре информатика Джона Маккарти. Ученые использовали знания о том, как мыслит человек, чтобы создать новые программы, которые бы вели себя и решали задачи, как люди.

В когнитивной науке компьютерная модель представляет собой описание процессов обработки информации. Ученые создают программы, основываясь на современных теориях мышления. Компьютерные модели психических процессов не только копируют поведение человека, но и повторяют его внутренние механизмы. Если получившаяся модель работает не так, как человек, значит, в основе теории лежали ложные идеи и она требует уточнения.

Виды психических процессов

Психические процессы — это условное разделение психики на составные элементы. Обычно исследователи мозга говорят о когнитивных, эмоциональных и волевых процессах. И хотя психологи выделяют несколько групп, пока не существует ни одной классификации психических процессов, которая бы устраивала все научное сообщество. Главная претензия состоит в том, что классификации не имеют общего основания. 

Первичной переработкой входной информации занимаются ощущение и восприятие. За усвоение и хранение информации отвечают процессы научения и памяти, за селекцию и более сложную переработку — внимание и мышление. Также выделяются процессы воли и контроля над действиями. Все это дополняется вторичными когнитивными процессами представления и воображения. Особняком стоят мотивационные процессы и эмоции. Традиционно они не считались познавательными и только в последнее время стали предметом исследований в когнитивной науке.

Изображение:Est?e Janssens // unsplash.com

От символьных моделей к нейросетям

В компьютерном моделировании психических процессов существует два основных направления: символьные вычисления и нейросетевые модели.

Символьные вычисления, с которых все начиналось, — это последовательное выполнение логических операций для решения задачи. В основе нейросетевого подхода, или коннекционизма, лежит идея о наличии большого числа элементов со сложными взаимосвязями, а операции при этом выполняются параллельно.

Точкой отсчета компьютерного когнитивного моделирования считается 1959 год, когда Герберт Саймон и Аллен Ньюэлл опубликовали работу с описанием «универсального решателя задач». Основой предложенной компьютерной модели стало представление об устройстве мышления человека. Программа доказывала геометрические теоремы и решала простые алгоритмические задачи, такие как ханойская башня или шахматные задачи. Из компьютерной модели Саймона и Ньюэлла впоследствии родилась теория задачного пространства, согласно которой процесс решения задачи заключается в поиске пути от исходного состояния к целевому в пространстве всех возможных веток решения.

Чуть раньше Ньюэлла и Саймона разработкой компьютерных моделей заинтересовался психолог и нейрофизиолог Фрэнк Розенблатт. Он вел работу в области исследований восприятия. Известно, что мозг устроен как система связанных друг с другом нейронов, и это обеспечивает все когнитивные процессы. Розенблатт попробовал построить когнитивную модель по такому же принципу и посмотреть, что получится. Так в 1957 году появился перцептрон (от англ. perception — «восприятие») — первая искусственная нейросеть. Она состояла из системы узлов, которые передают информацию друг другу и интегрируются на разных уровнях, а основное свойство перцептрона и любой нейросети — способность к обучению. 

Книга, в которой Марвин Минский и Сеймур Паперт описывают ограничения перцептронов

---

Через три года компьютерная модель обрела физическое воплощение. Аппарат «Марк-I» со светочувствительными элементами умел различать буквы английского алфавита и отделять треугольники от квадратов. Машина училась определять фигуры на основе обратной связи: аппарату указывали на ошибки, и он корректировал ответы.

Искусственная нейронная сеть начала набирать популярность. Но в 1969 году Марвин Минский и Сеймур Паперт опубликовали работу, в которой критиковали новую технологию. Ученые, математически исследовавшие возможности перцептрона, указывали на слишком узкий круг задач, подвластных машине. Развитие нейросетей было задержано, а ученые вновь обратились к символьным моделям когнитивных процессов.

Вновь перцептроном заинтересовались в 1980-х, когда математики и когнитивисты показали, что ограничения простого перцептрона можно преодолеть, и начало появляться огромное количество коннекционистских моделей для разных психических процессов. Переломным в компьютерном моделировании стал конец 2000-х, когда распространение получили сверточные нейронные сети и глубокое обучение. Оказалось, что эти модели способны выполнять сложные задачи не хуже, чем человек.

В конце 1990-х исследователи поняли, что даже в базовых когнитивных процессах не обойтись только одним подходом. Нужна система, которая имитирует разные принципы психической деятельности человека. Так была предложена идея гибридной интеллектуальной системы, в которой присутствуют и нейросетевой модуль, и символьный блок. Принципы работы гибридных систем согласуются с дихотомией декларативных и процедурных знаний, хорошо известной в когнитивных науках. Декларативное знание можно вербализовать. Это факты, которыми владеет человек (Париж — столица Франции). Динамика приобретения декларативных знаний или, наоборот, забывания хорошо моделируется при помощи символьных методов. К процедурным знаниям человек не имеет осознанного доступа, а проявить его можно только в деле (как ездить на велосипеде). Процедурное знание можно воссоздать при помощи нейросетевой модели.

Нам хотелось бы, чтобы искусственный интеллект умел решать те же задачи, что и человек. Например, категоризация — отнесение объектов к разным группам на основе каких-то признаков — это базовая задача для психики человека, да и любого организма, который вступает в контакт с объектами внешнего мира. Начиная с перцептрона, эта задача была важнейшей для нейросетевого подхода. В этой задаче почти всегда присутствует обратная связь. Демонстрируется объект, машина относит его к какому-то классу и затем получает ответ: правильно или неправильно (или величину ошибки). Большинство задач, которые сегодня решают искусственные системы, так или иначе связаны с классификацией: назвать объект, распознать лицо, посоветовать фильм на основе того, что человек посмотрел раньше. 

Нейронауки занимаются моделированием внимания, порождения речи, решения задач. Практически все крупные исследовательские группы, занимающиеся процессами памяти или контроля, стараются облекать свои теоретические представления в компьютерные модели. 

Компьютерные науки довольно много занимаются играми. Исследования искусственного интеллекта создают агентов, которые учатся успешно играть. Знаковым в истории этой области науки стал 1997 год, когда Гарри Каспаров проиграл шахматную серию компьютеру Deep Blue от IBM. Долгое время считалось, что искусственной системе будет неподвластна игра в го, но в 2016 году машина AlphaGo превзошла корейского го-профессионала Ли Седоля. И если в основе Deep Blue лежали символьные вычисления, то AlphaGo использовала нейросети.

Камнем преткновения стал вопрос, умеет ли машина решать творческие задачи. И здесь все зависит от того, что называть творчеством. Искусственный интеллект легко создает арт-объекты, например добавляя специфический художественный стиль на изображение. С песнями тоже нет проблем. В 2016 году сотрудники компании «Яндекс» выпустили альбом группы «Нейронная оборона». Тексты написали нейросетевые алгоритмы, обученные на наследии группы «Гражданская оборона». Различить «Обороны» трудно, если не знать в совершенстве творчество Егора Летова. Но, помимо искусства, существует исследовательское творчество — это поиск новых способов решения задач, с которыми искусственные системы пока не справляются. Возможно, проблема в том, что и сами когнитивисты пока не очень хорошо понимают, как проходят процессы творческого поиска.

Еще одна важная область исследований — это движение. Компания Boston Dynamics, известная своими прикладными исследованиями в искусственном интеллекте, разрабатывает движущихся роботов, которые умеют передвигаться и выполнять задачи в реальной пересеченной местности. Может возникнуть вопрос: при чем здесь когнитивные процессы? На самом деле эффективно двигаться в естественной среде очень сложно. Нужно иметь схему тела, уметь распознавать встречающиеся на пути объекты и уметь прогнозировать. 

Есть ли у машин сознание 

В октябре 2017 года в журнале Science вышла статья «What is consciousness, and could machines have it?» («Что такое сознание и могут ли машины им обладать?»). В ней нейроученые Станислас Деан, Хакван Лау и Сид Кудье обсуждали, какие ключевые свойства обработки информации есть у сознания и присутствуют ли они в современных алгоритмах искусственного интеллекта. Исследователи приходят к выводу, что даже самые крупные достижения современного искусственного интеллекта воспроизводят то, что в психике человека может происходить без участия сознания. Деан, Лау и Кудье выделяют два ключевых компонента сознания: глобальную доступность информации и метакогнитивный мониторинг. Психика состоит из большого количества относительно независимых модулей, и сознательная обработка характеризуется тем, что информация, поступающая в один из модулей, становится доступна всему мозгу. То есть информация, полученная по слуховому каналу, связывается с памятью, поведением, перекодируется в зрительные образы. Метакогнитивный мониторинг — это, можно сказать, рефлексия, способность сознания понимать и контролировать активность собственного мозга. Оба компонента сознания отсутствуют в искусственном интеллекте сегодня, и пока нет предпосылок для их реализации.

Когнитивные искажения у машин

Искусственные системы, которые устроены как люди, должны испытывать когнитивные искажения. Ведь это не ошибка мозга, а следствие его адаптивной работы, то есть хороший механизм, который проявляется в неподходящем контексте.

Имплицитное научение — усвоение сложных закономерностей из окружающей среды без осознания — это полезный процесс. Но он лежит в основе разнообразных социальных стереотипов. Машина, которая обладает похожим процессом, должна быть также подвержена стереотипам. В 2016 году широко обсуждался случай, когда алгоритмы, которые помогали судьям в некоторых штатах США принимать решения о назначении меры наказания для преступников, проявляли расистские установки. Например, указывали шанс рецидива для чернокожих судимых выше, чем для белых.

В марте 2018 года вышла статья «Illusory Motion Reproduced by Deep Neural Networks Trained for Prediction» о восприятии зрительных иллюзий. В ней описывались случаи, когда статическая картинка вызывает у людей ощущение движения. Наш мозг постоянно пытается предсказывать, какую стимуляцию получат рецепторы в следующий момент времени, и фиксирует ошибку рассогласования между предсказаниями и реальными данными, постоянно корректируя свои предсказания. Авторы привели результаты экспериментов с нейросетевой моделью восприятия движения, основанной на предсказательном кодировании. Нейросетевая модель по видео училась определять движение. Оказалось, что хорошо обученная система видит на специальных неподвижных картинках иллюзию движения, как и человек. Вероятно, заложенные в нее идеи описывают важные принципы восприятия движения человеком. Это тоже пример того, как иллюзия возникает в когнитивной компьютерной модели. 

Но многие работы в области искусственного интеллекта демонстрируют принципиальное отличие от человека. Эксперименты показывают, что нейросеть, которая научилась определять класс изображения, например относить картинку к животным или к неживым объектам, ошибается, если изменить на картинке пару пикселей. Человек ответит верно, даже если часть изображения закрыть непрозрачной полосой. Когнитивные искажения будут встречаться у машин, но, обнаруживая их, можно будет от них избавляться. В этом машины лучше людей. 

Прорыв в компьютерном моделировании должен наблюдаться в исследованиях метакогнитивных процессов у искусственного интеллекта, то есть процессов мониторинга интеллектуальным агентом своего собственного поведения. Если машинные алгоритмы принимают важные для судеб людей решения, то необходимо четкое, эксплицитное обоснование, на основе чего искусственные системы это делают. Это сложно сделать, если речь идет о нейросетях, потому что искусственный интеллект обучается трудно описываемыми способами. И определить, чему на самом деле научилась нейросеть, очень сложно. Для этого нужно развивать метакогнитивные надстройки, которые будут вербализовать результаты обучения. 

Еще один тренд — интеграция когнитивных и компьютерных наук, искусственного интеллекта. В 1990-х годах компьютерное моделирование психических процессов перешло в руки представителей компьютерных наук. Но сегодня вновь появляются междисциплинарные исследования. Крупный нейроученый Мэтью Ботвинник присоединился к компании DeepMind, занимающейся искусственным интеллектом. Ботвинник — автор компьютерных моделей когнитивного контроля процесса, позволяющего нам не отвлекаться от задачи, которую мы выполняем. И это общий тренд: молодые исследователи в области когнитивных наук заинтересованы в карьере в компаниях с прикладными проектами в области искусственного интеллекта. И они там востребованы.

Источник: postnauka.ru

Комментарии: