Ознакомительная версия. Доступно 18 страниц из 86
В каждой задаче изображены 12 квадратов: шесть слева и шесть справа. В шести левых квадратах содержатся примеры одного понятия, в шести правых квадратах – примеры другого, “родственного” понятия, и два этих понятия идеально определяют два набора квадратов. Необходимо назвать эти понятия. Например, на рис. 45 понятия таковы (по часовой стрелке): “большой” и “маленький”, “белый” и “черный” (или “незакрашенный” и “закрашенный”, если хотите), “право” и “лево”, “вертикальный” и “горизонтальный”.
Рис. 45. Четыре задачи из книги Бонгарда. В каждой задаче необходимо определить, какие понятия отличают шесть квадратов слева от шести квадратов справа. Например, в задаче № 2 это понятия “большой” и “маленький”
Решить задачи с рис. 45 довольно просто. В своей книге Бонгард расположил примеры в порядке повышения предполагаемой трудности. Ради интереса взгляните на шесть более трудных примеров, приведенных на рис. 46. Я дам ответы на них ниже.
Бонгард составил задачи таким образом, чтобы их решение требовало способностей к построению абстракций и аналогий, которые необходимы человеку и системе ИИ в реальном мире. В задаче Бонгарда можно считать каждый из двенадцати квадратов миниатюрной идеализированной “ситуацией”, в которой участвуют различные объекты, признаки и взаимосвязи. Ситуации слева имеют некоторую общую “суть” (например, они “большие”), а ситуации справа – противоположную общую “суть” (например, они “маленькие”). В задачах Бонгарда, как и в жизни, бывает нелегко понять, в чем заключается суть ситуации. Как выразился специалист по когнитивистике Роберт Френч, для построения абстракций и аналогий необходимо замечать “неуловимое тождество”[348].
Рис. 46. Шесть дополнительных задач Бонгарда
Чтобы найти неуловимое тождество, нужно определить, какие признаки ситуации значимы, а какие можно опустить. В задаче № 2 (рис. 45) неважно, какого цвета фигура (черная или белая), где она находится в ячейке и какой она формы (круг, треугольник и др.). Важен только ее размер. Конечно, размер важен не всегда: в остальных задачах с рис. 45 размер не имеет значения. Как мы, люди, так быстро определяем значимые признаки? Как научить этому машину?
Чтобы машинам было еще сложнее, понятия в задачах могут быть зашифрованы абстрактным, неочевидным образом, как в задаче № 91 (“три” и “четыре”). В некоторых задачах системе ИИ нелегко понять, что считать объектом: так, в задаче № 84 (“вне” и “внутри”) значимые “объекты” состоят из более мелких объектов (здесь – из маленьких кружков). В задаче № 98 объекты “замаскированы”: людям легко разглядеть спрятанные в квадратах фигуры, но для машин эта задача оказывается сложнее, поскольку им непросто отделить передний план от заднего.
Задачи Бонгарда также требуют умения формировать новые понятия на ходу. Хороший пример – задача № 18. Сходство левых ячеек непросто описать словами – это что-то вроде “объекты с сужением, или перемычкой”. Но даже если вы никогда раньше не думали ни о чем подобном, вы быстро замечаете это сходство между объектами. Подобным образом в задаче № 19 появляются новые смыслы: слева собраны “объекты с горизонтальной перемычкой”, а справа – “объекты с вертикальной перемычкой”. Люди без труда справляются с абстрагированием новых, трудновыразимых понятий – еще одним аспектом “неуловимости тождества”, – но ни одна из существующих систем ИИ пока не добилась успеха в этой сфере.
Книга Бонгарда была опубликована на английском в 1970 году, но знали о ней немногие. Однако Дуглас Хофштадтер, прочитавший ее в 1975 году, оценил сто задач из приложения и подробно описал их в собственной книге “Гёдель, Эшер, Бах”. Именно там я их впервые увидела.
Мне с детства нравились головоломки – и особенно задачи на логику и поиск закономерностей, – а потому, когда я взялась за “ГЭБ”, самое сильное впечатление на меня произвели задачи Бонгарда. Меня также заинтересовали описанные в “ГЭБ” идеи Хофштадтера о том, как создать программу для решения задач Бонгарда, которая бы имитировала человеческое восприятие и построение аналогий. Возможно, именно читая этот раздел, я решила заняться исследованиями ИИ.
Увлекшись задачами Бонгарда, несколько исследователей создали программы ИИ, которые пытаются их решать. Большинство программ делает упрощающие допущения (например, ограничивает набор возможных форм и взаимодействий между формами или совершенно игнорирует зрительные аспекты и отталкивается от созданного людьми описания изображений). Каждая из программ смогла решить подмножество конкретных задач, но ни одна при этом не продемонстрировала генерализационных способностей человеческого типа[349].
Рис. 47. Пример преобразования задачи Бонгарда в задачу на классификацию с двенадцатью обучающими примерами и новым “тестовым” примером
А как же сверточные нейронные сети? Учитывая, что они прекрасно справляются с классификацией объектов (например, на масштабном соревновании ImageNet Visual Recognition Challenge, которое я описала в главе 5), разве нельзя научить их решать задачи Бонгарда? Теоретически задачу Бонгарда можно превратить в задачу на “классификацию” для сверточной нейронной сети, как показано на рис. 47: шесть левых квадратов можно считать тренировочными примерами из “класса 1”, а шесть правых квадратов – тренировочными примерами из “класса 2”. Теперь дадим системе новый “тестовый” пример. В какой из двух классов его следует поместить?
Сразу возникает препятствие: набор из двенадцати тренировочных примеров до смешного мал для обучения сверточной нейронной сети, которой, возможно, не хватит и двенадцати сотен. Само собой, отчасти именно это Бонгард и показал на примере задач: мы, люди, без труда определяем искомые понятия, имея всего двенадцать примеров. Какой объем тренировочных данных необходим СНС, чтобы она научилась решать задачу Бонгарда? Хотя никто пока не проводил систематического исследования решения задач Бонгарда с помощью сверточных нейронных сетей, одна группа исследователей проанализировала работу современных СНС с задачей на выявление “одинаковых и разных” форм, используя изображения наподобие приведенного на рис. 47[350]. В класс 1 вошли изображения с двумя фигурами одинаковой формы, а в класс 2 – изображения с двумя фигурами разных форм. Для тренировки сети исследователи использовали не 12, а по 20 000 примеров для класса 1 (“одинаковые”) и класса 2 (“разные”). После тренировки каждая сверточная нейронная сеть тестировалась на 10 000 новых примеров. Все примеры генерировались автоматически с использованием множества разных форм. Обученные СНС справлялись с задачей лишь немногим лучше, чем при случайном угадывании, в то время как доля верных ответов у людей, протестированных авторами, стремилась к 100 %. Иными словами, современные сверточные нейронные сети прекрасно справляются с выявлением признаков, необходимых для распознавания объектов ImageNet и выбора ходов в го, но не обладают способностью к построению абстракций и аналогий, необходимой даже для решения идеализированных задач Бонгарда, не говоря уже о задачах реального мира. Похоже, тех типов признаков, которые могут усвоить эти сети, недостаточно для построения таких абстракций, на каком бы количестве примеров ни проходило обучение сети. Этот недостаток свойственен не только сверточным нейронным сетям: ни одна из существующих систем ИИ не обладает никаким подобием этих фундаментальных способностей человека.
Ознакомительная версия. Доступно 18 страниц из 86
