Что мощнее мозг или компьютер
CPU против мозга — кто круче
Представьте себе компьютер, который будет консультировать Вас по бытовым вопросам и поможет вам принять правильное решение. Смартфон, который будет восстанавливать зрение слепым. Интеллектуальные транспортные средства, которым не нужны водители. Да тот же терминатор. Научная фантастика? Посмотрим.
Давайте зададим себе вопрос: какой процессор лучше — электронный чип последнего поколения или биологический — человеческий мозг?Во всех областях науки наиболее распространенным ответом на любые вопросы является: «это зависит от применения». Так и в этот раз.
Возьмем хотя бы простую задачу умножения нескольких чисел. Возьмите самый дешевый калькулятор, он справится с этой задачей не напрягаясь. Человеку же (давайте будем честными, среднему человеку) проблема умножить даже двухзначные числа в уме.
Другая ситуация! Даже маленькие дети умеют решать проблемы повседневной жизни и с пониманием наблюдать за окружающей средой. Эта задача проблематична даже для самых высокопроизводительных суперкомпьютеров в мире. Чтобы распознавать элементы изображения, захватываемые камерой, нужны гигантские вычислительные мощности, миллионы ватт энергии, и все это займет кучу времени. Мозг делает это в реальном времени и для этого ему нужно… 20 ватт.
Intel VS. мозг homo sapiens…
Новые технологии VS эволюция и естественный отбор…
Мур VS Дарвин…
Процессор и мозг имеют совершенно различную структуру, но похожую конструкцию. На микроскопическом уровне, транзисторы соответствуют нейронам, синапсы — электрическим связям. Процессор выполняет работу последовательно, а мозг полностью параллельно. Транзистор обычно связан только с предыдущим и следующим, а каждый нейрон соединен с тысячами других. Стоит также отметить, что в человеке больше 100 000 000 0 00 (сто миллиардов), и имеют более 200 000 000 000 000 (двести триллиардов) связей.
И что происходит, когда ваш компьютер сталкивается с проблемой, которую не спрогнозировал программист? Ошибка выскакивает, и мы видим до боли знакомый синий экран. В то время как, мозг использует параллельные нейроны и связи, для нахождения альтернативного решения проблемы. Кроме того, часто используется синаптические связи в головном мозге утолщаются и производят миелиновые оболочки, что позволяет еще быстрее провести нервные импульсы, и таким образом обеспечивать еще более эффективную связь. Процессоры не могут пока самообучаться. Шах и мат. Они могут быть просто обрабатывать данные и производить вычисления, в рамкам заранее заданного алгоритма, правда, гораздо быстрее, чем у мы.
Последовательность VS параллельная структура.
Определенность алгоритма VS пластичность и возможность учиться…
Архитектура процессора характеризуется тем, что функции хранения, контроля и обработки информации разделены и работают отдельно. В мозге нет отдельных выделенных областей, отвечающих за эти процессы — все, что происходит во многих областях — происходит одновременно, более целостно.
Ну и еще одно: тактовая частота процессоров измеряется в Ггц (миллиарды герц). Человеческий мозг работает с частотой несколько герц. Между прочим, именно благодаря тому, потребляет в сотни тысяч раз меньше энергии, чем современные электронные единицы. Правда сосредоточение на работе не включается с кнопкий.
Человек vs машина в будущем
Надеюсь, что после почтения у Вас появилось хоть немного новых синаптических связей ;).
Человеческий мозг – мощнее и быстрее, чем все процессоры мира вместе взятые.
Извечный вопрос — когда компьютер достигнет возможностей человеческого мозга? Некоторые ученые уже сейчас говорят, что в ближайшее время сообразительность машин достигнет уровня человека.
Но это с какой стороны посмотреть. Оказывается, наш мозг, по своим возможностям настолько мощный вычислительный центр, что всем компьютерным системам не сравниться с ним еще весьма долго.
Говоря об интеллекте человека, сравнивая скорости принятия решения, наш мозг машины догонят очень скоро. Но только в этом. Всем известно, что мыслительный и запоминательный процесс занимает лишь малую долю в нашем мозге. А вот объем хранящейся в нем информации, скорость передачи, другие возможности, несравнимы пока ни с какой машиной. Мы еще долго будем намного более серьезным вычислительным центром, чем любые компьютеры. И вот цифры.
Мозг или компьютер — что мощнее?
Мартином Хилбертом и Присцилой Лопес в течение нескольких лет проводились исследования в области информации. Они подсчитали, что развитие идет весьма стремительно. К суперкомпьютерам, ПК, ноутбукам, за последние годы добавились мобильники, андроиды, Айфоны. Они несут, производят и передают огромные объемы информации. Но ученые решили подсчитать, сколько человечество на сегодняшний день имеет информации, какова скорость и объем ее передачи и т.д. Результат ошеломил, а вот выводы поставили ученых просто в тупик. Особенно тех, кто говорил о том, что создание компьютера, который был бы сравним с человеческим мозгом, в ближайшие десятилетия и века, будет возможен. Нужен не просто скачек в технологиях. В 2007 году производительность всех компьютеров мира составила 6.4 x 10^18 действий в секунду. Если бы человек сидел и производил подсчеты на калькуляторе, то это заняло бы 2200 раз больше времени, чем прошло с …. момента Большого взрыва. В общем, со времен начала времен.
Вся накопленная человечеством информация, записанная от манускриптов, до дисков блюрей, хранящаяся на всех серверах и винчестерах, приблизительно равна 400 экзабайт информации. Сохранить человечество может сразу, используя всю свою мощь за секунду 295 триллионов мегабайт. Казалось бы, чудовищное число, если всю информацию скинуть на диски, то столбик бы был до орбиты Луны. А это, как ни как 400 000 километров. За каждую секунду мы способны передавать 2 квадрильона мегабайт.
Действтельно ли мозг быстрее обрабатывает информацию?
Но вот дальнейшие выводы показали, что, увы, мы еще рано заявили о том, что способны создать аналог человеческого мозга. Мозг человека, каждый импульс нейронов которого равен одному биту информации, по скорости превосходит на четверть. Это еще не все. Вся информация, которую способно сохранить человечество, меньше занимает место, чем информация, которая содержится в геноме человека. Все процессоры мира, одновременно объединенные, от мобильника до суперкомпьютера, способны произвести 6,4 триллиона миллионов операций в секунду. Но мозг человека способен совершать большее количество операций в секунду.
Увы, это меньшее, на что способен наш мозг. По скорости, объему, и другим основным показателям, биологическое тело человека и его мозг содержит больше информации, гораздо быстрее ее обрабатывает и передает. В общем, электронике еще очень далеко до такого суперкомпьютера, как человек. А те сравнения, которые приближают способность ПК к умственным способностям человека, имеется в виду лишь наше сознание, которое занимает микроскопическую часть, в работе всего мозга.
Мозг и компьютер. Уместно ли сравнение?
Много приходилось видеть, слышать и читать о том, как люди сравнивают человека и компьютер. Занятно со стороны наблюдать за этим процессом, особенно когда понимаешь, что происходит на самом деле. А на самом же деле происходит, ни много, ни мало сравнение творца с творением. Для того, чтобы это сравнение имело место быть, люди даже роботов делают похожими на людей. Но все равно, внутри таких недочеловеков «шестеренки и лампочки», как говорил герой фильма «Я, Робот». Но дело даже не в том, что сравниваемые с людьми отличаются по своему химическому составу. Ведь предметом сравнения является принцип и результативность их работы.
Все аспекты процесса работы и результатов этой самой работы обеих сравниваемых сторон вряд ли можно объять в рамках одной небольшой статьи. Поэтому, затрону я только один аспект, который на компьютерном языке зовется «многозадачностью». Некоторые думаю, что это недосягаемо для мозга, другие разделяют прямо противоположную точку зрения. В такие дебри, как цифры, вычисления и статистика я лезть не буду, так как сравнивая разные по происхождению системы не возможно добиться точных результатов. Но кое-какие мысли по этому поводу есть.
Итак…
Уверен, что при создании компьютера, человек руководствовался тем, что ему близко и хорошо знакомо. При создании операционной системы в середине 60-х годов прошлого столетия (именно тогда в в некоторых ОС начали появляться задатки многозадачности), программисты, вполне возможно тоже думали именно о том, чтобы наделить компьютер чем-то человеческим. И наделили его подсознанием, только в компьютерном понимании. Хотя многим известен тот факт, что человеческий мозг в определенный момент времени может сознательно размышлять над чем-то одним, но это вовсе не означает, что наш мозг лишен «многозадачности». Ведь вряд ли кто-то будет отрицать, что помимо основной мысли, которая крутится в нашей голове сознательно, где-то глубоко в подсознании происходят процессы, о которых становится известно лишь, когда виден результат.
Если позволите, сравним сознание и подсознание с ядрами процессора. Правда в таком сравнении эти ядра будут разной мощности. Так как есть информация, что мощность подсознания намного больше мощности сознания. Скорость обработки информации у сознательного мышления 2 Кбит информации в секунду, для сравнения та же скорость у подсознания доходит до 4 Гбит информации в секунду. Но как же проявляется эта мощность подсознания.
Например, часто бывает, что прикладывая усилия решить какую-то сложную задачу сознательно, никак не получается добиться желаемого, будто где-то загвоздка. В таком случае я оставляю эту задачу на потом и принимаюсь за следующую, более простую. Но вдруг, не успев даже приняться за решение несложной задачи, я говорю себе: «Идея!». После этого, та сложная нерешенная задача оказывается решенной! Но как? Я ведь уже отчаялся и даже не думал о ней сознательно. Именно благодаря тому, что мы прикладываем много сил в поисках решения процесс запускается и при надобности может перейти в «фоновый режим» подсознания, где нейроны будут продолжать подбирать правильные комбинации, в поисках решения с еще большей скоростью.
На компьютере это происходит, кажется, чуть проще или несколько нагляднее. Запуская один процесс, мы сворачиваем программу и принимаемся за другую. В этом случае мы уверены, что операция будет завершена. Конечно, иногда кажется, что возможности компьютера ограничиваются возможностями человека. Например, мы не можем работать одновременно в нескольких программах хотя бы потому, что для этого нам бы понадобились дополнительные манипуляторы и, в конце концов, дополнительные руки. Да и нужно ли это, если иногда мы не можем даже управлять 10% возможностей нашего мозга?
Возможности человеческого мозга в сравнении с возможностями современного компьютера.
Ученые изучали ткань гиппокампа крысы и реконструировали ее в 3D для изучения центра памяти мозга. После этого они имели возможность впервые наблюдать странное явление. Судя по всему, синапсы мозга могут изменять размеры, что влияет на объем памяти.
Сначала они обнаружили, что в 10% случаев синапсы были продублированы. В попытке выяснить, почему это произошло, ученые использовали передовую микроскопию и вычислительные алгоритмы, чтобы реконструировать соединения, формы, объемы и площадь поверхности ткани головного мозга.
В результате выяснилось, что разница в размерах пар синапсов была очень небольшой, порядка 8%. «Никто не ожидал, что будет такая малая разница. Это прям подколка от природы», — говорит ученый Том Бартол. Ученые пришли к выводам, что существует минимум 26 категорий синапсов, а не несколько, как считалось ранее.
«Это на порядок превышает все, что мы представляли, с точки зрения точности, — говорит Сейновски. — Последствия обнаруженного будут очень далеко идущими. Под кажущимся хаосом и беспорядком мозга прячется невероятная точность размеров и форм синапсов, которая от нас скрывалась».
Дальнейшие исследования показали, что синапсы могут менять свои размеры в зависимости от нейронных трансмиссий, и происходит это практически мгновенно.
Каким бы интересным это открытие ни было, оно не поможет вам вспомнить, где вы оставили ключи от машины. Но ученые могут использовать конкретно это исследование для дальнейшей работы в области компьютеров, создавая продвинутые методы глубокого обучения и нейронных сетей.
Мозг взрослого производит около 20 ватт постоянной мощности, примерно как тусклая лампочка, но способен на такие вещи, о которых любой современный компьютер может только мечтать.
И просто ради интереса давайте посмотрим на цифровую мощь. На самые дорогие и мощные суперкомпьютеры на сегодняшний день
Первый суперкомпьютер Atlas появился в начале 60-х годов и был установлен в университете Манчестера. Он был в разы менее мощным, чем современные домашние компьютеры. В нашем обзоре собрана десятка самых мощных в истории суперкомпьютеров. Правда, всвязи с быстро развивающимися в этой сфере технологиями устаревают эти мощные машины в среднем за 5 лет.
Производительность современных суперкомпьютеров измеряется в петафлопсах — единице измерения, показывающей, сколько операций с плавающей запятой в секунду выполняет компьютер. Сегодня речь пойдет о десяти самых дорогих современных суперкомпьютерах.
IBM Roadrunner (США) — 130 млн долларов
Roadrunner был построен IBM в 2008 году для Национальной лаборатории в Лос-Аламосе (Нью-Мексико, США). Он стал первым в мире компьютером, средняя рабочая производительность которого превысила 1 петафлопс. При этом он был рассчитан на максимальную производительность в 1,7 петафлопса. Согласно списку Supermicro Green500, в 2008 году Roadrunner был четвертым по энергоэффективности суперкомпьютером в мире. Списан Roadrunner был 31 марта 2013 года, после чего его заменили меньшим по размерам и более энергоэффективным суперкомпьютером под названием Cielo.
Vulcan BlueGene/Q (США) — 100 млн долларов
Vulcan — суперкомпьютер, который состоит из 24 отдельных блоков-стоек, — был создан IBM для Министерства энергетики и установлен в Ливерморской национальной лаборатории им. Э. Лоуренса, штат Калифорния. Он имеет пиковую производительность в 5 петафлопсов и в настоящее время является девятым по скорости суперкомпьютером в мире. Vulcan вступил в строй в 2013 году и сейчас используется Ливерморской национальной лабораторией для исследований в области биологии, физики плазмы, климатических изменений, молекулярных систем и т.д.
SuperMUC (Германия) — 111 млн долларов
SuperMUC в настоящее время является 14-м по скорости суперкомпьютером в мире. В 2013 году он был 10-м, но развитие технологий не стоит на месте. Тем не менее он в данный момент является вторым по скорости суперкомпьютером в Германии. SuperMUC находится в ведении Лейбницкого суперкомпьютерного центра при Баварской академии наук рядом с Мюнхеном.
Система была создана IBM, работает на оболочке Linux, содержит более 19 000 процессоров Intel и Westmere-EX, а также имеет пиковую производительность чуть более 3 петафлопсов. SuperMUC используется европейскими исследователями в области медицины, астрофизики, квантовой хромодинамики, вычислительной гидродинамики, вычислительной химии, анализа генома и моделирования землетрясений.
Trinity (США) — 174 млн долларов
Можно было бы ожидать, что подобный суперкомпьютер (учитывая то, для чего он строится) должен быть безумно дорогим, но благодаря развитию технологий стало возможным удешевление цены Trinity. Правительство США собирается использовать Trinity для того, чтобы поддерживать эффективность и безопасность ядерного арсенала Америки.
Trinity, который строится в настоящее время, станет совместным проектом Сандийской национальной лаборатории и Лос-Аламосской национальной лаборатории в рамках программы Прогнозного моделирования и вычислительной обработки данных Национальной администрации по ядерной безопасности.
Sequoia BlueGene/Q (США) — 250 млн долларов
Суперкомпьютер Sequoia класса BlueGene/Q был разработан IBM для Национальной администрации по ядерной безопасности в рамках программы Прогнозного моделирования и вычислительной обработки данных. Он был запущен в эксплуатацию в июне 2012 года в Ливерморской национальной лаборатории и стал на тот момент самым быстрым суперкомпьютером в мире. Сейчас он занимает третье место в мире по скорости (теоретический пик производительности Sequoia — 20 петафлопсов, или 20 триллионов вычислений в секунду).
ASC Purple и BlueGene/L (США) — 290 млн долларов
Эти два суперкомпьютера работали вместе. Они были построены IBM и установлены в 2005 году в Ливерморской национальной лаборатории. Из эксплуатации они были выведены в 2010 году. На момент создания ASC Purple занимал 66-е место по скорости в списке топ-500 суперкомпьютеров, а BlueGene/L был предыдущим поколением модели BlueGene/Q.
Sierra и Summit (США) — 325 млн долларов
Nvidia и IBM скоро помогут Америке вернуть лидирующие позиции в области сверхскоростных суперкомпьютерных технологий, научных исследований, а также экономической и национальной безопасности. Оба компьютера будут закончены в 2017 году.
В настоящее время самым быстрым суперкомпьютером в мире является китайский Tianhe-2, который способен достигнуть мощности в 55 петафлопсов, что в два раза больше, чем устройство, находящееся на втором месте в списке. Sierra будет выдавать более чем 100 петафлопсов, в то время как Summit сможет развить 300 петафлопсов.
Sierra, которая будет установлена в Ливерморской национальной лаборатории, будет обеспечивать безопасность и эффективность ядерной программы страны. Summit заменит устаревший суперкомпьютер Titan в национальной лаборатории Oak Ridge и будет предназначаться для тестирования и поддержки научных приложений по всему миру.
Tianhe-2 (Китай) — 390 млн долларов
Китайский Tianhe-2 (что переводится как «Млечный Путь — 2») является самым быстрым суперкомпьютером в мире. Компьютер, разработанный командой из 1300 ученых и инженеров, находится в Национальном суперкомпьютерном центре в Гуанчжоу. Он был построен китайским Оборонным научно-техническим университетом Народно-освободительной армии Китая. Tianhe-2 способен выполнять 33 860 триллионов вычислений в секунду. К примеру, один час расчетов суперкомпьютера эквивалентен 1000 годам работы 1,3 миллиарда человек. Используется машина для моделирования и анализа правительственных систем безопасности.
Earth Simulator (Япония) — 500 млн долларов
«Симулятор Земли» был разработан японским правительством еще в 1997 году. Стоимость проекта составляет 60 млрд иен, или примерно 500 млн долларов. Earth Simulator был завершен в 2002 году для агентства аэрокосмических исследований Японии, Японского научно-исследовательского института по атомной энергии и Японского центра морских и наземных исследований и технологий.
ES был самым быстрым суперкомпьютером в мире с 2002 по 2004 год, а служит он и поныне для работы с глобальными климатическими моделями, для оценки последствий глобального потепления и оценки проблем геофизики коры Земли.
Fujitsu K (Япония) — 1,2 млрд долларов
Самый дорогой в мире суперкомпьютер всего лишь четвертый по скорости в мире (11 петафлопсов). В 2011 году он был самым быстрым суперкомпьютером в мире. Fujitsu K, расположенный в Институте передовых вычислительных технологий RIKEN, примерно в 60 раз быстрее, чем Earth Simulator. На его обслуживание уходит порядка 10 млн долларов в год, а использует суперкомпьютер 9,89 МВт энергии (сколько используют 10 000 загородных домов или один миллион персональных компьютеров).
Понравилась статья? Подпишитесь на канал, чтобы быть в курсе самых интересных материалов
Что мощнее мозг или компьютер
Ведущий эксперт искусственному интеллекту Педро Домингос написал любопытную книгу о том, как машинное обучение может изменить и уже меняет наш мир. Нейронные сети опутывают нас все плотнее, алгоритмы управляют нашей жизнью: они находят книги, фильмы, работу и партнеров для нас, управляют инвестициями и разрабатывают лекарства, самостоятельно обучаясь. Алгоритмы как маленькие любознательные дети: смотрят на нас, повторяют за нами и экспериментируют.
А самое удивительное, что ученые уже работают над Верховным алгоритмом, который будет способен решать любые задачи еще до того, как мы их сформулируем (не напоминает Дугласа Адамса?), и извлекать знания обо всем на свете из данных. Любопытно, правда?
Как устроен наш мозг и как он учится?
Канадский психолог Дональд Хебб в 1949 году сформулировал правило обучения, которое сейчас лежит в основе множества искусственных нейронных сетей: «нейроны, которые срабатывают вместе, связываются друг с другом». В правиле Хебба слились идеи психологии, нейробиологии и, что интересно, немалая доля домыслов. Примерно в то же время испанский нейробиолог Сантьяго Рамон-и-Кахаль провел первые подробные исследования мозга, окрашивая нейроны. Он каталогизировал свои наблюдения, как ботаники классифицируют новые виды деревьев.
Ко времени Хебба нейробиологи в общих чертах понимали, как работают нейроны, однако именно он первым предложил механизм, согласно которому нейроны могут кодировать ассоциации. Каждое понятие представлено множеством нейронов. И эти нейроны, которые возбуждают друг друга, образуют, в терминологии Хебба, «ансамбли клеток».
С помощью таких собраний в головном мозге представлены понятия и воспоминания. В каждый ансамбль могут входить нейроны из разных областей мозга, ансамбли могут пересекаться. Так, клеточный ансамбль для понятия «нога» включает ансамбль для понятия «ступня», в который, в свою очередь, входят ансамбли для изображения ступни и звучания слова «ступня».
Тем не менее для имитации работы мозга одного правила Хебба мало: сначала надо разобраться с устройством головного мозга. Каждый нейрон напоминает крохотное деревце с огромной корневой системой из дендритов и тонким волнистым стволом — аксоном. Мозг в целом похож на лес из миллиардов таких деревьев, однако лес этот необычный: ветви деревьев соединены в нем с корнями тысяч других деревьев (такие соединения называются синапсами), образуя колоссальное, невиданное хитросплетение.
Если расположить аксоны мозга друг за другом, они займут расстояние от Земли до Луны.
Эти джунгли потрескивают от электрических разрядов. Искры бегут по стволам и порождают в соседних деревьях еще больший сонм искр. Время от времени лес неистово вспыхивает, потом снова успокаивается. Работа мозга похожа на симфонию таких электрических разрядов. Если бы можно было посмотреть изнутри на то, что происходит в тот момент, когда вы читаете эту страницу, сцена затмила бы самые оживленные мегаполисы из фантастических романов. Этот невероятно сложный узор нейронных искр в итоге порождает человеческое сознание. Следующий шаг — превратить работу синапсов в алгоритм.
Нейросети. Начало
Первая формальная модель нейрона была предложена в 1943 году Уорреном Маккаллоком и Уолтером Питтсом. Она была во многом похожа на логические вентили, из которых состоят компьютеры с И, ИЛИ и НЕ. Нейронные сети могут совершать все операции, которые умеет делать компьютер. Поначалу компьютер часто называли электронным мозгом, и это была не просто аналогия.
Однако нейрон Маккаллока–Питтса не умеет учиться. Это стало шагом к изобретению перцептронов. Харизматичный оратор и очень живой человек, психолог Фрэнк Розенблатт сделал для зарождения машинного обучения больше, чем кто бы то ни было. Своим названием перцептроны обязаны его интересу к применению своих моделей в проблемах восприятия (перцепции), например распознавания речи и символов.
А вот это штука уже посовременнее: тактильный интерфейс, меняющий форму, разработанный в Массачусетском технологическом институте, – источник.
Перцептрон похож на крохотный парламент, в котором побеждает большинство (хотя, наверное, не такой уж и крохотный, учитывая, что в нем могут быть тысячи членов). Но при этом парламент не совсем демократический, поскольку в целом не все имеют равное право голоса. Нейронная сеть в этом отношении больше похожа на Facebook, потому что несколько близких друзей стоят тысячи френдов, — именно им вы больше всего доверяете, и они больше всего на вас влияют. Если друг порекомендует вам фильм, вы посмотрите его и вам понравится, в следующий раз вы, вероятно, снова последуете его совету. С другой стороны, если подруга постоянно восторгается фильмами, которые не доставляют вам никакого удовольствия, вы начнете игнорировать ее мнение (и не исключено, что дружба поостынет).
Перцептрон вызвал восторг в научном сообществе. Он был простым, но при этом умел узнавать печатные буквы и звуки речи: для этого требовалось только обучение на примерах.
Но затем перцептрон уперся в стену. Инженеров знаний раздражали заявления Розенблатта: они завидовали вниманию и финансированию, которое привлекали нейронные сети в целом и перцептроны в частности. Одним из таких критиков был Марвин Минский, который опубликовал книгу с критикой перцептронов: он описал простые вещи, которым алгоритм не в состоянии научиться. (Хотя надо сказать, что спустя 20 лет это оказалось не так.)
Мозг и компьютер: принципиальное различие
В случае обратной дедукции мы шаг за шагом разбираемся, какое правило необходимо ввести, чтобы от посылок прийти к желаемым выводам. Однако согласно правилу Хебба, все нейроны учатся одновременно. В этом нашли отражение различия между компьютерами и мозгом.
Количество транзисторов в компьютере приближается к количеству нейронов в головном мозге человека, однако мозг безусловно выигрывает в количестве соединений.
Типичный транзистор в микропроцессоре непосредственно связан лишь с немногими другими, и применяемая технология планарных полупроводников жестко ограничивает потенциал совершенствования работы компьютера. А у нейрона — тысячи синапсов. Если вы идете по улице и увидели знакомую, вам понадобится лишь десятая доля секунды, чтобы ее узнать.
Это не значит, что с помощью компьютера нельзя симулировать работу мозга: в конце концов, именно это делают коннекционистские алгоритмы. Поскольку компьютер — универсальная машина Тьюринга, он может выполнять вычисления, происходящие в мозге, как и любые другие, при условии, что у него есть достаточно памяти и времени. В частности, недостаток связности можно компенсировать скоростью: использовать одно и то же соединение тысячу раз, чтобы имитировать тысячу соединений.
На самом деле сегодня главный недостаток компьютеров заключается в том, что в отличие от мозга они потребляют энергию: ваш мозг использует примерно столько мощности, сколько маленькая лампочка, а для некоторых сложных машин нужно столько электричества, что им можно осветить целый бизнес-центр.
Что умеют нейронные сети
Ученые Терри Сейновски и Чарльз Розенберг обучали многослойный перцептрон читать вслух. Их система NETtalk сканировала текст, подбирала фонемы согласно контексту и передавала их в синтезатор речи. NETtalk не только делал правильные обобщения для новых слов, чего не умели системы, основанные на знаниях, но и научился говорить очень похоже на человека. Сейновски любил очаровывать публику на научных мероприятиях, пуская запись обучения NETtalk: сначала лепет, затем что-то более внятное и наконец вполне гладкая речь с отдельными ошибками. (Поищите примеры на YouTube по запросу sejnowski nettalk.)
Первым большим успехом нейронных сетей стало прогнозирование на фондовой бирже. Поскольку сети умеют выявлять маленькие нелинейности в очень зашумленных данных, они приобрели популярность. Типичный инвестиционный фонд тренирует сети для каждой из многочисленных ценных бумаг, затем позволяет выбрать самые многообещающие, после чего люди-аналитики решают, в какую из них инвестировать.
Беспилотные автомобили — тоже пример того, как хорошо нейронные сети обучаются. А совсем недавно Google рассказали о том, что научили нейросети «писать» картины, опираясь на загруженные в них изображения.
Ребята из Медузы собрали целую галерею таких машинных картин.
Сегодня мы обучаем более глубокие сети, чем когда бы то ни было, и они задают новые стандарты в зрении, распознавании речи, разработке лекарственных средств и других сферах. И, конечно, меняют мир. По мере того как мы будем лучше понимать мозг, ситуация может измениться. Вдохновленная проектом «Геном человека», новая дисциплина — коннектомика — стремится составить карту всех мозговых синапсов. Возможно, это то самое окно в будущее.