В 2012 году алгоритм AlexNet – большая искусственная нейронная сеть – победил в конкурсе ImageNet, а это считается международным эталоном качества для программного обеспечения, которое связано с распознаванием изображений. С тех пор «глубокие» искусственные нейронные сети, также известные как «глубокое обучение», возглавили революцию в машинном обучении и считаются наиболее эффективной техникой искусственного интеллекта. Их успех возродил надежды на то, что «решение» проблемы ИИ может быть найдено в тайной логике мозговых структур – эта идея восходит к самой заре цифровых вычислительных машин. Нейрофизиолог Уоррен Мак-Каллок и математик Уолтер Питтс первыми предложили имитировать биологические нейроны внутри устройства[316]. В статье 1943 года «Логическое исчисление идей, относящихся к нервной активности» они представили искусственные нейронные сети как имитацию физиологии мозга. В их идее также скрывалась внешняя «социальная» генеалогия, которую я раскопаю и освещу в этой главе[317]. Искусственные нейронные сети предстанут не в качестве биоморфного (то есть имитирующего формы жизни) артефакта, а как техника самоорганизующейся информации. Такой подход увязывает изобретение нейронных сетей с трудовой теорией автоматизации, изложенной в первой части книги. Подобно тому, как конструкция промышленных машин возникла из подражания организации труда, искусственные нейронные сети (и в целом алгоритмы машинного обучения) можно представить машинами, которые сами организуют собственные параметры (внутреннее устройство), подражая организации внешнего мира. Кибернетические эксперименты по самоорганизации представляли собой, по сути, лабораторию социального, а не «онтологический театр» живых существ, как выразился историк науки Эндрю Пикеринг[318].

В 1943 году Мак-Каллок и Питтс, интерпретируя лабораторные данные, предложили формально представить мозг человека как «нервную сеть», выполняющую логические операции (см. рис. 6.1) – то есть как сеть вычислительных узлов, которые могли бы имитировать человеческое мышление, сводя логику к булевой логике и ее операторам И, ИЛИ и НЕ. Аналогия между анатомией мозга, логическим выводом и вычислительными устройствами была основана на наблюдении, что биологические нейроны демонстрируют двоичное поведение «вс»»ё или ничего». Если сумма импульсов от возбуждающих и тормозных синапсов превышает заданный предел, нейрон посылает сигнал в синапс следующего за ним нейрона (в противном случае остается в состоянии покоя)[319]. Новизна идеи заключалась не в сетевой форме как таковой, а в пороговой логике, которая в предложенной структуре воплощала булевы операторы и последовательные шаги логических рассуждений. Мак-Каллок и Питтс утверждали, что эти машины, регулируя поведение собственных узлов, «обучаются» подобно мозгу, то есть, самоорганизуясь, записывают сложную информацию.

Рис. 6.1. Эскиз искусственных нейронов (Мак-Каллок У., Питтс У. Логическое исчисление идей, относящихся к нервной активности // Нейронные сети: история развития теории. Кн. 5: Учеб. пособие для вузов / Под общей ред. А.И. Галушкина, Я.З. Цыпкина. М.: ИПРЖР, 2001. С. 11–15)

За несколько лет до этого, в 1938 году, американский математик и криптограф Клод Шеннон продемонстрировал, что электрические коммутационные схемы могут выполнять операции булевой логики. Он заложил фундамент компьютерной эры, разработав логические вентили И, ИЛИ и НЕ, которые вскоре стали использоваться во всех транзисторах и микрочипах[320]. Возникновение нейронных сетей как ключевой идеи ИИ легче понять, исследуя логические вентили Шеннона, а не физиологию мозга. По сути, Мак-Каллок и Питтс утверждали, что нейронные цепи мозга выполняют те же операции, что и электрические цепи Шеннона. Хотя авторы учебников по машинному обучению твердят, что концепция искусственных нейронов Мак-Каллока и Питтса вдохновлена структурой и поведением мозговых нейронов, верно обратное: эти ученые подходили к биологическим нейронам как к технологическим артефактам. Мак-Каллок и Питтс неявно предполагали, что физиология мозга гомологична коммуникативным технологиям их времени, основанным на электромеханических реле, механизмах обратной связи, электромеханическом телевидении и, в особенности, телеграфных сетях. В 1948 году на Хиксоновском симпозиуме по церебральным механизмам, о котором пойдет речь в следующей главе, Мак-Каллок убеждал коллег рассматривать нейроны в качестве телеграфных реле[321].

Историку науки и техники искусственные нейронные сети Мак-Каллока и Питтса покажутся не оригинальной идеей, а скорее развитием старой. Лора Отис, например, отметила, что аналогию между нервной системой и электрическими сетями установили еще в XIX веке: ею, в частности, пользовались изобретатель телеграфа Сэмюэл Морзе и физик Герман фон Гельмгольц[322]. В качестве иллюстрации тогдашнего интеллектуального климата можно привести такой пример: в лекции 1851 года о двигательной функции у животных (см. эпиграф к главе) берлинский физиолог Эмиль Дюбуа-Реймон объяснял сходство между нервной системой и электрическими телеграфными сетями с визионерским пылом, присущем скорее научной фантастике, чем науке.

Аналогия, имеющая отношение к коммуникационным инфраструктурам, выходит за рамки сравнения c «нейронным телеграфом» XIX века: ее можно найти также в кибернетических проектах самоорганизации следующего столетия. Эти проекты сыграли решающую роль в эволюции искусственных нейронных сетей. Идея самоорганизующихся вычислений, способных адаптироваться к окружающей среде и «обучаться» устойчивым образом, стала ключевой частью «эпистемического ансамбля» кибернетики, проложившего путь к машинному обучению[323]. Из-за академической гегемонии символического ИИ и широко распространенной антропоморфизации технологий трудно представить современный ИИ как технику самоорганизации информации или «спонтанный порядок», который возникает из данных. И все же это реалистичное описание того, что на самом деле происходит в процессе машинного обучения. Связь между самоорганизующимися вычислениями XX века и ИИ XXI века скрыта сложным напластованием технологических достижений, мешающим различать и ее происхождение, и развитие. В этой главе я провожу своего рода «раскопки» этого напластования, погружаясь в предысторию машинного обучения, когда социальные, коммуникационные и вычислительные сети были частью непрерывных и соприкасающихся движений самоорганизации.