С точки зрения современного глубокого обучения ключевую роль в этих конференциях сыграло участие Фрэнка Розенблатта. В 1957 году в Корнеллской авиационной лаборатории в Буффало, штат Нью-Йорк, Розенблатт разработал первую статистическую искусственную нейронную сеть – т. н. перцептрон. Спустя несколько поколений технологических модификаций именно она легла в основу архитектуры глубокого обучения. Розенблатт приезжал на упомянутые конференции, чтобы публично защитить свои прототипы, которые представляли собой весьма уязвимые для критики эксперименты. Перцептрон, появившийся на свет под влиянием различных теоретических и технических факторов (см. главу 9), задумывался как самоорганизующаяся вычислительная сеть, способная распознавать образы за счет поиска и обнаружения оптимальных значений собственных параметров при постепенном подстраивании их под входные данные. Как заметил Розенблатт на одной из таких конференций, перцептрон «приходит к своей организации спонтанно, то есть она не заложена в систему изначально».

Какое это было устройство? Один из первых прототипов, перцептрон Mark I, представлял собой аналого-цифровую машину, состоящую из входного устройства (20 x 20 фотоэлементов, т. н. сетчатка). Фотоэлементы соединялись проводами со слоем искусственных нейронов, которые давали на выход общий сигнал (световой индикатор: лампочка включалась или выключалась, указывая, распознан шаблон или нет). Сетчатка перцептрона регистрировала простые формы, например буквы и треугольники, фотоэлементы передавали электрические сигналы последовательностям искусственных нейронов, которые их суммировали и запоминали результат в соответствии с кумулятивной логикой. Таким своеобразным образом в соответствии с планом Розенблатта в устройстве реализовывалось правило клеточных ансамблей Хебба.

Доклад Розенблатта на конференции 1959 года «Самоорганизующиеся системы» был посвящен генерализации зрительных стимулов, то есть распознаванию сходных образов в шумной среде. Ученый объяснял, «как мозг или мозгоподобная система способны распознать сходство между различными превращениями сенсорного паттерна или изображения». Розенблатта волновал вопрос о том, как статистическая нейронная сеть для распознавания образов способна обобщать случаи, выходящие за рамки набора обучающих данных. Проще говоря, речь шла о «дилемме различения [букв] N и Z» в разном визуальном отображении. Сформулированное Розенблаттом описание проекта можно и сегодня использовать для объяснения работы глубокого обучения:

Эта система способна к “абстракции” от преобразований, чаще всего встречающихся в данной обстановке, и может применять их затем к новым возбудителям, которые могут быть совсем не похожи по виду на показанные ей возбудители. Она может давать все результаты, которые дают более жестко построенные системы, но достигается это самопроизвольной организацией системы, а не жесткой структурой. Этот персептрон действительно является системой, которая “учится узнавать” в том смысле, что до предварительного опыта она способна к обобщению от данного возбудителя к его образу только с помощью медленного и трудного метода обобщения по смежности. В то же время после просмотра соответствующей предварительной последовательности (не включающей возбудителя, используемого в качестве проверочного), она выполняет то же задание сразу, не требуя на это какого-либо заметного периода “узнавания”[352].

Как объяснил Розенблатт на конференции 1961 года «Принципы самоорганизации», конструкция перцептрона отличалась от имевшихся искусственных нейронных сетей именно самоорганизующимся поведением, которое стало возможным благодаря «системе управления подкреплением»[353]. Хотя Розенблатт утверждал, что перцептрон – это «модель мозга», устройство имело куда большее отношение к самоорганизации информации, чем к имитации органических структур. Таким образом, перцептрон ознаменовал собой не столько биоморфный поворот в вычислениях, сколько топологический. Ученые-компьютерщики Марвин Минский и Сеймур Пейперт с оттенком пренебрежения переименовали коннекционизм в «вычислительную геометрию», потому что в его основе лежал расчет пространственных отношений, а не «настоящий ИИ».

В более общем плане топологический поворот ознаменовал переход от парадигмы линейной информации к парадигме самоорганизации, к которой, по моему мнению, следует отнести большое семейство методов машинного обучения. Этот поворот ввел второе пространственное измерение в модель вычислений, которая до этого понималась в основном в рамках линейного измерения числовых ЭВМ. Вместо того, чтобы обрабатывать визуальную матрицу по нисходящему алгоритму, согласно традиционной программе инструкций, следующей схеме машины Тьюринга, перцептрон вычислял пиксели визуальной матрицы восходящим и параллельным образом в соответствии с их пространственным расположением. В отношении вычислительных форм искусственные нейронные сети, в частности перцептрон, неявно отмечают точку расхождения между двумя парадигмами: линейной информацией (средства массовой информации, например телеграфы и числовые вычислительные машины, а также символический ИИ) и самоорганизующейся информацией (кибернетические системы, клеточные автоматы и, в конечном счете, коннекционистский ИИ). Историки ИИ Хьюберт и Стюарт Дрейфусы резюмировали эпистемическое различие между символической и коннекционистской школами следующим образом:

Один лагерь рассматривал ЭВМ как систему для манипулирования ментальными символами; другой – как медиум для моделирования мозга. Одни стремились использовать ЭВМ для создания формальной репрезентации мира; другие – для имитации взаимодействия нейронов. Одни считали, что парадигма интеллекта заключается в решении задач, другие указывали на обучение. Одни использовали логику; другие – статистику. Одна школа была наследницей рационалистической редукционистской традиции в философии; другая рассматривала себя как идеализированную целостную нейронауку[354].

В моей книге не дается краткое изложение саги о линейной информации в XX веке – о кибернетических петлях обратной связи, медиа-секвенсорах и символическом ИИ, а рассказывается параллельная история самоорганизующейся информации. Это необходимо для освобождения от наследия биоморфизма и таких исследовательских парадигм, как «Искусственная жизнь».