Алгоритм обучения – это механистический процесс, в ходе которого нейронная сеть изменяет силу связей (веса) между своими элементами. Эволюция дает нам полезную отправную точку, но обучение на протяжении жизни системы также играет важную роль. В рамках нейросетевого подхода процесс изменения силы связей направляется входными данными и обратной связью от окружающей среды в сочетании с распространением сигналов, которые несут информацию о том, как именно следует изменять связи.

Как мы увидели в этой главе, у разных алгоритмов обучения есть свои сильные и слабые стороны. Современные алгоритмы позволили создать искусственные сети, которые сравнялись с человеком или превзошли его во многих сложных задачах, однако ни один из известных сегодня алгоритмов обучения не воспроизводит в полной мере гибкость, адаптивность и эффективность процессов обучения человеческого мозга. Раскрытие вычислительных принципов, управляющих тем, как обширные нейронные сети мозга хранят знания, остается одной из величайших загадок, которую предстоит решать следующему поколению специалистов по вычислительной нейробиологии.

В третьей части мы рассмотрели нейронные сети, которые не зависели от интеллекта разработчика, а учились изменять свои связи на основе опыта. Такие сети помогли нам лучше понять, как люди осмысливают окружающий мир. Они также наделили системы ИИ эмерджентными способностями, которые еще несколько лет назад было невозможно себе представить. В четвертой части мы рассмотрим, как нейронные сети могут углубить наше понимание разума и обеспечить создание интеллектуальных машин будущего. Мы также обсудим более широкие выводы, которые нейросетевой подход предлагает для осмысления человеческой природы.