Символы и образы, алгоритмы и обучениеТрудности современной схемотехникиГлавное
отличительное свойство образов - большая информационная насыщенность,
или, выражаясь языком электротехники, широкополосность
информации. Иными словами, образ характеризуется числом бит на порядки
превосходящим информационную размерность символа. Сравните
32-64-разрядные машинные слова современных ЭВМ и графические образы,
характеризуемые мегабайтами информации. При этом, образ является
единым информационным объектом. Многие его атрибуты (например, связность
областей) являются глобальными - их нельзя вычленить,
обрабатывая отдельные части образа независимо. Можно,
конечно, обрабатывать образы последовательно, шаг за шагом, небольшими
порциями - символами, как это до сих пор и
делают компьютеры. Машинные слова современных процессоров имеют
размерности от 16 до 64. Однако, это с неизбежностью замедляет
вычисления. Повышение параллелизма за счет увеличения разрядности
универсальных процессоров идет медленно и с большим трудом, т.к.
сопровождается резким усложнением их структуры. Согласно эмпирическому
закону Рента, число элементов современных электронных схем,
оперирующих n-разрядной информацией растет как n4.8 (см. рис. 1.4).
Рис. 1.4.
Эмпирическая зависимость числа вентилей в микропроцессорах от количества входов-выходовОчевидно, что эта тенденция, распространенная на размерность n>100,
приводит к нереалистичным размерам электронных схем.
Следовательно, коренное увеличение быстродействия, требуемое для
обработки образов в реальном времени, должно сопровождаться не менее
коренным изменением схемотехники. Должны появиться специализированные
процессоры образов, построенные на новых принципах, отличных
от используемых в универсальных компьютерах. Специфика этого нового поколения процессоров диктуется самой природой образной информации - ее широкополосностью. Специфика образной информацииШирокополосность
образов имеет далеко идущие последствия. Пусть компьютер манипулирует
n-разрядными символами. Количество информации,
требуемое для описания произвольного преобразования таких символов
составляет
бит. Иными словами, для описания произвольного алгоритма обработки n-разрядных символов потребуется 2n таких символов.
Это типичный пример "комбинаторного взрыва".
Таблица 1.1.
Длина алгоритма произвольного преобразования n-разрядных символовРазрядность n машинных слов | Длина произвольного алгоритма |
---|
8 | 256B | 16 | 128KB | 32 | 16GB | ... | ... | 1024 | 21000B | Отсюда
и следует качественное различие обработки символьной (малоразрядной) и
образной (многоразрядной) информации. Для символов
в принципе возможно описать любой способ их обработки. Для образов это в
принципе невозможно. Естественно, существуют относительно
тривиальные преобразования образов, поддающиеся формализации, т.е.
имеющие компактное описание. На таких операциях построены
графические ускорители и программные пакеты обработки изображений. Однако, в общем случае операции с образами неформализуемы.
Преобразование образов, следовательно, должно основываться на алгоритмах, описанных лишь частично. Для
таких неформализуемых задач частичным описанием алгоритма является
некое подмножеством полной таблицы преобразований -
множество примеров, или обучающее множество. Возникает новый класс задач
- восстановления алгоритма по набору примеров, обучения на
примерах. Процессоры
образов должны обладать способностью обобщения конечного числа примеров
на потенциально необозримое множество
возможных ситуаций, иными словами, способностью предсказуемого поведения
в новых ситуациях. В этом своем качестве они противоположны
обычным компьютером, где алгоритм в явном виде задает поведение во всех
мыслимых ситуациях. Итак, возникает новая парадигма вычислительных машин: алгоритмы, порождаемые данными в универсальном процессе обучения,
специализированные для данного класса операций с образами, адаптированные под конкретные информационные задачи. Это - естественный путь
развития вычислительной техники, который обеспечивает одновременно и универсальность и простоту архитектуры таких универсальных
спец-процессоров. НейрокомпьютерыНейрокомпьютинг,
как Вы уже догадались, как раз и является описанной выше новой
парадигмой вычислительных систем. Основная задача
нейрокомпьютеров - обработка образов, основанная на обучении - та же,
что и у биологических нейросистем. Подобно биологическим,
искусственные нейросети нацелены на параллельную обработку
широкополосных образов. В новой схемотехнике, как и в мозгу, остутствуют
общие шины, нет разделения на активный процессор и пассивную память.
Вычисления, как и обучение, распределены по всем активным
элементам - нейронам, каждый из которых есть элементарный процессор
образов, т.к. производит хотя и простейшую операцию, но сразу над
большим количеством входов. Как вычисления, так и обучение полностью
параллельны. В этом сила природных нейрокомпьютеров. Это дает
возможность решать задачи, непосильные даже самым мощным
суперкомпьютерам, несмотря на миллионнократную разницу в быстродействии
элементной базы. Перспективы нейрокомпьютингаВписав появление нейрокомпьютинга в общий процесс эволюции компьютеров, мы получаем возможность заглянуть в ближайшее будущее -
экстраполируя сегодняшние тенденции. Вездесущие умные нейрочипыСегодняшний нейрокомпьютинг проходит "обкатку", в основном, в программном продукте для задач ассоциативной обработки
данных,
редко используя при этом свой "параллельный" потенциал. Такие
приложения как раз и являются основной темой данной
книги. Эпоха истинного - параллельного - нейрокомпьютинга начнется с
выходом на рынок широкого ассортимента аппаратных средств -
специализированных нейрочипов для обработки изображений, речи и прочей
сенсорной информации. Можно представить себе, например,
дверные замки, распознающие хозяина по виду, голосу, и быть может,
запаху в совокупности. Системы жизнеобеспечения жилищ станут
адаптивными и обучаемыми. Все бытовые приборы поумнеют и приобретут способность угадывать, что от них требуется именно в данный
момент. Провозвестником таких изменений можно считать нейросетевой блок адаптивного управления в недавно появившемся пылесосе
фирмы Samsung. Сенсорные датчики приобретут способность реагировать, а регулирующие системы - ощущать. Умные контроллеры, распознающие
потенциально опасные ситуации и умеющие
принимать адекватные превентивные решения, получат распространение в
сложных электрических
и тепловых сетях. На них будут основываться системы регулирования
транспортными потоками и потоками данных в компьютерных сетях и
сотовой связи. Операционные системы будущегоОднако,
наибольшие изменения, коснутся, по-видимому, самих компьютеров. По
мнению Билла Гейтса, главы небезызвестной Microsoft,
высказанному им на собрании совета директоров, через 10 лет 90%
операционной системы будет занято решением задач распознавания образов.
Таким образом, при проектировании будущих поколений компьютеров
нейрокомпьютинг выдвигается на первый план. Можно
даже представить себе примерный сценарий проникновения нейросистем в
компьютеры будущего, связанный с развитием
глобальной сети Internet. Сейчас именно она направляет развитие
компьютерных систем, постепенно превращая разрозненную сеть персоналок,
рабочих станций и мэйнфреймов в единый мировой сетевой компьютер с
неограниченными информационными ресурсами. Известная фирма
Forrester Research, занимающаяся прогнозированием рынков, оценивает рынок услуг, связанных с Internet, в 2001 году на уровне
$350 млрд. Практически все крупные компьютерные фирмы уже включились в борьбу за этот гигантский потенциальный рынок.
Достаточно упомянуть ту же Microsoft, тратящую по $100 млн. в год только на исследования, связанные с Internet. И
подобно тому, как эпоха великих открытий XV века стимулировала развитие
астрономии и точной механики для совершенствования
навигационных приборов, освоение нового - информационного - океана
требует развития новых средств навигации - ассоциативного поиска,
создания адаптивных и автономных агентов. (Уже сейчас индексация Сети
ведется автономными роботами.) Вспомним, каким мощным стимулом
развития персональных ЭВМ был удобный графический интерфейс
пользователя. Новый интерфейс пользователя для работы в Сети будет
основываться на агентах, представляющих интересы пользователя в сети.
Этот новый вид программного обеспечения, получивший название
agentware, претендует на центральное место в будущей системе человеко-машинного общения. Между тем, первые экземпляры agentware уже
появились на рынке, и что характерно, многие основаны на технологии нейросетей
(см., например, http://f.agentware.com). Это, по-видимому, сегодня кратчайший
путь к созданию легко обучаемых автономных электронных секретарей. Естественно предположить, что именно на этом направлении, в
силу его стратегической важности, в ближайшем будущем будет достигнут наибольший прогресс. Видимо,
искусственный интеллект, о котором так долго говорили и спорили,
начнет, наконец, материализовываться в этих пока что
очень примитивных нейро-агентах. Вскоре электронные агенты вынуждены
будут вступить в общение не только со своим хозяином и пассивными
данными, но и с другими такими же агентами. В Сети возникнет новый
социум с новыми правилами отношений. Разум же и личность, напомним,
- понятия социальные. Агенты, учащиеся принимать решения от лица
пользователя в социальном окружении, неизбежно приобретут все атрибуты
личности. Но это в будущем. Современный же нейрокомпьютинг - только первая ласточка. В наше время эта технология
распознавания ситуаций
и принятия решений отрабатывается в конкретных, четко очерченных
областях (например, игра на бирже), не требующих знания социального
контекста, пока недоступного компьютерам. До принятия действительно
значимых управленческих решений нейрокомпьютерами еще очень далеко.
Но дорогу осилит идущий.
|