Психология и теория автоматов



Человек работает в условиях среды, состоящей из очень большого числа элементов. С другой стороны, человек — это система с конечной памятью, его мозг построен из большого, но тоже конечного числа элементов. Поэтому, исходя из понятий кибернетики, его можно рассматривать как конечный автомат. И здесь возникает серьезное противоречие: конечный автомат оказывается способным работать в бесконечной среде [1].

Известно, что в кибернетике автоматами называют предназначенные для переработки информации устройства, в которых существует определенная зависимость между состояниями входов и выходов. Эти устройства работают на основе принципа «стимул-реакция»: то или иное поступающее на вход воздействие соотносится с памятью и определяет ответ выходных устройств автомата.

Обычно рассматриваются два типа автоматов — детерминированные, в которых соотношение между стимулом и реакцией однозначно определено внутренними состояниями автомата, и вероятностные, дающие ответы на стимулы с разной степенью вероятности. При этом подчеркивается, что конечный автомат может реагировать только на определенное конечное число стимулов, а это зависит от объема его памяти. В связи с этим и делается вывод, что подобный автомат может действовать лишь через перебор вариантов [2].

Однако при этом забывают, что в условиях бесконечного числа ситуаций такой принцип работы неэффективен. К тому же автоматам, построенным по принципу «стимул-реакция», свойственен и другой существенный недостаток. Они требуют определенности стимула: чтобы можно было реагировать на тот или иной стимул, он должен быть точно определен. Но ведь существуют такие ситуации, в которых нет и не может быть дана заранее однозначная характеристика стимула [3].

Это те ситуации, которые представлены разрозненными элементами. В этом случае стимулом не может быть ни один элемент ситуации в отдельности. Человек, решающий задачу не реагирует на тот или иной отдельный элемент, а должен выработать стратегию относительно всей ситуации. Поэтому для работы в условиях такой разобщенности элементов автомат должен соответствующим образом преобразовывать эту совокупность элементов в некоторое единое целое, в определенный стимул, в ответ на который следует та или иная стратегия.

Поскольку в существующих автоматах такой преобразователь отсутствует, они не могут работать в условиях дискретной, разобщенной среды. Человек же, попадающий в подобную ситуацию, связывает между собой разрозненные элементы, организует и формирует то, что называют оперативно-информационной моделью, например, шахматной позиции. Именно эта модель и является для человека стимульной ситуацией, определяющей выработку стратегии. Но этого мало. Благодаря способности к выработке оперативно-информационной модели ситуации человек получает свойства бесконечного автомата (при конечном числе элементов, составляющих его мозг, и объеме памяти), которые возвышают его существующими кибернетическими устройствами и позволяют ему разумно, успешно работать в условиях бесконечной среды [4].

В качестве примера, подтверждающее это положение, приведем какую-нибудь систему шахматных фигур, созданную или усвоенную человеком. Возьмем, например, идею связки фигур. Она состоит в следующем: если между королем и атакующей его фигурой противника стоит «своя» фигура, то эту фигуру убирать нельзя, иначе король окажется под шахом. Эта фигура становится как бы связанной; она не может быть использована для дальнейших действий. Таким образом, здесь имеет место определенный тип связи между фигурами. При этом характерно, что фигуры, образующие такую систему, могут стоять в самых различных местах доски: их расположение не повлияет на характер связи между ними. Больше того, в одной позиции нападающей фигурой может быть слон, а в другой — ладья, в одной позиции связанной фигурой будет ферзь, в другой — конь и т. д. Независимо от местоположения и названия фигур, если они взаимодействуют определенным образом, на доске будет иметь место ситуация связки.

Нетрудно увидеть, что уже этим простым типом связи можно описать огромное число конкретных позиций, а это способствует выработке разумных стратегий в условиях таких позиций.

Кибернетика пасует перед астрономическим числом возможных конкретных сочетаний шахматных фигур на доске, включающей 8 X 8 полей. А что будет, если мы начнем увеличивать число полей доски, например, возьмем доску, состоящую из 10 X 10 или 50 X 50 полей? А если при этом увеличивать и число фигур, например, ввести при одном короле восемь слонов, десять коней, четыре ферзя и т. д.? Если в распоряжении автомата будут оперативно-информационные системы, а главное — принцип их образования, то для него не окажется столь уж существенной величина среды, в которой ему придется работать. Так, идея связки «сработает» и на доске из 100 X 100 полей, в каком бы районе этой доски ни находились включенные в эту систему фигуры. При увеличении числа полей и числа фигур количество конкретных позиций, описываемых оперативно-информационными системами, может возрастать до бесконечности [5].

Существует еще одна проблема, в решении которой технической кибернетике сможет помочь эвристика. Это — создание самообучающихся систем. Под ними понимают устройства, для которых не требуется предварительного математического описания последовательности действий и объекта управления. Системы эти могут состоять из очень большого числа элементов, обладающих вначале неопределенными функциями. В такой системе начальной организации принципиально не требуется: порядок как бы сам возникает из хаоса в процессе самоорганизации (самообучения). Часто подчеркивается, что эти системы в определенном отношении могут превзойти человека, создавшего их. Возьмем, например, инженера, который создаст диагностическую машину, работающую эффективно. Машина легко превзойдет своего создателя в смысле специальных знаний.

Существует, однако, и другая концепция, которая утверждает, что все элементы системы (включая и объект управления) должны быть, хорошо изучены (алгоритмизированы), надежны и с самого начала наделены определенными функциями. С этой точки зрения необходима высокая начальная организация системы, причем последняя никогда не может превзойти своего учителя — человека. Эти две концепции не являются антагонистическими: они отражают лишь два разных типа систем, каждый из которых может иметь место [6].

В работах по кибернетике указывается, что способностью создавать новые схемы действия, т. е. самообучением, обладают только некоторые системы с обратной связью. К ним относятся, например, системы типа «перцептрон».

Перцептрон — это предложенная Ф. Розенблаттом классическая модель мозга, обладающая свойствами обучения и самообучения. В настоящее время это название применяется к определенному классу систем. Перцентроны могли самостоятельно, без помощи человека, распознавать и классифицировать входные сигналы по признакам, которые не заданы заранее. Основными составными частями перцептрона являются экран, состоящий из фотоэлементов, и связанные с ними ассоциирующие элементы. Возбуждение, падающее на экран, передается ассоциирующим элементам, которые посылают сигналы элементам исполнительным. В ходе обучения машины распознаванию, например, букв определенные фотоэлементы, возбужденные данной буквой, «подкрепляются», а возбуждения, не относящиеся к этой букве, «наказываются». В результате таких опытов машина дифференцирует одну букву от другой [7]

Существуют и другие системы, которые совершенствуют способы действия при решении определенных задач. При этом во многих системах перебор вариантов рассматривается как фактор, определяющий путь самообучения. Он выступает в нескольких формах. Принцип полного перебора, реализованный в таких устройствах, как мышь Шеннона и др., считается не очень хорошим с точки зрения самообучения, лишь некоторым первоначальным его этапом.

Более интересны в этом отношении такие формы перебора вариантов, в которых испытываются лишь некоторые варианты возможных решений. К таким формам можно отнести статистический просчет. Он реализуется, например, в системах, действующих с учетом вероятности успеха.

Самообучение таких систем состоит в том, что, учитывая опыт предыдущей работы, они опробуют в первую очередь наиболее перспективные решения или отбрасывают заведомо негодные, не пытаясь искать решения там, где они до сих пор его никогда не находили.

К указанным системам следует прибавить и устройство, сыгравшее большую роль в развитии кибернетики, — гомеостат Эшби, который находит устойчивое положение на основе случайных, хаотических движений.

Характерно, что устройства подобного типа, как и типа «перцептрон», не считались никогда перспективными. Они выступают как другая крайность по сравнению с детерминированными системами, в которых точно описан управляемый объект и способы управления. Основная линия развития самообучающихся систем может быть связана с комбинированными устройствами, включающими, с одной стороны, фиксированные, заранее данные элементы, а с другой — подсистему, которая, на основании этих фиксированных элементов, способна решать задачи, относительно которых алгоритм отсутствует [2].

Именно такого рода системой, включающей готовые способы действия и в то же время способной формировать новые способы в процессе решения задач, может считаться человек. И естественно поэтому, что для разработки теории самообучающихся систем представляет интерес материал, связанный с самообучением человека.

Многие психологи подчеркивали роль процесса решения задач для саморазвития, для выработки новых, отсутствующих ранее форм поведения, адекватных определенным условиям среды.

Действительно, ведь у той или иной кибернетической в широком смысле системы (человек, животное) возникают самостоятельно новые формы поведения. Если имеет место процесс обучения, то здесь все ясно: учитель специальными методами передает имеющиеся у него способы действия. Но если система предоставлена самой себе, если она должна сама прийти к определенному выводу, то у нее нет никакого другого способа, кроме эвристической деятельности, кроме процесса решения задач. Разумеется, новая форма поведения может возникнуть случайно, но и случай используется обычно именно потому, что существует задача, некоторая цель, которую нужно достигнуть.

С точки зрения психологии творческого мышления принципиальный путь самообучения кратко может быть выражен следующим образом. Перед человеком возникает задача, по отношению к которой у него отсутствуют стратегия, способ действия и т. д. Человек решает эту задачу на основе моделирования ее условий и создает недостающую стратегию [8]. Стратегия эта запоминается им и, при возникновении аналогичной ситуации, срабатывает. В результате самообучения те или иные ситуации перестают быть проблемными и не требуют в дальнейшем специального решения.

Литература:

1 Левин, В. И. Введение в динамическую теорию конечных автоматов /В. И. Левин. — Рига: Зинатне, 1975. — 376 с.

2 Рогшстй B. H. Основы дискретной автоматики. М.: Связь, 1975. 4З0 с.

3 Karnopp, D. An approach to derivative causality in bond graph models of mechanical systems [Text] / D. Karnopp // J. of the Franklin Institute. — 1992. -vol. 329, № 1. — Р. 65–75.

4 Хопрофт, Д. Введение в теорию автоматов, языков и вычислений. /Д. Хопкрофт, Р. Мотвани, Д. Ульман. -М.: Вильямс, 2002. — 528 с.

5 Левин, В. И. Бесконечнозначная логика и переходные процессы в конечных автоматах / В. И. Левин // Автоматика и вычисл. техника. — 1972. — № 6. — С. 54–65

6 Guo, G. Optimum dynamic design of planar linkage using genetic algorithms [Text] / G. Guo, N. Mo-rita, T. Torii // JSME Int. J. C. — 2000. — vol. 43, № 2. — P. 372–377.

7 Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. Пер. с англ. Под ред. С. М. Осовца. М. Мир 1965г. 480 с.

8 Барабанщиков, В. А. (2010) Введение. Психология и математика. В кн. А. Л. Журавлев, Т. Н. Савченко, Г. М. Головина (ред.), Математическая психология: Школа В. Ю. Крылова (11–13). М.: Изд-во «Институт психологии РАН».