Психология мышления — одна из самых неразвитых областей психологической науки. Всё, к чему она пришла в ходе продолжительной истории попыток грамотно сформулировать исследуемые проблемы, так это к тому, что мышление не похоже ни на случайный поток ассоциаций, ни на выведение силлогизмов. Последнее часто и берётся на вооружение при ответе на вопрос «может ли машина мыслить?». Подавляющее большинство рассуждений на эту тему содержит в себе следующую цепочку суждений: 1) Машина выполняет заданные программистом алгоритмы; 2) Эти алгоритмы основаны на известных законах логики; 3) Человек не мыслит как машина для силлогизмов; 4) Следовательно, машина мыслить не может.

Эта основная цепочка украшается разными идеями типа вычислимости/невычислимости, трудной проблемы сознания, системных свойств, которые присущи живым существам, и т.д. Однако ошибка кроется в первой посылке, а именно — в представлении о том, как работает компьютер. Но прежде, чем выявить её, уместно обратиться к истории когнитивной науки и метафоры «мозг-компьютер». Когнитивная психология возникла в контексте критики бихевиоризма и появления компьютеров. Метафора, что мозг работает примерно как компьютер, как бы напрашивалась сама собой: вот устройства ввода (сенсорные системы), устройства вывода (мышцы), долговременная и рабочая память, процессор где-то в лобных долях. То, что называется «психикой» — это software, мозг — hardware. Совершенно очевидное сравнение. Психологи, порядком уставшие от бихевиоризма, но не желавшие мистики психоанализа, с радостью восприняли этот подход и начали увлеченно строить схемы с блоками и стрелочками. Такой подход получил название символьного и стал самым что ни на есть мейнстримом в когнитивной психологии. Мы говорим «когнитивная психология» — подразумеваем «символьный подход»; говорим «символьный подход» — подразумеваем «когнитивная психология». Сейчас представители этого подхода пытаются исправить его недостатки, а заодно и все неувязки сравнения мозга с компьютером. Когнитивные психологи вовсю исследуют социальные аспекты познания, эмоциональное познание, «включенное» (во внешнюю среду) и «воплощенное» (в костях и мясе нашего тела) познание, и всё остальное, что отличает человеческое мышление от компьютерной обработки информации. Они обращаются к помощи психофизиологов: хотя поначалу их игнорировали, в наше время радетели за «чистую психологию» без фМРТ и ЭЭГ выглядят как выжившие из ума деды. От оригинальной метафоры осталось не так уж и много: лишь дух рационализма (в противовес «гуманитарным» психологиям — психоанализу, гуманистической, экзистенциальной психологии и т.д.) и «компьютационализма» (в противовес идеологии стимула и рефлекса бихевиоризма), ну и преемственность от когнитивизма старой школы, конечно.

Но вот уже лет 70 существует альтернатива классическому символьному подходу как в когнитивистике, так и в computer science и исследованиях ИИ, получившая название «коннекционизм». Начался коннекционизм с того, что нейрофизиолог Маккалох и юный логик Питц попытались создать математическую модель нервной клетки.

Общее представление о том, как работает нейрон, в те времена не сильно отличалось от современного: нейрон — это клетка, отличающаяся тем, что обладает, помимо основного тела (сомы), еще и отростками — дендритами, которые получают импульс и передают его по соме до аксона — длинного отростка, который, в свою очередь, возбуждает следующие нейроны. Нейроны почти вплотную соединены друг с другом синапсами, в которых и происходит передача информации с одного нейрона на другой (обычно — с аксона на дендрит). В основном это происходит за счет того, что возбуждение пресинаптического нейрона приводит к выбросу химических соединений (нейромедиаторов), которые соприкасаются с белками-рецепторами постсинаптического нейрона, изменяя потенциал мембраны. Одного медиатора редко бывает достаточно, поэтому нейромедиаторов требуется достаточно много. К тому же существуют и тормозные синапсы, выброс нейромедиаторов в которых приводит к еще большему снижению потенциала мембраны. Поэтому для возбуждения нейрона обычно необходима передача возбуждения сразу с нескольких других нейронов. Еще одно важное правило передачи сигнала в нервной системе — это принцип «всё или ничего»: если потенциал мембраны переходит определенное пороговое значение, то нейрон возбуждается и сигнал переходит дальше (от дендритов к соме, от сомы к аксону). Если же порогового значения потенциал не достигает, то нейрон так и продолжает «молчать».

Маккалок и Питтс пытались представить работу нейрона математически: представим, что есть определенная функция, которая перемножает приходящее возбуждение в виде некоторого вектора чисел (вектор возбуждения) на вектор связи (синаптические веса дендритов). Если скалярное произведение этих двух векторов больше определенного значения, то на выходе такой «нейрон» дает 1, если меньше — 0 (этакая реализация принципа «всё или ничего»). Вектор возбуждения — это как бы нейромедиаторы, выбрасываемые из пресинаптических клеток, вектор связи — белки-рецепторы на постсинаптических нейронах. Вот такое вот грубое, но крайне милое представление живой клетки как функции-сумматора приходящих импульсов.

Если мы сделаем много таких формальных нейронов, то сможем связать их друг с другом в так называемую «искусственную нейронную сеть». Но самое интересное, что такую сеть мы сможем обучать. Для этого нам нужно будет лишь давать какое-то возбуждение на входе и реакцию на ответ сети на выходе. При неверном ответе мы будем менять вектор связей до тех пор, пока он не станет верным для большинства примеров. Например, мы можем таким образом научить сеть различать буквы. И главная прелесть в том, что нам здесь вообще не нужно будет понимать, что и как именно эта сеть обрабатывает. Мы даем ей вход, требуем определенный выход, а что происходит внутри — мы сами не задаем и не обязаны этого знать. Такую искусственную нейронную сеть практически реализовал в 1958 году Розенблатт, и пошло-поехало… Со временем использование искусственных нейронных сетей стало одним из ключевых методов в машинном обучении. Само по себе развитие машинного обучения наглядно показало, что программисту не обязательно все знать заранее.

Однако в дальнейшем искусственные нейронные сети не показали тех революционных результатов, которые от них ожидались. Как оказалось, задачи менее узконаправленные, нежели классификация паттернов, для них уже неподъёмны. Хотя с их помощью и можно решать стандартные задачи типа арифметических, обычный компьютер делает это быстрее и эффективнее. Распознание речи, лиц, текста — все те вещи, что с трудом делает компьютер, но с которыми легко справляется человек, стали основной областью применения искусственных нейронных сетей.

Вероятно, мышление у человека устроено примерно так же: сформированные на основе прошлого опыта связи позволяют генерировать быстрые решения задач, которые уже потом проходят проверку. Подобный механизм может лежать в основе формирования «интуитивных» действий, при этом сам человек может и не понимать, как он пришел к тому или иному решению.

В современной когнитивной психологии коннекционизм занимает довольно скромное место, в том числе потому что модели, построенные с помощью тех или иных алгоритмов машинного обучения, мало помогают понять их механизмы. Однако значительным его достижением стала демонстрация того, что компьютер не обязательно должен работать как некоторый записанный программистом алгоритм. Он может сам обучаться, ему нужно для этого лишь задать общую архитектуру (которая тоже может быть пластична). Это не говорит напрямую о том, что машина может мыслить, однако я не вижу никаких принципиальных ограничений для развития искусственного интеллекта. А это означает, что мы, возможно, увидим интеллект сильнее человеческого — и кто знает, к чему это может нас привести.