An extended conversation with the legendary linguist

Автор оригинала: Ярден Кац / Yarden Katz https://www.theatlantic.com/technology/archive/2012/11/noam-chomsky-on-where-artificial-intelligence-went-wrong/261637/

Автор перевода — Татьяна Волкова

Комментарий переводчика: Подробное интервью с легендарным лингвистом, вышедшее 6 лет назад, но ничуть не утратившее своей актуальности. Ноам Хомский — «современный Эйнштейн», как его называют, делится своими соображениями об устройстве человеческого мышления и языка, искусственном интеллекте, состоянии современных наук. На днях ему исполнилось 90 лет, и это кажется достаточным поводом для публикации статьи. Интервью ведет молодой учёный-когнитивист Ярден Кац, он сам прекрасно разбирается в предмете, поэтому беседа очень содержательна, а вопросы столь же интересны, как и ответы.

Если задаться целью составить список величайших и самых недостижимых интеллектуальных задач, то задача «декодирования» самих себя — понимания внутреннего устройства наших умов и мозгов, и того, как архитектура этих элементов закодирована в нашем геноме — точно была бы на вершине. Однако различные области знаний, которые брались за эту задачу, от философии и психологии до информатики и нейронаук, охвачены разногласиями о том, какой подход — правильный.

В 1956 году ученый-информатик Джон МакКарти ввел в обиход выражение «искусственный интеллект» (ИИ) для описания науки изучения разума путем воссоздания его ключевых признаков на компьютере. Создание разумной системы, используя рукотворное оборудование, вместо нашего собственного «оборудования» в виде клеток и тканей, должно было стать иллюстрацией полного понимания, и повлечь за собой практические применения в виде умных устройств или даже роботов.

Однако, некоторые из коллег МакКарти, из смежных дисциплин, были больше заинтересованы в том, как разум устроен у людей и у других животных. Ноам Хомский и его коллеги работали над тем, что впоследствии стало называться когнитивной наукой — открытие ментальных представлений и правил, которые лежат в основе наших познавательных и умственных способностей. Хомский и его коллеги опрокинули доминирующую в тот момент парадигму бихевиоризма, возглавляемую гарвардским психологом Б.Ф. Скиннером, в которой поведение животных было сведено к простому набору ассоциаций между действием и его следствием в виде поощрения или наказания. Недостатки работ Скиннера в психологии стали известны из критического отзыва Хомского 1959 года на его книгу «Вербальное поведение», в котором Скиннер попытался объяснить языковые способности, используя бихевиористские принципы.

Подход Скиннера делал упор на ассоциации между стимулом и реакцией животного — подход, легко представимый как эмпирический статистический анализ, предсказывающий будущее как следствие прошлого. В концепции языка Хомского, с другой стороны, был акцент на сложности внутренних представлений, закодированных в геноме, и их развитии в ходе получения данных в сложную вычислительную систему, которую нельзя просто разложить на набор ассоциаций. Бихевиористский принцип ассоциаций не мог объяснить богатство языкового знания, наше бесконечно творческое его использование, или почему дети быстро осваивают его из минимальных и зашумленных данных, которые им предоставляет окружающая среда. «Языковая компетенция», как Хомский её называл, была частью генетического фонда организма, как и зрительная система, иммунная система, сердечно-сосудистая система, и нам следует изучать её точно так же, как мы изучаем остальные, более приземленные биологические системы.

Дэвид Марр, специалист в области нейронаук - коллега Хомского по MIT — определил общий подход изучения сложных биологических систем (таких, как мозг) в своей нашумевшей книге «Зрение», и анализ языковой компетенции по Хомскому более-менее в этот подход укладывается. Согласно Марру, сложную биологическую систему можно понимать на трех различных уровнях. Первый уровень («вычислительный уровень») описывает ввод и вывод системы, которые определяют задачу, выполняемую системой. В случае зрительной системы, вводом может быть изображение, проецируемое на нашу сетчатку, а выводом может быть идентификация объектов на изображении нашим мозгом. Второй уровень («алгоритмический уровень») описывает процедуру, при помощи которых ввод превращается в вывод, то есть: как изображение на нашей сетчатке может быть обработано, чтобы достичь задачи, описанной на вычислительном уровне. Наконец, третий уровень («уровень реализации») описывает, как наше биологическое оборудование из клеток выполняет процедуру, описанную на алгоритмическом уровне.

Подход Хомского и Марра в понимании того, как действует наш разум, настолько далек от бихевиоризма, насколько это возможно. Здесь упор на внутреннюю структуру системы, которая позволяет ей выполнить задачу, нежели на внешнюю ассоциацию между прошлым поведением системы и окружающей средой. Цель — проникнуть в «чёрный ящик», который управляет системой, и описать его внутреннее устройство, примерно как программист может объяснить вам принцип работы хорошо проработанного программного продукта, а также проинструктировать, как запустить его на домашнем компьютере.

Как сейчас принято считать, история когнитивной науки — это история очевидной победы подхода Хомского над бихевиористской парадигмой Скиннера — событие, о котором часто говорят как о «когнитивной революции», хотя сам Хомский отрицает такое название. Это достаточно точно отражает ситуацию в когнитивной науке и психологии, но в других смежных науках бихевиористское мышление и не собирается умирать. Бихевиористские экспериментальные парадигмы и ассоцианистские объяснения поведения животных используются специалистами в области нейронаук, чья цель — изучение нейробиологии поведения лабораторных животных, таких как грызуны, где системный трехуровневый подход, предложенный Марром, неприменим.

В мае 2011 года, в честь 150-летней годовщины Массачусетского технологического института, состоялся симпозиум «Brains, Minds and Machines» («Мозги, умы и машины»), на котором ведущие ученые-информатики, психологи и специалисты в области нейронаук собрались для обсуждения прошлого и будущего искусственного интеллекта и его связь с нейронауками.

Подразумевалось, что собрание вдохновит всех междисциплинарным энтузиазмом по поводу возрождения того научного вопроса, из которого и выросла вся сфера искусственного интеллекта: Как работает разум? Как наш мозг создал наши когнитивные способности, и можно ли это когда-либо воплотить в машине?

Ноам Хомский, выступая на симпозиуме, не был преисполнен энтузиазма. Хомский раскритиковал сферу ИИ за принятие подхода, похожего на бихевиоризм, только в более современной, вычислительно сложной форме. Хомский заявил, что опора на статистические техники для поиска закономерностей в больших объемах данных маловероятно даст нам объяснительные догадки, которых мы ждем от науки. Для Хомского новый ИИ — сфокусированный на использовании техник статистического обучения для лучшей обработки данных и выработки предсказаний на их основе — вряд ли даст нам общие выводы о природе разумных существ или о том, как устроено мышление.

Эта критика вызвала подробный ответ Хомскому со стороны директора по исследованиям корпорации Google и известного исследователя в области ИИ, Питера Норвига, который защищал использование статистических моделей и спорил о том, что новые методы ИИ и само определение прогресса не так уж далеки от того, что происходит и в других науках.

Хомский ответил, что статистический подход может иметь практическую ценность, например, для полезной поисковой системы, и он возможен при наличии быстрых компьютеров, способных обрабатывать большие объемы данных. Но с научной точки зрения, считает Хомский, данный подход неадекватный, или, говоря более жестко, поверхностный. Мы не научили компьютер понимать, что означает фраза «физик сэр Исаак Ньютон», даже если мы можем построить поисковую систему, которая возвращает правдоподобные результаты пользователям, вводящим туда эту фразу.

Оказывается, похожие споры есть и у биологов, которые пытаются понять более традиционные биологические системы. Как компьютерная революция открыла путь анализу больших объемов данных, на котором и держится весь «новый ИИ», так и революция секвенирования в современной биологии породила цветущие поля геномики и системной биологии. Высокопроизводительное секвенирование — техника, благодаря которой миллионы молекул ДНК могут быть быстро и дешево прочитаны — превратило секвенирование генома из дорогостоящего предприятия длиной 10 лет в доступную обычным людям лабораторную процедуру. Вместо мучительного изучения отдельных изолированных генов, мы теперь можем наблюдать поведение системы генов, действующих в клетках как единое целое, в сотнях, тысячах разных условий.

Революция секвенирования только началась, и гигантский объем данных уже получен, принося с собой ажиотаж и новые многообещающие перспективы для новой терапии и диагностики человеческих болезней. К примеру, когда обычное лекарство не помогает определенной группе людей, ответ может быть в геноме пациентов, и там может быть некая особенность, не дающая лекарству сработать. Когда собрано достаточно данных, дающих сравнить релевантные особенности генома у таких пациентов, и правильно подобраны контрольные группы, могут появляться новые кастомизированные лекарства, ведущие нас к чему-то вроде «персонализированной медицины». Подразумевается, что при наличии достаточно развитых статистических инструментов и достаточно большого набора данных, интересные сигналы можно будет вытянуть из шума, который создается большими и малоизученными биологическими системами.

Успех таких явлений, как персонализированная медицина, и других следствий революции секвенирования и системно-биологического подхода, основывается на нашей способности работать с тем, что Хомский называет «масса необработанных данных» — и это помещает биологию в центр дискуссии, подобно той, которая была в психологии и искусственном интеллекте с 1960-х.

Системная биология тоже встречала скептицизм. Великий генетик и нобелевский лауреат Сидней Бреннер однажды так её определил: «low input, high throughput, no output science» (в вольном переводе: «много шума из ничего, и никакой науки по итогам»). Бреннер, ровесник Хомского, который тоже участвовал в том симпозиуме по ИИ, был точно так же настроен скептически насчет новых системных подходов к пониманию мозга. Описывая популярный системный подход к картографированию мозговых схем, называемый Коннектомика, который пытается описать связи всех нейронов в мозге (то есть составляет диаграмму того, как одни нервные клетки соединены с другими), Бреннер назвал его «формой безумия».

Остроумные нападки Бреннера на системную биологию и связанные подходы в нейронауке недалеки от критики Хомского в сторону ИИ. Непохожие внешне, системная биология и искусственный интеллект сталкиваются с тем же самым фундаментальным заданием обратного инжиниринга в высшей степени сложной системы, чье внутреннее устройство, по большей части, загадка. Да, развивающиеся технологии предоставляют большой массив данных, связанных с системой, из которых только часть может быть релевантна. Нам следует опираться на мощные вычислительные возможности и статистические подходы, чтобы выделить сигнал из шума, или нам нужно искать более базовые принципы, лежащие в основе системы и объясняющие ее суть? Желание собрать больше данных неостановимо, хотя и не всегда понятно, в какую теорию эти данные могут уложиться. Эти дискуссии поднимают извечный вопрос философии науки: Что делает научную теорию или объяснение удовлетворительными? Как определяется успех в науке?

Мы сидели с Ноамом Хомским апрельским днем в довольно беспорядочной переговорке, спрятавшись в тайном уголке головокружительного здания Стата-центра MIT архитектуры Фрэнка Гери. Я хотел лучше понять критику Хомского в адрес искусственного интеллекта, и почему, как он считает, он двигается в неверном направлении. Я также хотел изучить применение этой критики к другим научным областям, таким как нейронауки и системная биология, которые все работают с задачей обратного инжиниринга сложных систем — и где учёные часто обнаруживают себя посреди бесконечно расширяющегося моря данных. Отчасти мотивацией интервью было то, что Хомского сейчас редко спрашивают о науке. Журналистов слишком интересует его мнение о внешней политике США, Ближнем Востоке, администрации Обамы и других обычных темах. Другой причиной было то, что Хомский принадлежит к тому редкому и особенному виду интеллектуалов, который быстро вымирает. С момента публикации знаменитого эссе Исайи Берлина, любимым развлечением в академической среде стало помещать различных мыслителей и ученых в континуум «Лисы-Ежа»: Ёж — дотошный и специализированный, нацеленный на последовательный прогресс в четко очерченных рамках, против Лисы, более быстрого, движимого идеями мыслителя, который скачет от вопроса к вопросу, игнорируя рамки предметной области и применяя свои навыки там, где они применимы. Хомский — особенный, поскольку он превращает это различие в старое и ненужное клише. У Хомского глубина не идет взамен гибкости или широты охвата, хотя, по большей части, он посвятил всю свою раннюю научную карьеру изучению определенных тем в лингвистике и когнитивных науках. Работа Хомского оказала огромное влияние на несколько сфер помимо его собственной, включая информатику и философию, и он не уходит от обсуждения и критики влияния этих идей, что делает его особенно интересным для интервьюирования человеком.

Я хочу начать с очень простого вопроса. На заре искусственного интеллекта люди с оптимизмом смотрели на прогресс в этой области, но всё оказалось иначе. Почему задача так сложна? Если спросить специалистов в области нейронаук, почему понять мозг так сложно, они дадут вам совершенно не удовлетворяющие интеллектуально ответы: в мозге миллиарды клеток, и мы не можем считывать их все, и так далее.

Хомский: В этом что-то есть. Если вы посмотрите на развитие науки, все науки как континуум, но они разделяются на отдельные области. Величайшего прогресса достигают науки, которые изучают самые простые системы. Возьмите, например, физику — в ней огромный прогресс. Но одна из причин в том, что у физиков есть преимущество, которого нет ни в одной другой науке. Если что-то становится слишком сложным, они передают это кому-то другому.

Например, химикам?

Хомский: Если молекула слишком большая, вы отдаёте её химикам. Химики, если для них молекула слишком большая или система становится слишком большой, отдают её биологам. А если для них слишком большая, они отдают психологам, и в конце концов она оказывается в руках литературных критиков, и так далее. Так что не всё, что говорят в нейронауках, полностью неверно.

Но может быть, — и с моей точки зрения это очень вероятно, хотя специалистам в области нейронаук это не нравится — что нейронаука последние пару сотен лет идёт по ложному пути. Есть довольно новая книга очень хорошего нейроучёного-когнитивиста Рэнди Галлистела совместно с Адамом Кингом («Memory and the Computational Brain: Why Cognitive Science will Transform Neuroscience» — прим. перев.), в которой он утверждает — на мой взгляд, правдоподобно — что нейронаука развивалась, будучи увлечённой ассоцианизмом и связанными с ним представлениям о том, как устроены люди и животные. В результате, они искали явления, обладающие свойствами ассоциативной психологии.

Как с хеббовой пластичностью? [Теория, приписываемая Дональду Хеббу: ассоциации между стимулом окружающей среды и реакцией на стимул могут быть закодированы через усиление синаптических связей между нейронами — прим. ред.]

Хомский: Да, как усиление синаптических связей. Галлистел годы потратил на то, чтобы объяснить: если вы хотите как следует изучить мозг, вам нужно, подобно Марру, вначале спросить, какие задачи он выполняет. Поэтому он в основном интересуется насекомыми. Так вот, если вы хотите изучить, скажем, неврологию муравья, вы спрашиваете, что делает муравей? Оказывается, муравьи делают довольно сложные вещи, например, построение пути. Посмотрите на пчёл: их навигация требует довольно сложных вычислений, включающих положение солнца, и так далее. Но в целом, с чем он спорит: если вы возьмете когнитивные способности животного или человека, это вычислительные системы. Таким образом, вам нужно посмотреть на вычислительные атомарные единицы. Возьмем машину Тьюринга, это самая простая форма вычисления, вам нужно найти атомы, которые имеют свойства «читать», «писать» и «адрес». Это минимальные вычислительные единицы, так что вам нужно поискать их в мозгу. Вам никогда их не найти, если вы будете искать усиление синаптических связей или свойства полей, и так далее. Вам нужно начать вот с чего: посмотреть, что там уже есть и что работает, и вы это можете увидеть с наивысшего уровня в иерархии Марра.

Правильно, но большинство нейроучёных не сидят и не описывают вводы и выводы феномена, который они изучают. Вместо этого, они помещают мышь в лабораторную задачу обучения, и записывают как можно больше нейронов, или узнают, нужен ли ген Х для обучения задаче, и так далее. Такого рода утверждения вытекают из их экспериментов.

Хомский: Это так…