Книга: Эволюция разума

Сноски из книги

<<< Назад Эпилог

Вперед >>> ----

· #1

Эмили Дикинсон (1830–1886) — американская поэтесса. Стихотворение в пер. А. Гаврилова. Здесь и далее прим. пер.

· #2

Рассказ многократно переводился и на русский язык; см. например, перевод Р. Рыбкина в сборнике «Последнее путешествие корабля-призрака» (М.: Пресс Лтд, 1994).

· #3

Вот одно предложение из романа Габриэля Гарсиа Маркеса «Сто лет одиночества».

Аурелиано Второй поначалу не заметил этот кошачий вокализ, но на следующее утро после завтрака почувствовал, что его уши сверлит какое-то жужжание, более переливчатое и пискливое, чем дробь дождя, а это, оказывается, Фернанда бродила по дому, громко причитая — для того, мол, ее воспитывали, как королеву, чтобы стать ей прислугой в сумасшедшем доме, жить с мужем — лодырем, безбожником, развратником, который только и знает, что валяется на кровати брюхом кверху и ждет не дождется манны небесной, а она работает-надрывается, везет на себе хозяйство, которое на глазах рушится, где столько всего надо сделать, столько на своем горбу вывезти, столько дыр залатать каждый Божий день с утра и до вечера, что, как ляжет она в постель, так в глазах рябит и мутится, и никто ведь потом не скажет: доброе утро, Фернанда, хорошо ли ты отдохнула, Фернанда, никто не спросит, хотя бы из вежливости, почему, мол, ты со сна такая бледная, с черными кругами под глазами, хотя, конечно, она и не ждет таких слов от этой семьи, где в общем-то всегда всем она была в тягость, чуть ли не ноги об нее вытирали, как на пугало огородное на нее глядели, по углам шушукались и злословили, называя ее ханжой, называя ее лицемеркой, называя ее хитрой бестией, и даже Амаранта — царствие ей небесное — не постеснялась громко сказать, что она, Фернанда, из тех, кто посты соблюдает не для духа, а для брюха — Господи, что за выражение, — а она все это покорно сносила по воле Божьей, но больше терпеть не будет, после того как этот мерзавец Хосе Аркадио Второй сказал, что семья стала гибнуть из-за того, что впустила в дом самодурку, — только послушать! — своевольную самодурку, прости, Господи, чуть ли не изуверку из породы тех гнусных изуверов, которых правительство посылает убивать рабочих, и — скажите на милость — он при этом имел в виду не кого-нибудь, а ее, крестницу герцога Альбы, даму такого знатного происхождения, что жены президентов зеленели от зависти, дочь такого древнего рода, что имеет право подписываться одиннадцатью испанскими фамилиями в ряд, и вообще она единственная смертная в этом нечестивом городишке, которая не опростоволосится, если надо накрыть стол на шестнадцать персон, хотя бы потом этот забулдыга, ее муж, и говорил, корчась от смеха, что столько ложек и вилок, ножей и чайных ложечек нормальным людям не требуется, разве что сороконожкам, а ведь она тут одна-единственная, кто во сне может ответить, когда положено белое вино подавать, и с какой стороны, и в какой бокал наливать, а когда — красное, и с какой стороны, и в какой бокал, не то что эта недоучка Амаранта, царствие ей небесное, которая думала, что белое вино пьют днем, а красное вечером, и она, Фернанда, единственная на всем побережье может похвастаться тем, что пользуется ночью не чем иным, как золотым горшком, хотя полковник Аурелиано Буэндия, царствие ему небесное, имел наглость спросить, ехидный франкмасон, уж не за то ли ей такая привилегия, что из нее не говно, а хризантемы лезут, подумать только, так и сказал, а Рената, ее родная дочь, которая не постеснялась подглядеть, как она в спальне по-большому делает, поддакивает, что горшок и вправду из золота и весь в гербах, но внутри — говно как говно, дерьмо человечье, да еще и похуже, потому как это — дерьмо изуверское — подумайте, родная-то дочь! — вот почему и знает она, Фернанда, цену истинную членам этой семьи, но в любом случае имеет право ожидать от мужа большего уважения, ибо, худо-бедно, он ей муж, Богом посланный, сам ее взявший в дом, законный насильник, который по своей и Божьей воле возложил на себя ответственность за то, что лишил ее родительского крова, где жила она без забот и хлопот, плела венки погребальные ради собственного удовольствия, ибо ее крестный отец прислал письмо за собственной подписью и скрепленное сургучной печатью своего перстня, дабы предупредить, что ручки его крестницы не предназначены для дел мира сего, разве только для игры на клавикордах, тем не менее ее муж-болван увез ее из дому, невзирая на все предупреждения и предостережения, и бросил в этот адский котел, где от жары задохнуться впору, и, не дождавшись конца Великого поста, уже отправился из дому со своими бродячими сундуками и со своим дурацким аккордеоном прелюбодействовать с потаскухой, у которой достаточно посмотреть на задищу — ладно, слово уже сказано, — достаточно посмотреть, как она вертит своим кобыльим крупом, чтобы узнать, кто она такая: полная противоположность ей, Фернанде, которая всегда остается дамой — во дворце или в свинарнике, за столом или в постели, прирожденной дамой, почитающей Господа своего, послушной его законам и покорной его предначертаниям, и с которой, конечно, нельзя вытворять всякие гнусные штучки, привычные для той, другой, готовой на все мерзости, как французские шлюхи, да она похуже и этих, ведь, если подумать, они все же имеют совесть вешать красный фонарик на двери, а подобные гадости, будьте уверены, не проделаешь с единственной возлюбленной дочерью доньи Ренаты Арготе и дона Фернандо дель Карпио, и прежде всего этого гранда, этого, без сомнения, святого человека, истинного христианина, кавалера ордена Гроба Господня, из тех, кто Божьей милостью не подвержен тлену могильному и чья кожа сохраняет свежесть и лоск атласного платья невесты, а глаза — живость и чистоту изумрудов… (Перевод с испанского М. Былинкиной.)

· #4

Почтовая служба фирмы «Рассел, Мэйджорс энд Уодделл», которая использовала перекладных лошадей и индейских пони.

· #5

Более подробно этот аргумент обсуждается в книге «Сингулярность уже близка»: глава 6, раздел «[The Impact…] on the Intelligent Destiny of the Cosmos: Why We Are Probably Alone in the Universe»; Ray Kurzweil, The Singularity Is Near, 2005, Viking.

· #6

Американская телевизионная викторина.

· #7

Speech Interpretation and Recognition Interface (Siri) — персональный помощник и вопросно-ответная система, разработанная компанией Apple.

· #8

James D. Watson, Discovering the Brain, National Academy Press, 1992.

· #9

Sebastian Seung, Connectome, How the Brain's Wiring Makes Us Who We Are, Houghton Mifflin Harcourt, 2012; в русском переводе: Сеунг С. Коннектом: Как мозг делает нас тем, что мы есть. М.: Бином. Лаборатория знаний, 2014.

· #10

Множество Мандельброта, Zoom-видео: http://www.youtube.com/watch?v=gEw8xpblaRA и http://www.youtube.com/watch?v=G_GBwuYuOOs

· #11

Беррес Фредерик Скиннер (1904–1990) — выдающийся американский психолог и писатель.

· #12

Ральф Уолдо Эмерсон (1803–1882) — американский писатель, поэт, философ и общественный деятель, один из виднейших американских мыслителей.

· #13

«Путешествие натуралиста вокруг света на корабле „Бигль“» (1839); первый русский перевод осуществлен в 1871 г. E. Бекетовой.

· #14

Дарвин Ч. Происхождение видов путем естественного отбора, или Сохранение благоприятных рас в борьбе за жизнь (здесь и далее цитаты приводятся в соответствии с русским переводом шестого издания книги; СПб.: Наука, 1991).

· #15

Charles Darwin, The Origin of Species, P. F. Collier & Son, 1909, 185/95–96.

· #16

Charles Darwin, On the Origin of Species, 751. Peckham’s Variorum edition. Morse Peckham (ed.) (1959), The Origin of Species By Charles Darwin: A Variorum Text (Philadelphia).

· #17

Dahm R., Discovering DNA: Friedrich Miescher and the early years of nucleic acid research. Hum. Genet., 2008,122 (6): 565–81.

· #18

Николай Константинович Кольцов — выдающийся русский биолог, основатель русской советской школы экспериментальной биологии, автор идеи матричного синтеза хромосом; в 1920 г. был арестован по делу так называемого Тактического центра и приговорен к расстрелу, но освобожден по ходатайству М. Горького; скончался от инфаркта после снятия с должности директора им же созданного Института экспериментальной биологии (теперь Институт биологии развития РАН) и допросов по делу Н. И. Вавилова.

· #19

Valery N. Soyfer, The consequences of political dictatorship for Russian science. Nature Reviews Genetics, 2001, 2 (9): 723–729.

· #20

Watson J. D. and Crick F. H. C. A Structure for Deoxyribose Nucleic Acid. Nature, 1953, 171 (4356): 737–738; http://www.nature.com/nature/dna50/watsoncrick.pdf. Double Helix: 50 Years of DNA, Nature Archives, http://www.nature.com/nature/dna50/archive.html.

· #21

Франклин умерла в 1958 г., а Нобелевскую премию за открытие ДНК вручали в 1962 г. Существуют разные мнения относительно того, получила бы ее Франклин или нет, если бы была жива.

· #22

Альберт Эйнштейн, «К электродинамике движущихся тел», 1905. В этой статье была сформулирована Специальная теория относительности. См. Lindsay, Robert Bruce; Margenau, Henry (1981). Foundations of physics. Ox Bow Press, p. 330.

· #23

См. https://ru.wikipedia.org/wiki/Радиометр_Крукса.

· #24

Заметим, что часть импульса фотонов передается молекулам воздуха (поскольку в колбе находится разреженный воздух, а не абсолютный вакуум), а затем от нагретых молекул воздуха — к лопастям.

· #25

Альберт Эйнштейн, «Зависит ли инерция тела от содержащейся в нем энергии?» В этой статье была представлена знаменитая формула Эйнштейна E = mc².

· #26

Письма Альберта Эйнштейна президенту Франклину Делано Рузвельту, см. http://hypertextbook.com/eworld/einstein.shtml.

· #27

Мариан Даймонд — профессор анатомии из Калифорнийского университета в Беркли; участвовала в анализе головного мозга А. Эйнштейна.

· #28

Хоум-ран — удар в бейсболе.

· #29

Жоэль Хейвманн — журналистка, автор книги о болезни Паркинсона A Life Shaken: My Encounter with Parkinson's Disease.

· #30

Английское слово portly (тучный, толстый) созвучно фамилии Портман.

· #31

Дэвид Хантер Хьюбел (1926–2013) — канадско-американский нейрофизиолог, лауреат Нобелевской премии по физиологии и медицине за 1981 г. «За открытия, касающиеся принципов переработки информации в нейронных структурах».

· #32

Считается, что некоторые не относящиеся к млекопитающим животные, такие как вороны, попугаи и осьминоги, тоже в определенной степени способны размышлять, однако эта их способность неразвита и недостаточна для того, чтобы создавать орудия. У этих животных произошла адаптация других отделов мозга, осуществляющих некоторые этапы иерархического мышления, но для неограниченного иерархического мышления, на какое способен человек, нужна новая кора.

· #33

Mountcastle, V. B. (1978), An Organizing Principle for Cerebral Function: The Unit Model and the Distributed System, in Gerald M. Edelman and Vernon B. Mountcastle, The Mindful Brain, MIT Press, 1982.

· #34

Herbert A. Simon, The Organization of Complex Systems. Hierarchy Theory, The Challenge of Complex Systems, Edited by Howard H. Pattee, George Braziller, Inc., New York, 1973; http://blog.santafe.edu/wp-content/uploads/2009/03/simon1973.pdf.

· #35

Ноам Хомский (Наум Чомски; род. в 1928) — американский лингвист, публицист, политолог и философ; автор классификации языков, называемой иерархией Хомского.

· #36

Marc D. Hauser, Noam Chomsky and W. Tecumseh Fitch. The Faculty of Language: What Is It, Who Has It, and How Did It Evolve? Science. November, 2002, Volume 298, 1569–1579; www.wjh.harvard.edu/~mnkylab/publications/languagespeech/Hauser,Chomsky,Fitch.pdf.

· #37

Сэмюэл Батлер (1835–1902) — английский писатель, художник и переводчик.

· #38

Марвин Ли Минский (род. в 1927) — американский ученый в области искусственного интеллекта, один из основателей лаборатории искусственного интеллекта в Массачусетском технологическом институте.

· #39

Амброз Бирс (1842–1913/1914) — американский писатель и журналист, составитель сатирического сборника афоризмов «Словарь Сатаны».

· #40

Ниже представлен фрагмент книги Рэя Курцвейла и Терри Гроссмана «Transcend, Nine Steps to Living Well Forever», Rodale, 2009, в котором подробнее описана данная техника.

Я придумал способ решать задачи во сне. Я несколько десятилетий отрабатывал этот метод и обнаружил некоторые детали, которые позволяют ему функционировать лучше.

Начинаю я с того, что перед тем, как идти спать, формулирую для себя интересующую меня проблему. Это может быть проблема любого рода: математическая задача, элементы моих разработок, деловые вопросы и даже отношения с людьми.

Я думаю об этом несколько минут, но не пытаюсь искать решение. Это только прервет творческий процесс поиска. Я пытаюсь обдумывать. Что мне действительно известно? В какой форме должен быть ответ? А потом я иду спать. Эта процедура заставляет мое подсознание работать в заданном направлении.

Терри: Зигмунд Фрейд писал, что, когда мы видим сны, многие сенсорные центры в нашем мозге расслабляются, поэтому во сне мы можем видеть вещи, в реальности являющиеся социальными, культурными и даже сексуальными табу. Нам могут сниться таинственные вещи, о которых мы не можем позволить себе думать днем. Это одна из причин странности снов.

Рэй: Существуют также профессиональные ограничения, мешающие творческому движению мысли, многие из которых сформировались еще в процессе обучения, такие блоки как: «проблему обработки сигнала нельзя решить этим способом» или «лингвистика не допускает использования этих правил». Данные постулаты во сне тоже ослабевают, а потому я могу думать о новых путях решения проблемы, не будучи ограничен «дневными рамками».

Терри: Кроме того, когда мы спим, отключается часть нашего мозга, ответственная за оценку разумности наших идей. Это еще одна причина, почему во сне с нами происходят таинственные и фантастические вещи. Если слон проходит через стену, мы не удивляемся, а просто отмечаем про себя: «О’кей, слон проходит через стену, ничего особенного». Если я просыпаюсь среди ночи, я часто обнаруживаю, что обдумывал стоящую передо мной проблему в очень странном и нестандартном ракурсе.

Рэй: Следующий этап наступает утром, на границе между сном и бодрствованием. Эту фазу сна часто называют осознанными сновидениями. В этом состоянии я по-прежнему сохраняю ощущения и образы из моего сна, но теперь уже пользуюсь рациональным мышлением. Я, например, понимаю, что лежу в постели, и могу сформулировать рациональную мысль о том, что у меня много дел и поэтому мне лучше бы встать. Но это было бы ошибкой. Если я могу, я остаюсь в постели и сохраняю состояние осознанных сновидений, поскольку именно в нем состоит суть творческого метода решения проблем. Кстати, если звонит будильник, метод не работает.

Читатель: Звучит прекрасно.

Рэй: Так и есть. Я по-прежнему имею доступ к снам о тех проблемах, на которые настроил себя накануне. Но при этом нахожусь в сознании и способен рационально мыслить, чтобы оценить новые творческие идеи, пришедшие мне на ум ночью. Я могу определить, какие из них осмыслены. Примерно через 20 минут я начинаю видеть свою проблему по-другому.

Этот метод помог мне сделать несколько изобретений (и потратить остаток дня на написание патентных заявок), спланировать материал для книг и выработать полезные идеи для решения самых разных проблем. Если мне нужно принять важное решение, я всегда прибегаю к этому способу рассуждений и весьма доверяю принятым решениям.

Важнейший момент здесь — дать развиваться вашей мысли, не судить ее преждевременно и не думать о том, хорошо ли работает метод. Этот метод противоположен методу ментальной дисциплины. Подумайте о проблеме, но затем во сне позвольте идеям захватить вас. А утром вновь включите разум и пересмотрите пришедшие вам во сне странные идеи. Для меня лично это бесценный метод использования творческого начала из моих снов.

Читатель: Отлично, такие трудоголики, как мы, теперь могут работать и во сне. Однако я не уверен, что моей жене это понравится.

Рэй: А вы можете считать, что теперь ваши сны делают за вас вашу работу.

· #41

J. G. Taylor, B. Horwitz, K. J. Friston, Neural modeling and functional brain imaging: an overview, Neural Networks, Volume 13, Nov. 2000, 829–846.

· #42

Уильям Джемс (или Джеймс; 1842–1910) — американский философ и психолог, один из основателей прагматизма.

· #43

Стивен Пинкер — канадско-американский ученый, психолог, популяризатор науки.

· #44

Steven Pinker, How the Mind Works, Norton Press, 1997, 152–153.

· #45

D. O. Hebb, (1949). The organization of behavior. New York: Wiley & Sons.

· #46

Henry Markram and Rodrigo Perrin, Innate Neural Assemblies for Lego Memory, Frontiers in Neural Circuits, 2011: 5:6.

· #47

Электронное сообщение от Генри Маркрама, 19 февраля 2012 г.

· #48

Van J. Wedeen, Douglas L. Rosene, Ruopeng Wang, Guangping Dai, Farzad Mortazavi, Patric Hagmann, Jon H. Kaas, Wen-Yih I. Tseng, The Geometric Structure of the Brain Fiber Pathways. Science, March 30, 2012. Volume 335.

· #49

Tai Sing Lee, Computations in the early visual cortex, Journal of Physiology — Paris 97 (2003) 121–139.

· #50

Список статей можно найти здесь: http://cbcl.mit.edu/people/poggio/tpcv_short_pubs.pdf.

· #51

Daniel J. Felleman and David C. Van Essen, Distributed Hierarchical Processing in the Primate Cerebral Cortex, Cerebral Cortex, January/February 1991, 1: 1–47.

Подробный анализ байесовской математики восходящих и нисходящих контактов в новой коре представлен в статье Tai Sing Lee, Hierarchical Bayesian inference in the visual cortex, Journal of the Optical Society of America, 2003.

· #52

Uri Hasson, Eunice Yang, Ignacio Vallines, David J. Heeger, and Nava Rubin, A Hierarchy of Temporal Receptive Windows in Human Cortex, The Journal of Neuroscience, March 5, 2008.

· #53

Marina Bedny, Alvaro Pascual-Leone, David Dodell-Feder, Evelina Fedorenko, and Rebecca Saxe, Language Processing in the occipital cortex of congenitally blind adults, Proceedings of the National Academy of Sciences, 2011, Volume 108, no. 11, 4429–4434.

· #54

Daniel E. Feldman, Synaptic Mechanisms for Plasticity in Neocortex, Annual Review of Neuroscience 2009,32: 33–55.

· #55

Aaron C. Koralek, Xin Jin, John D. Long II, Rui M. Costa, and Jose M. Carmena, Corticostriatal plasticity is necessary for learning intentional neuroprosthetic skills, Nature, 2012, 483, 331–335.

· #56

Электронное сообщение, январь 2012 г.

· #57

Min Fu, Xinzhu Yu, Ju Lu, Yi Zuo. Repetitive motor learning induces coordinated formation of clustered dendritic spines in vivo. Nature, 2012; Nature 483, 92–95.

· #58

Dario Bonanomi et al., Ret Is a Multifunctional Coreceptor that Integrates Diffusible- and Contact-Axon Guidance Signals, Cell, 2012,148(3): 568–582.

· #59

Альберт Сент-Дьёрди (1893–1986) — американский биохимик венгерского происхождения, лауреат Нобелевской премии «За исследования биологического окисления».

· #60

Ньютон И. Оптика, или Трактат об отражениях, преломлениях, изгибаниях и цветах света. М.: Техтеоргиз, 1954.

· #61

Vernon B. Mountcastle, Johns Hopkins Medical Journal, 1975, 136:131.

· #62

B. Roska and F. Werblin, Vertical Interactions Across Ten Parallel, Stacked Representations in the Mammalian Retina, Nature 2001, 410: 583–87; Журнал Университета Калифорнии, Беркли, Eye Strips Images of All But Bare Essentials Before Sending Visual Information to Brain, UC Berkeley Research Shows, March 28,2001, www.berkeley. edu/news/media/releases/2001/03/28_wers1.html.

· #63

Lloyd Watts, Reverse-Engineering the Human Auditory Pathway. J. Liu et. Al. (eds.), 47–59, 2012, Springer-Verlag, Berlin.

Lloyd Watts, Real-Time, High-Resolution Simulation of the Auditory Pathway, with Application to Cell-Phone Noise Reduction. 2010, IEEE, 3821–3824.

Другие статьи можно найти на сайте http://www.lloydwatts.com/publications.html.

· #64

Sandra Blakeslee, Humanity? Maybe It's All in the Wiring, The New York Times, December 11,2003, http://www.nytimes.com/2003/12/09/science/09BRAI.html.

· #65

T. E. J. Behrens, H. Johnsen-Berg, M. W. Woolrich, S. M. Smith, C. A. M. Wheeler-Kingshott, P. A. Boulby, G. J. Barker, E. L. Sillery, K. Sheehan, O. Ciccarelli, A. J. Thompson, J. M. Brady and P. M. Matthews, Non-invasive mapping of connections between human thalamus and cortex using diffusion imaging. Nature Neuroscience, vol. 6 (7), 2003.

· #66

Timothy J. Buschman, Markus Siegel, Jefferson E. Roy, Earl K. Miller. Neural substrates of cognitive capacity limitations. Proceedings of the National Academy of Sciences, 2011, vol. 108 (27): 11 252-11255.

· #67

Theodore W. Berger, Robert E. Hampson, Don Song, Anushka Goonawardena, Vasilis Z. Marmarelis and Sam A. Deadwyler, A cortical neural prosthesis for restoring and enhancing memory, Journal of Neural Engineering, 2011, vol. 8 (4).

· #68

Базисные функции — это нелинейные функции, которые можно комбинировать линейным способом (путем суммирования нескольких функций) для аппроксимации любой нелинейной функции. Pouget and Snyder, Computational approaches to sensorimotor transformations, Nature Neuroscience 2000, 3 (11): 1192–1198.

· #69

Bloedel, J. R. Functional heterogeneity with structural homogeneity: How does the cerebellum operate? Behav. Brain Sci. 1992, vol. 15,666–678.

· #70

S. Grossberg and R. W. Paine, A Neural Model of Cortico-Cerebellar Interactions During Attentive Imitation and Predictive Learning of Sequential Handwriting Movements, Neural Networks, 2000, 13(8–9): 999–1046.

· #71

Javier F. Medina and Michael D. Mauk, Computer simulation of cerebellar information processing. Nature Neuroscience Supplement. Volume 3, November 2000.

· #72

Сьюзен Джефферс — современный американский психолог, автор нескольких бестселлеров; ее книга «Бойся… но действуй!» на русском языке вышла в издательстве «София» в 2008 г.

· #73

Olds, James, Pleasure centers in the brain. Scientific American. 1956, 105–116.

Routtenberg, Aryeh, The reward system of the brain. Scientific American. 1978, 154–164.

Berridge, K. C., Kringelbach, M. L. Affective neuroscience of pleasure: Reward in humans and other animals. Psychopharmacology 2008,199, 457–480.

Kringelbach, M. L. The pleasure center: Trust Your Animal Instincts. Oxford University Press, 2009.

· #74

Liebowitz, Michael, R. The Chemistry of Love. Boston: Little, Brown, & Co. 1983.

Whitters, W. L. & Jones-Whitter, P. Human Sexuality — A Biological Perspective. New York: Van Nostrand. 1980.

· #75

Кэрролл Л. Сильвия и Бруно / Пер. А. Голова. М.: Альфа-книга, 2010.

· #76

Сесил Блаунт Демилль (1881–1959) — американский режиссер и продюсер.

· #77

Ди Хок (род. в 1929) — основатель и бывший глава компании Visa Inc.

· #78

Эрик Бернс — современный американский писатель, драматург и журналист.

· #79

Джордж Лоис (род. в 1931) — американский фотограф, дизайнер и писатель.

· #80

Перевод С. Маршака.

· #81

Винер Н. Кибернетика, или Управление и связь в животном и машине / Пер. с англ. И. В. Соловьева и Г. Н. Поварова. М.: Наука, 1983.

· #82

Nielsen, Michael. Reinventing discovery: the new era of networked science. Princeton, N. J.: Princeton University Press. 2012, pp. 1–3. Gowers, T. Nielsen, M. Massively collaborative mathematics. Nature 2009,461:879–881. http://gowers.wordpress.com/2009/02/01/a-combinatorial-approach-to-density-hales-jewett/.

Nielsen, Michael. The Polymath project: scope of participation (200 903-20) http://michaelnielsen.org/blog/?p=584.

Rehmeyer, Julie SIAM: Massively Collaborative Mathematics, siam.org. 1 April 2010. http://www.siam.org/news/news.php?id=1731.

· #83

Майкл Патрик Кинг (род. в 1954) — американский сценарист, режиссер и продюсер.

· #84

Dayan P., Huys Q. J. M. Serotonin, inhibition, and negative mood. PLoS Comput Biol 2008, 4(2).

· #85

Алан Мэтисон Тьюринг (1912–1954) — английский математик и логик, один из основоположников современной информатики; предложенная им абстрактная вычислительная «машина Тьюринга» считается прототипом современного компьютера.

· #86

Gary Cziko, Without Miracles: Universal Selection Theory and the Second Darwinian Revolution, The MIT Press, 1955.

· #87

Дэвид Делримпл, которому сейчас уже больше 20 лет, был моим воспитанником с 1999 г., когда ему было восемь лет. Подробнее о его проекте можно узнать здесь: http://esp.mit.edu/learn/teachers/davidad/bio.html и http://www.brainsciences.org/Research-Team/mr-david-dalrymple.html.

· #88

Jonathan Fildes (22 July 2009). Artificial brain «10 years away», BBC News. http://news.bbc.co.uk/2/hi/8164060.stm.

См. также передачу про Генри Маркрама: http://www.kurzweilai.net/henry-markram-simulating-the-brain-next-decisive-years и http://www.youtube.com/watch?feature=player_embedded&v=cn_gEoQ8nQI#!.

· #89

M. Mitchell Waldrop, Computer modelling: Brain in a box, Nature News, 22 February 2012, http://www.nature.com/news/computer-modelling-brain-in-a-box-1.10066

· #90

Метод пэтч-кламп (от англ. patch — фрагмент, clamp — фиксация) — электро-физиологический метод изучения свойств ионных каналов.

· #91

Флопс (от англ. floating-point operations per second) — внесистемная единица измерения производительности компьютеров, показывающая, сколько операций в секунду выполняет вычислительная система.

· #92

Jonah Lehrer, Can a Thinking, Remembering, Decision-Making Biologically Accurate Brain Be Built From a Supercomputer? Seed Magazine, 2012.

· #93

Jonathan Fildes (22 July 2009). Artificial brain «10 years away». BBC News. http://news.bbc.co.uk/2/hi/8164060.stm.

· #94

См. сайт http://www.humanconnectomeproject.org/.

· #95

Anders Sandberg and Nick Bostrom (2008): Whole Brain Emulation: A Roadmap. Technical Report 2008 (3), Future of Humanity Institute, Oxford University. URL: www.fhi.ox.ac.uk/reports/2008–3.pdf.

· #96

Эутелия — постоянство клеточного состава организма; такие организмы обладают определенным числом клеток, характерным для данного вида.

· #97

Ниже представлена базовая схема алгоритма функционирования сети нейронов. Возможно множество вариаций алгоритма, и создателю программы необходимо знать некоторые важнейшие параметры и методы, которые перечислены ниже. Создание сети нейронов для решения проблемы происходит в несколько этапов.

Определить входные данные.

Определить топологию сети (например, слои нейронов и связи между нейронами).

Отработать систему на нескольких примерах. Опубликовать/запатентовать систему.

Эти этапы (кроме последнего) подробнее описаны ниже.

Входные данные.

Входные данные на сеть нейронов представляют собой несколько наборов чисел. Вот некоторые примеры:

— для системы распознавания визуальных образов — это двумерный ряд чисел, соответствующих пикселям изображения;

— для системы распознавания звуковой информации (например, речи) — это двумерный набор чисел, соответствующих звуку: первое измерение — параметры звука (например, частота), а второе измерение — различные моменты времени;

— в системе распознавания произвольных образов — это n-мерный набор чисел, соответствующих входному сигналу.

Определение топологии сети.

Архитектура каждого нейрона определяется следующими параметрами.

Множество входных сигналов, каждый из которых «соединен» либо с выходным сигналом другого нейрона, либо с одним из чисел, определяющих входной сигнал.

Обычно один выходной сигнал, связанный либо с входным сигналом другого нейрона (обычно более высокого уровня), либо с результирующим сигналом.

Установка нейронов первого уровня.

Создать N₀ нейронов первого уровня. Для каждого из них осуществить «связь» каждого из многочисленных входных сигналов с «точками» (например, численными значениями) на входе в систему. Эти связи могут быть установлены случайным образом или с помощью эволюционного алгоритма (см. ниже).

Присвоить начальное значение «синаптического потенциала» каждой созданной связи. Эти параметры сначала могут быть одинаковыми, могут быть выбраны случайным образом или определены каким-то другим путем (см. ниже).

Создать следующие уровни нейронов.

Создать все M уровней нейронов. На каждом уровне определить все нейроны.

Для уровня i.

Создать N. нейронов уровня i. Для каждого нейрона осуществить «связь» каждого из множества входных сигналов с выходными сигналами нейронов уровня i-1 (ниже см. возможные варианты).

Присвоить начальное значение «синаптического потенциала» каждой созданной связи.

Эти параметры сначала могут быть одинаковыми, могут быть выбраны случайным образом или определены каким-то другим путем (см. ниже).

Выходные сигналы нейронов уровня M представляют собой результирующие сигналы на выходе из сети нейронов (ниже см. возможные варианты).

Тест.

Как работает каждый нейрон.

Когда нейрон определен, в каждом тесте он выполняет следующую функцию.

Каждый поступающий на нейрон взвешенный сигнал обсчитывается путем умножения выходного сигнала от другого нейрона (или исходного входного сигнала), с которым соединен данный нейрон, на величину синаптического потенциала данной связи.

Все взвешенные сигналы, поступающие на данный нейрон, суммируются.

Если эта сумма выше порогового значения возбуждения нейрона, данный нейрон считается возбужденным, и его выходному сигналу присваивается значение 1. В противном случае выходной сигнал получает значение 0 (см. варианты ниже).

В каждом тесте проводится следующая процедура.

Для каждого уровня — от 0 до M:

Для каждого нейрона данного уровня:

Суммируются взвешенные входные сигналы (каждый взвешенный входной сигнал = выходной сигнал другого нейрона (или исходный входной сигнал), с которым связан данный нейрон, х синаптический потенциал связи).

Если эта сумма взвешенных сигналов выше порогового значения возбуждения нейрона, данный нейрон считается возбужденным, и его выходному сигналу присваивается значение 1. В противном случае выходной сигнал получает значение 0.

Тестирование сети нейронов.

Проводят серию повторных тестов для простой задачи.

После каждого теста показатели синаптических потенциалов всех связей настраивают таким образом, чтобы улучшить производительность сети нейронов в данной задаче (ниже обсуждается, как это сделать).

Продолжают тестирование до тех пор, пока точность распознавания не перестанет повышаться (то есть выйдет на асимптоту).

Ключевые решения.

В рамках описанной выше простой схемы создатель алгоритма должен прежде всего определить следующие параметры:

— чему соответствуют значения входных параметров;

— количество уровней нейронов;

— количество нейронов на каждом уровне (на разных уровнях не обязательно должно содержаться одинаковое количество нейронов);

— количество входных сигналов, приходящих на каждый нейрон каждого уровня. Количество входных сигналов (то есть связей между нейронами) может быть различным для разных нейронов и разных уровней;

— список «возбужденных» связей. Для каждого нейрона каждого уровня создается список других нейронов, выходные сигналы которых являются входными сигналами на данный нейрон. Это ключевой момент в создании программы. Сделать это можно несколькими способами:

1) возбужденные связи выбираются случайным образом; или

2) для оптимального возбуждения применяется эволюционный алгоритм (см. ниже); или

3) для определения возбужденных связей используется лучшее конструктивное решение.

Определение исходного синаптического потенциала (то есть веса) каждой связи. Сделать это можно несколькими способами:

1) всем синаптическим потенциалам присваивается одинаковое значение; или

2) синаптическим потенциалам присваиваются разные случайные значения; или

3) для определения оптимального набора синаптических потенциалов применяется эволюционный алгоритм; или

4) для определения исходных значений синаптических потенциалов используется лучшее конструктивное решение.

Порог возбуждения каждого нейрона.

Определение выходного сигнала. Выходной сигнал может быть:

1) выходными сигналами после уровня M; или

2) выходным сигналом единственного нейрона, входным сигналом на который являются выходные сигналы после уровня M; или

3) функцией (например, суммой) выходных сигналов после уровня M; или

4) другой функцией выходных сигналов нейронов разных уровней.

Определение степени подгонки синаптических потенциалов всех связей в процессе тестирования сети нейронов. Это очень важный элемент подготовки программы, который активно исследуется и широко обсуждается. Для осуществления этой процедуры существует несколько возможностей:

1) в каждом тесте повышают или понижают величину синаптического потенциала на небольшую фиксированную величину, чтобы выходной сигнал нервной сети как можно ближе подходил к правильному результату. Один из способов — пытаться и увеличивать, и уменьшать значение, чтобы выяснить, какое действие приближает систему к желаемому результату. Однако для этого может потребоваться много времени, так что существуют другие методы, позволяющие определить, в каком направлении (уменьшения или увеличения потенциала) следует двигаться;

2) существуют другие статистические методы изменения синаптического потенциала после каждого теста, чтобы добиться лучшего совпадения получаемых результатов с истинным значением.

Заметим, что тренировка системы будет происходить даже в тех случаях, когда не все результаты испытаний близки к истинным значениям. Это позволяет использовать результаты тестов, даже содержащих ошибку. Ключ к успеху при создании системы распознавания на основе сетей нейронов заключается в использовании большого количества тренировочных данных. Обычно для получения удовлетворительных результатов требуется весьма большой объем данных. Для системы на основе сетей нейронов, как и для студентов, процесс обучения — важнейший фактор в достижении высокой эффективности.

Вариации алгоритма.

Возможно множество вариаций.

Существуют разные способы определения топологии. В частности, возбуждение связей между нейронами можно задавать случайным образом, а можно с помощью эволюционного алгоритма.

Существуют разные способы определения исходных значений синаптического потенциала.

Входные сигналы на нейроны уровня i не обязательно являются выходными сигналами от нейронов уровня i-1. Входные сигналы на нейроны любого уровня могут приходить от нейронов любого уровня.

Существуют разные пути определения конечного выходного сигнала.

Описанный выше метод приводит к возбуждению по принципу «все или ничего» (1 или 0) — это так называемая нелинейная функция. Но могут использоваться и другие нелинейные функции. Обычно применяют функцию, изменяющуюся в пределах от 0 до 1 достаточно быстро, но все же ступенчато. Кроме того, выходным сигналам могут присваиваться другие значения, отличные от 0 и 1.

Выбор метода подгонки величины синаптического потенциала в процессе наладки программы — очень важный момент. Описанная выше схема относится к «синхронным» сетям нейронов, в которых каждое испытание происходит путем вычислений выходов на каждом уровне нейронов, начиная от уровня 0 и заканчивая уровнем M. В истинно параллельных системах, где каждый нейрон действует независимо от остальных, нейроны могут функционировать «асинхронно». При асинхронном подходе каждый нейрон постоянно сканирует свои входные сигналы и возбуждается в том случае, если сумма взвешенных входных сигналов превышает определенное пороговое значение (или при определенной специфике его выходного сигнала).

· #98

В русском переводе: Минский М., Пейперт С. Персептроны. М.: Мир, 1971.

· #99

Ниже представлена схема генетического (эволюционного) алгоритма. Существует множество вариаций этого алгоритма, и создателям системы необходимо подобрать некоторые критические параметры и методы (см. ниже).

Генетический алгоритм.

Создать N «существ» (решений). Каждое из них характеризуется генетическим кодом — последовательностью чисел, характеризующих возможное решение проблемы. Эти числа могут описывать критические параметры, стадии решения, правила и др.

Процедуру осуществляют для каждого поколения в ходе эволюции.

Процедуру осуществляют для каждого из N существ (решений).

Используют данное решение (представленное генетическим кодом существа) для решения проблемы или симуляции. Оценивают решение.

Выбирают L существ с максимальным рейтингом выживания в будущем поколении.

Отбрасывают (N-L) оставшихся не способных выжить существ.

Создают (N-L) новых существ из L выживших существ следующим образом:

1) делают копии L выживших существ. В каждую копию вводят небольшие случайные вариации; или

2) создают дополнительных существ путем комбинаций генетического кода («половое» воспроизведение или комбинация отдельных частей хромосом) L выживших существ; или

3) выполняют комбинацию методов 1 и 2.

Принимают решение о необходимости дальнейшей эволюции.

Улучшение = (высший рейтинг в данном поколении) — (высший рейтинг в предыдущем поколении).

Если Улучшение < Предел улучшения, значит, процедура закончена.

Существо с наивысшим рейтингом из последнего поколения является наилучшим решением.

Используют это решение, определяемое его генетическим кодом, для решения проблемы.

Ключевые решения.

При реализации приведенной выше простой схемы создатель программы должен сначала установить следующие показатели.

Ключевые параметры:

L

Предел улучшения.

Чему соответствуют числа генетического кода, и как на основе генетического кода рассчитывается решение.

Метод выбора N существ в первом поколении. Обычно это лишь некая «разумная» попытка найти решение. Если разброс решений первого поколения слишком велик, эволюционный алгоритм может не найти хорошего решения. Часто имеет смысл выбрать исходные существа таким образом, чтобы они отличались разумным разнообразием. Это позволит избежать обнаружения оптимального решения «локального» значения.

Способ оценки решений.

Способ воспроизводства выживших существ.

Вариации.

Возможно множество вариаций предыдущего сценария. Например…

В каждом поколении не обязательно должно оставаться фиксированное количество выживших существ (L). Правила выживания могут позволять выживать разному количеству существ.

В каждом поколении не обязательно должно появляться фиксированное количество новых существ (N-L). Правила воспроизводства могут быть независимыми от размера популяции. Воспроизводство может коррелировать с выживанием, в результате чего наиболее успешные существа лучше воспроизводятся.

Решение о продолжении эволюции может приниматься по-разному. Оно может учитывать не только лучших существ из последних поколений, но и другую информацию. Решение также может учитывать тенденцию, простирающуюся за пределы двух последних поколений.

· #100

Книга вышла в русском переводе: Хокинс Д., Блейксли С. Об интеллекте: М.: Вильямс, 2007.

· #101

Диссертационная работа Дайлипа Джорджа: Dileep George, How the brain might work: a hierarchical and temporal model for learning and recognition, 2008.

· #102

Игра слов: слово harangue («разглагольствование») созвучно слову meringue («безе») (англ.).

· #103

Сюжет англосаксонской эпической поэмы VII века о тролле-людоеде Гренделе и герое Беовульфе.

· #104

В английском языке «гестация» — не только беременность, но и созревание в более общем смысле слова, например созревание идеи.

· #105

Уильям Вордсворт (1770–1850), стихотворение «Жаворонку»: Так и мудрец парит, вдаль не стремясь / И в небе с домом сохраняя связь! (перевод М. Зенкевича).

· #106

Turing, A. M. Computing Machinery and intelligence. Mind. 1950, vol. 59(236): 433–460.

· #107

Хью Лебнер учредил ежегодно вручаемую «Премию Лебнера». По замыслу Лебнера, серебряную медаль получает создатель компьютера, способного пройти стандартный (текстовый) тест Тьюринга. Золотой медалью награждают создателей машины, способной пройти вариант теста, подразумевающий аудио- и видеоварианты вопросов и ответов. На мой взгляд, пройти аудио- и видеоверсию теста не сложнее, чем стандартную версию.

· #108

Умный помощник, который обучается и организует, SRI International, http://www.ai.sri.com/project/CALО.

· #109

DARPA (Defense Advanced Research Projects Agency) — агентство Министерства обороны США, отвечающее за разработку новых технологий для использования в вооруженных силах.

· #110

Dragon Go! Nuance Communications, Inc., http://www.nuance.com/products/dragon-go-in-action/index.htm.

· #111

Компьютерная программа обучения языкам; название происходит от Розеттского камня с выбитыми на трех языках текстами; сопоставление текстов положило начало расшифровке древнеегипетских иероглифов.

· #112

Шесть официальных языков ООН: английский, арабский, испанский, китайский, русский и французский.

· #113

«Повесть о двух городах» (A Tale of Two Cities) — исторический роман Ч. Диккенса о временах Французской революции.

· #114

Блог Стивена Вольфрама, 17 апреля 2012. «Overcoming Artificial Stupidity»: http://blog.wolframalpha.com/author/stephenwolfram/.

· #115

Сэр Тимоти Джон Бернерс-Ли (род. в 1955) — английский ученый, один из изобретателей Всемирной паутины и действующий глава Консорциума Всемирной паутины; автор множества других разработок в области информационных технологий.

· #116

Диана Аккерман (род. в 1948) — американский поэт, писатель и натуралист.

· #117

Джон Морган Оллмен — американский нейрофизиолог, специалист в области эволюционной нейробиологии.

· #118

Дэвид Бейнбридж (род. в 1968) — английский писатель-публицист, специалист в области репродуктивной биологии и анатомии животных.

· #119

ENIAC (Electronic Numerical Integrator and Computer; электронный числовой интегратор и вычислитель) — первый электронный цифровой компьютер общего назначения, созданный в США в годы Второй мировой войны.

· #120

«Принципы математики» (или «Начала математики») — трехтомный труд по логике и философии математики, выпущенный Расселом и Уайтхедом в 1910, 1912 и 1913 гг.

· #121

Эйнштейн говорил: «Научная теория должна быть максимально простой, но не проще того».

· #122

S. Bochner. A Biographical Memoire of John von Neumann. National Academy of Sciences. Washington, D.C. 1958.

· #123

Turing, A. M. On Computable Numbers, with an Application to the Entscheidungsproblem. Proceedings of the London Mathematical Society, 1930, 2 (42): 230–65. http://www.comlab.ox.ac.uk/activities/ieg/e-library/sources/tp2ie.pdf.

Turing, A. M. On Computable Numbers, with an Application to the Entscheidungsproblem: A correction. Proceedings of the London Mathematical Society, 1938, 43: 544–546.

· #124

Von Neumann, John. First Draft of a Report on the EDVAC. Moore School of Electrical Engineering, University of Pennsylvania, 1945. Von Neumann, John. A Mathematical Theory of Communication by John Von Neumann in the Bell System Technical Journal, 1948.

· #125

Jeremy Bernstein, The Analytical Engine: Computers — Past, Present, and Future, William Morrow & Co; Revised edition, 1981.

· #126

Судя по всему, идеи Бэббиджа легли в основу созданного Эйкеном компьютера Mark I.

· #127

Japan's K Computer Tops 10 Petaflop/s to Stay Atop TOP500 List, Top 500, Nov. 11, 2011, http://top500.org/lists/2011/11/press-release.

· #128

Carver Mead, Analog VLSI and Neural Systems, Reading, Mass.: Addison-Wesley, 1986.

· #129

IBM Unveils Cognitive Computing Chips, IBM, Aug 18, 2011, http://www-03.ibm.com/press/us/en/pressrelease/35251.wss

· #130

John R. Searle, I Married a Computer, in Richards et al., Are We Spiritual Machines?

· #131

Книга Ханны Арендт (1906–1975) о Холокосте вышла в 1963 г.; в русском переводе: «Банальность зла: Эйхман в Иерусалиме» (М.: Европа, 2008).

· #132

В математической терминологии фальсифицируемость (принципиальная возможность опровержения) является критерием научности теории; то есть теория является научной, если существует методологическая возможность ее экспериментального опровержения.

· #133

Stuart Hameroff, Ultimate Computing, Biomolecular Consciousness and NanoTechnology. Elsevier Science Publishers B.V., 1987.

· #134

Sebel P. S. et al. The incidence of awareness during anesthesia: A multicenter United States study, Anesth Analg 2004; 99: 833–839.

· #135

Строчка из песни группы Europe.

· #136

Шершень в русской телевизионной версии.

· #137

Stuart Sutherland, in The International Dictionary of Psychology, Macmillan, 1990.

· #138

David Cockburn. JSTOR Philosophy. 1994, Vol. 69 (268): 135–150.

· #139

Из лекции Ивана Петровича Павлова (1913), Lectures on conditioned reflexes. Twenty-five year of objective study of the higher nervous activity [behavior] of animals, London: Martin Lawrence, 1928, p. 222.

· #140

Роджер Уолкотт Сперри (1913–1994) — американский нейропсихолог, лауреат Нобелевской премии по физиологии и медицине «за открытия, касающиеся функциональной специализации полушарий головного мозга».

· #141

Roger W. Sperry, from James Arthur Lecture on the Evolution of the Human Brain, 1964, p. 2.

· #142

Витгенштейн П. Логико-философский трактат / Пер. с нем. М.: Наука, 1958 (2009).

· #143

Ричард Александер (род. в 1929) — американский эколог и эволюционист, почетный профессор Зоологического музея Университета Мичигана.

· #144

Генри Модсли (1835–1918) — английский психиатр и философ-позитивист, один из основоположников детской психиатрии и эволюционного направления в психиатрии.

· #145

H. Maudsley, The Double Brain, Mind, 1889, XIV (54): 161–187.

· #146

Susan Curtiss, Stella de Bode, Language after hemispherectomy, Brain Cogn., 2000, 43(1–3): 135–138.

· #147

Vining E. P., Freeman J. M., Pillas D. J., Uematsu S., Carson B. S., Brandt J., Boatman D., Pulsifer M. B., Zuckerberg A. Why would you remove half a brain? The outcome of 58 children after hemispherectomy — the Johns Hopkins experience: 1968 to 1996. Pediatrics. 1997,100(2 Pt 1): 163–171. Pulsifer M. B., Brandt J., Salorio C. F., Vining E. P., Carson B. S., Freeman J. M. The cognitive outcome of hemispherectomy in 71 children. Epilepsia. 2004, 45(3): 243–254.

· #148

McClelland S. 3rd, Maxwell R. E. Hemispherectomy for intractable epilepsy in adults: the first reported series. Ann Neurol. 2007, 61(4): 372–376.

· #149

Lars Muckli, Marcus J. Naumerd and Wolf Singer, Bilateral visual field maps in a patient with only one hemisphere PNAS, 2009 vol. 106 (31): 13 034-13039.

· #150

Marvin Minsky, The Society of Mind, Simon and Schuster, 1988.

· #151

F. Fay Evans-Martin, The Nervous System, Chelsea House Publications, 2005. http://www.scribd.com/doc/5012597/The-Nervous-System.

· #152

Benjamin Libet, Mind time: The temporal factor in consciousness, Perspectives in Cognitive Neuroscience-, http://www.amazon.com/Mind-Time-Consciousness-Perspectives-Neuroscience/dp/067401846X.

· #153

Daniel C. Dennett, Freedom Evolves, New York: Viking, 2003.

· #154

В «Википедии» на русском языке дается следующее определение: «Возможность человека делать выбор вне зависимости от определенных обстоятельств… Существуют две противоположные позиции: метафизический либертарианизм — утверждение, что детерминизм неверен и, таким образом, свобода воли существует или по меньшей мере возможна, и жесткий детерминизм — утверждение о том, что детерминизм верен и свободы воли не существует».

· #155

Michael S. Gazzaniga, Who’s in Charge? Free Will and the Science of the Brain Ecco/HarperCollins, 2011.

· #156

Hume, D. An Enquiry Concerning Human Understanding (1765) Indianapolis: Hacket Publishing Co. Second edition, 1993.

· #157

Шопенгауэр А. Мир как воля и представление / Пер. Ю. И. Айхенвальда. Собр. соч. в пяти томах. Т. 1. М.: Московский Клуб, 1992.

· #158

Schopenhauer, Arthur, The Wisdom of Life, p. 147.

· #159

Шопенгауэр А. Две основные проблемы этики / Пер. Ю. И. Айхенвальда. Собр. соч. в шести томах. М.: ТЕРРА — Книжный клуб; 1999–2001.

· #160

Schopenhauer, Arthur, On the Freedom of the Will, Oxford: Basil Blackwell.

· #161

Рэймонд Меррилл Смаллиан (род. в 1919) — американский математик, логик, философ, пианист и фокусник.

· #162

На настоящий момент эти суперкомпьютеры уже существуют.

· #163

Raymond Smullyan, 5000 B.C. and Other Philosophical Fantasies. St. Martin's Press, 1983.

· #164

How Do You Persist When Your Molecules Don’t? Science and Consciousness Review, 1.1 (2004); http://www.sci-con.org/articles/20040601.html.

· #165

Секвенирование ДНК: http://www.dnasequencing.org/history-of-dna.

· #166

Закон Купера: Arraycomm, http://www.arraycomm.com/technology/coopers-law.

· #167

Without driver or map, vans go from Italy to China, The Sydney Morning Herald, October 29, 2010; http://www.smh.com.au/technology/technology-news/without-driver-or-map-vans-go-from-italy-to-china-20101029–176ja.html.

· #168

Стивен Харнад (род. в 1945) — американский психолог-когнитивист, основатель кембриджского журнала «Наука о поведении и мозге».

· #169

Paul G. Allen and Mark Graves, Paul Allen: The Singularity Isn’t Near, Technology Review Magazine, October 12, 2011; http://www.technologyreview.com/blog/guest/27206/.

· #170

Версия плана ITRS 2009 г.: ITRS 2011 Edition; http://www.itrs.net/Links/2011ITRS/Home2011.htm.

· #171

Ray Kurzweil, The Singularity Is Near, Viking, 2005 (глава 2).

· #172

Комментарий 2 в статье «Сингулярность еще не близка» Пола Аллена и Марка Гривса звучит следующим образом: «Мы уже начинаем создавать компьютеры, которые необходимы нам для подобных симуляций функции мозга. Петафлопсные компьютеры (такие как BlueGene/P компании IBM, который был использован для создания Ватсона) теперь уже есть в продаже. Уже проектируются экзафлопсные суперкомпьютеры. Эти системы, возможно, будут достаточно мощными, чтобы симулировать возбуждение всех нейронов мозга, хотя пока это происходит во много раз медленнее, чем в настоящем мозге».

· #173

Ray Kurzweil, The Singularity Is Near, глава 9, с. 435–442.

· #174

Ray Kurzweil, The Singularity Is Near, глава 9.

· #175

Хотя из-за повторов пар оснований нельзя точно оценить информационное содержимое генома, оно очевидно намного меньше всего объема данных до компрессии. Ниже представлены два способа оценки информационного содержания генома после компрессии. В обоих случаях верхним пределом является значение от 30 до 100 млн байт.

1. Без сжатия генетический код человека содержит 3 млрд оснований ДНК, каждое кодируется двумя битами информации (поскольку в каждой позиции может находиться один из четырех нуклеотидов). Таким образом, до компрессии в геноме человека содержится около 800 млн байт информации. Некодирующую ДНК иногда называют «мусорной» ДНК, однако сейчас уже ясно, что она играет важную роль в экспрессии генов. Но закодирована она очень неэффективно. В частности, имеет место чрезвычайная избыточность информации (например, последовательность «ALU» повторяется сотни тысяч раз), что можно использовать при компрессии.

Ввиду активного расширения объема информации в генетических базах данных существует повышенный интерес к разработке способов сжатия генетических данных. С помощью стандартных алгоритмов компрессии генетические данные удается сжать примерно на 90 % по объему: Hisahiko Sato et al., DNA Data Compression in the Post Genome Era, Genome Informaties 12 (2001): 512–514.

Таким образом, удается сжать геном до объема около 80 млн байт без потери информации (это означает, что на основании этих данных мы прекрасно можем воссоздать исходные 800 млн байт генетической информации).

Теперь учтем, что свыше 98 % генома не кодирует белки. Даже после применения стандартного алгоритма компрессии (в результате чего устраняется избыточность и используется стандартный поиск известных последовательностей) алгоритмическое содержание некодирующих областей оказывается достаточно низким, что означает, что мы можем дополнительно сократить объем текста без потери информации. Однако, поскольку мы все еще находимся в начале пути обратного проектирования генома, мы не можем достаточно надежно оценить последствия дальнейшего сокращения объема на основе функционально эквивалентного алгоритма. Таким образом, мне кажется разумным остановиться на компрессии до 30–100 млн байт. Верхний предел этого диапазона соответствует только компрессии данных, без алгоритмического упрощения.

Только часть (хотя и значительная) этой информации относится к строению головного мозга.

2. Второй способ рассуждений следующий. Поскольку в геноме человека содержится около 3 млрд оснований, лишь небольшая часть отвечает за кодирование белков. По современным оценкам, в геноме человека существует около 26 тыс. генов белков. Если принять, что эти гены в среднем содержат около 3000 оснований полезной информации, получим около 78 млн оснований. Информационное содержание одного основания ДНК составляет только два бита, так что в сумме все эти основания составляют около 20 млн байт информации (78 млн оснований поделить на четыре). В кодирующей белок последовательности гена каждое слово (кодон), состоящее из трех оснований ДНК, транслируется в одну аминокислоту. Таким образом, существует 43 = 64 кодона, состоящих из трех оснований ДНК. Однако в белках присутствует лишь 20 аминокислот плюс стоп-кодон (не кодирующий никакой аминокислоты). Оставшиеся 43 кодона — это синонимы первых 21. Для кодирования 64 возможных комбинаций нуклеотидов нужно 6 бит, а для кодирования 21 комбинации — только 4,4 бита (log₂21), что позволяет сохранить 1,6 бит из 6 (около 27 %) и приводит нас к общему значению 15 млн байт. Кроме того, возможно произвести стандартную компрессию повторяющихся последовательностей, хотя в кодирующих последовательностях возможностей для сжатия значительно меньше, чем в участках «мусорной» ДНК, отличающейся высокой степенью избыточности. Так мы можем спуститься до значения около 12 млн байт. Однако теперь мы должны добавить информацию относительно некодирующих участков ДНК, которые контролируют экспрессию генов. Хотя эти последовательности ДНК составляют преобладающую часть генома, их информационное содержание достаточно низкое, а уровень избыточности высокий. Учитывая наличие примерно 12 млн байт информации в кодирующих областях ДНК, вновь возвращаемся к значению около 24 млн байт. Это значительно ниже, чем полученная выше оценка от 30 до 100 млн байт.

· #176

S. Modha, et al., Communications of the ACM, 2011, Vol. 54 (8): 62–71; http://cacm.acm.org/magazines/2011/8/114944-cognitive-computing/fulltext.

· #177

Ray Kurzweil, The Singularity Is Near, глава 9, с. 458–469.

· #178

Micheal Denton, Organism and Machine: The Flawed Analogy, in Are We Spiritual Machines? Ray Kurzweil vs. the Critics of Strong AI, Discovery Institute, 2002, Discovery Institute, 2001.

· #179

Hans Moravec, Mind Children, Harvard University Press, 1988.

· #180

Гари Ларсон (род. в 1950) — известный американский карикатурист.

· #181

Джойс Кэрол Оутс (род. в 1938) — американская писательница, поэт, прозаик и критик.

· #182

www.gallup.com/poll/147350/optimism-future-youth-reaches-time-low.aspx.

· #183

James C. Riley, Rising Life Expectancy: A Global History, Cambridge University Press, 2001.

· #184

Martine Rothblatt, Transgender to Transhuman, 2011. Автор объясняет, как изменится наше отношение к «трансчеловеку» — например, обладателю небиологического, но убедительно сознательного разума.

· #185

В приведенном ниже абзаце из третьей главы книги «Сингулярность уже близка» (с. 133–135) обсуждаются пределы возможности компьютерных вычислений, основанные на законах физики.

Возможности компьютеров весьма велики. На базе работ профессора Ганса Бремерманна и профессора нанотехнологии Роберта Фрейтаса из Университета Калифорнии в Беркли профессор Сет Ллойд из Массачусетского технологического института в соответствии с известными физическими законами оценил возможности «последнего» компьютера массой один килограмм и объемом один литр (что соответствует размеру и весу современного портативного компьютера):

Seth Lloyd, Ultimate Physical Limits to Computation, Nature 406 (2000): 1047–1054.

Первые оценки возможностей компьютерных вычислений были даны Гансом Бремерманном в 1962 г.:

Hans J. Bremermann, Optimization Through Evolution and Recombination, in M. C. Yovits, C. T. Jacobi, C. D. Goldstein (eds.), Self Organizing Systems, Spartan Books, Washington, 1962, pp. 93–106.

В 1984 г. Роберт Фрейтас младший продолжил исследования Бремерманна:

Robert A. Freitas Jr., Xenopsychology, Analog, 1984, 104: 41–53, http://www.rfreitas.com/Astro/Xenopsychology.htm#SentienceQuotient.

Возможности компьютерных вычислений зависят от доступности энергии. Энергия, заключенная в определенном количестве вещества, связана с атомами и субатомными частицами этого вещества.

Чем больше в веществе атомов, тем больше энергия. Как обсуждалось выше, для вычислений в принципе могут использоваться любые атомы. Поэтому чем больше атомов — тем больше возможности вычислений. Энергия атомов и частиц увеличивается с повышением частоты их движений — чем активнее движение, тем больше энергия. То же соотношение верно и для возможности компьютерных вычислений: чем выше частота движения, тем больше вычислений может совершить каждый элемент системы (например, атом). Именно это правило реализуется в современных микросхемах: чем выше частота чипа, тем больше скорость вычислений.

Таким образом, способность объекта производить вычисления пропорциональна его энергии. В соответствии с уравнением Эйнштейна (E = mc²) потенциальная энергия килограмма вещества чрезвычайна велика. Квадрат скорости света — это очень большая величина, примерно 10¹⁷ м²/с². Вычислительный потенциал вещества также определяется постоянной Планка, которая имеет чрезвычайно малую величину — 6,6 х 10^-34 Дж?с. Теоретический предел способности объекта осуществлять вычисления можно получить путем деления общей энергии объекта (средней энергии каждого атома или частицы этого объекта, умноженной на число таких атомов или частиц) на постоянную Планка.

Ллойд показывает, что потенциальная вычислительная способность килограмма вещества равна энергии, поделенной на постоянную Планка и умноженной на число ?. И поскольку энергия килограмма вещества столь велика, а постоянна Планка столь мала, данное уравнение приводит нас к чрезвычайно большой величине — около 5 х 10⁵⁰ операций в секунду:

(? х 10¹⁷ м²/с²)/(6,6 х 10^-34 Дж?с) ~ 5 х 10⁵⁰ операций/с.

Если мы сравним это значение с самыми консервативными оценками способностей человеческого мозга (10¹⁹ операций/с и около 10¹⁰ жителей планеты), мы придем к выводу, что операционная способность килограмма вещества в пять миллиардов триллионов раз выше соответствующей способности человеческой цивилизации:

5 х 10⁵⁰ операций/с ~ 5 х 10²¹ (пять миллиардов триллионов) х способность человеческой цивилизации (10²⁹ операций/с).

Если, как я считаю, для функциональной симуляции человеческого разума будет достаточно операционной способности 10¹⁶ операций/с, вычислительная способность «последнего» компьютера будет эквивалентна вычислительной способности разума пяти триллионов триллионов человеческих цивилизаций:

10¹⁰ человек х 10¹⁶ операций/с = 10²⁶ — такова вычислительная способность человеческой цивилизации; 5 х 10⁵⁰ операций/с ~ 5 х 10²⁴ (5 триллионов триллионов) х 10²⁶.

Объем вычислений, проделанных таким компьютером за одну тысячную наносекунды, эквивалентен объему вычислений, произведенных всей человеческой цивилизацией за последние 10 тыс. лет. Это оценочное значение основано на допущении, что за последние 10 тыс. лет на Земле жило 10 млрд человек, что, конечно же, неверно. В реальности население Земли очень сильно выросло за последнее время и достигло примерно 6,1 млрд в 2000 г. В году 3 x 10⁷ секунд, а в десяти тысячах лет — 3 х 10¹¹ секунды. Таким образом, используя оценочное значение для вычислительной способности человеческой цивилизации 10²⁶ операций/с, можно сказать, что за 10 тыс. лет суммарный разум всей человеческой цивилизации совершил не более 3 х 10³⁷ вычислений. «Последний» компьютер осуществляет 5 х 10⁵⁰ вычислений в секунду. Поэтому симуляция мыслительной активности 10 млрд человек за 10 тыс. лет займет примерно 10^-13 с, что составляет одну тысячную наносекунды.

Нужно сделать еще несколько замечаний. Если мы превратим в энергию массу всего компьютера, это будет сравнимо с термоядерным взрывом. Конечно же, мы не стремимся к тому, чтобы компьютер взорвался, а хотим, чтобы он сохранял свой объем. Поэтому эта система должна быть определенным образом упакована. Анализируя максимальную энтропию такой системы (степень свободы, определяемую состоянием всех составляющих ее частиц), Ллойд пришел к выводу, что подобный компьютер теоретически может иметь объем памяти около 10³¹ бит. Трудно представить себе технологию, которая сможет достичь такого предела, но можно попытаться к нему приблизиться. Как показывают результаты проекта, выполнявшегося в Университете Оклахомы, мы уже способны сохранять примерно 50 бит информации в расчете на один атом (хотя пока еще для небольшого количества атомов). Таким образом, можно представить себе хранение 10²⁷ бит памяти в 10²⁵ атомах, содержащихся в одном килограмме вещества.

Однако, поскольку для хранения информации используются различные свойства атомов (такие как их точное положение, спиновое число и квантовое состояние всех составляющих атом частиц), возможно, нам удастся превысить этот показатель. Нейробиолог Андерс Сэндберг оценивает потенциальную емкость атома водорода примерно в 4 млн бит информации (Anders Sandberg, The Physics of the Information Processing Superobjects: Daily Life Among the Jupiter Brains, Journal of Evolution & Technology Vol. 5 (1999); http://www.transhumanist.com/volume5/Brains2.pdf). Однако пока такие возможности еще не реализованы, и мы придерживаемся более консервативных оценок.

Как отмечалось выше, скорости 10⁴² операций в секунду можно достичь без значительного разогрева системы. Использование всех возможностей техники обратимых вычислений, систем с низким количеством ошибок и небольшими потерями энергии позволит нам достичь значения в пределах от 10⁴² до 10⁵⁰ операций в секунду.

Я не буду здесь рассматривать технические вопросы, возникающие при попытках повышения производительности систем от 10⁴² до 10⁵⁰ операций в секунду. Скажу только, что вряд ли мы начнем от предельной величины 10⁵⁰ и будем двигаться назад в соответствии с различными практическими соображениями. Скорее всего, технология будет постепенно продвигаться вперед, каждый раз основываясь на самых последних достижениях технологии предыдущего поколения. Так что, когда мы подберемся к значению 10⁴² (на каждый килограмм массы), ученые и инженеры той эпохи используют свой в значительной мере небиологический разум, чтобы продвинуться к значению 10⁴³, потом 10⁴⁴ и т. д. По моему ощущению, мы сможем очень близко подойти к теоретическим пределам.

Даже при производительности 10⁴² операций/с килограммовый «последний» компьютер будет способен за 10 микросекунд осуществить вычисления, эквивалентные всем мыслительным операциям человечества за 10 тыс. лет (10⁴² в 10⁸ меньше, чем 10⁵⁰, так что одна десятитысячная наносекунды превращается в десять микросекунд).

Учитывая экспоненциальный рост вычислительного потенциала компьютеров (вторая глава), я считаю, что компьютеры стоимостью в тысячу долларов будут способны осуществлять подобные операции примерно к 2080 г.

· #186

Кротовая нора — гипотетическая топологическая особенность пространства-времени, представляющая собой туннель между двумя связанными между собой или несвязанными областями пространства.

· #187

Перевод с испанского М. Былинкиной.

<<< Назад Эпилог

Вперед >>> ----