Natural Computations and Artificial Intelligence
Table of contents
Share
QR
Metrics
Natural Computations and Artificial Intelligence
Annotation
PII
S023620070019511-9-1
Publication type
Article
Status
Published
Authors
Igor Mikhailov 
Affiliation: Institute of Philosophy RAS
Address: 12/1 Goncharnaya Str., Moscow 109240, Russian Federation
Pages
65-83
Abstract

The research program focused on the analysis of computational approaches to natural and artificial intelligence is one of four accepted for implementation at the Center for the Philosophy of Consciousness and Cognitive Sciences of the Institute of Philosophy, Russian Academy of Sciences. Presumably, it should become a direction of interdisciplinary research at the crossroad of philosophy, cognitive psychology, cognitive and social neuroscience, and artificial intelligence. The working hypothesis proposed for discussion attended by the relevant specialists is as follows: if an acceptable computational theory of mind appears, we will be able to restrict our research to a simple scientific ontology describing only parts of a physical implementation of computational algorithms, adding a relevant version of computational mathematics thereto. Another hypothesis proposed is that there is an essential ontological intersection between the mechanisms underlying human cognitive abilities and their social organization, both of which serving as an implementation medium for complex distributed cognitive computations. Particularly those which are associated with social organization are responsible for logical and verbal (“rational”) cognitive abilities. As a result of some previous research, an ontology of nested distributed computational systems was generally formulated, which, as expected, can demonstrate significant heuristic potential if supplemented with an adequate mathematical apparatus. Since only individuals with certain cognitive abilities can be social agents, a philosophical problem arises: are cognitive abilities necessary or sufficient to involve their carriers in stable social interactions? In the first case, we have a weak thesis about the cognitive determination of sociality, in the second — the strong one. The choice between these positions is, too, a subject of future research.

Keywords
cognitive computations, artificial intelligence, cognitive psychology, cognitive social neuroscience, scientific ontology, rationality, multi-agent systems
Received
06.04.2022
Date of publication
11.05.2022
Number of purchasers
0
Views
53
Readers community rating
0.0 (0 votes)
Cite Download pdf 100 RUB / 1.0 SU

To download PDF you should sign in

Full text is available to subscribers only
Subscribe right now
Only article and additional services
Whole issue and additional services
All issues and additional services for 2022
1

Предмет исследований

2 Программа, которую я представляю, сосредоточена на междисциплинарных проблемах философии, когнитивной психологии, когнитивной и социальной нейронауки, а также искусственного интеллекта.
3 Проект междисциплинарной когнитивной науки появился в конце 1950-х годов как попытка преодолеть ограниченность необихевиоризма с помощью концепций, заимствованных из набиравшей силу компьютерной науки: идея состояла в том, чтобы дополнить стимулы как главные причины поведения внутренними состояниями когнитивного аппарата, которые мыслились и описывались по аналогии с вычислительной машиной. Более богатое понимание причинности претендовало на лучшее по сравнению с необихевиоризмом объяснение сложного человеческого поведения.
4 Однако, поскольку в соответствии с теорией вычислений Тьюринга когнитивные акты мыслились как обработка цепочек внутренних символов, возникло две проблемы. Первая — отсутствие приемлемого описания биологической реализации такой «машины». И вторая — фактическое возрождение «парадокса гомункула», поскольку символы необходимо обладают семантикой, а чтобы понимать ее, уже нужны некие когнитивные способности. Получалось, что объясняемое содержится в объяснении.
5 Коннекционистская альтернатива, появившаяся в 1980-х годах, решила эти проблемы лишь отчасти и ценой ослабления объяснительной силы теории в отношении высших лингвистических и интеллектуальных функций: первые нейросети работали как ассоциативные машины, эффективные в распознавании и категоризации образов, а также в первичном языковом научении, но не превосходящие необихевиоризм в способности объяснить систематичность и продуктивность человеческого языка.
6 Как результат, появилось частичное разочарование психологов и лингвистов в вычислительной идиоме как таковой, что привело к появлению различных антикомпьютационалистских течений, вроде популярного ныне «радикального энактивизма». С другой стороны, компьютационализм в его «слабом», нетьюринговом выражении в западной академической мысли проникает на доселе незатронутые им территории: в биологию, экономику, астрофизику и — что интереснее для нас — в нейронауку, которая становится все более сильным конкурентом когнитивной психологии, несколько ослабленной отсутствием доктринального, или даже парадигмального, единства.
7 С моей точки зрения, вычислительный подход как идея далеко не исчерпал своего потенциала. Научная теория в общем и целом определяется двумя опциями: выбором онтологии и выбором или разработкой формального аппарата, высказывания на языке которого должны интерпретироваться на выбранной онтологии. Пока единственной альтернативой компьютационализму остаются традиционные естественные науки — физика, химия, биология, нейрофизиология — каждая из которых достаточно сложна, и отдельную проблему составляет их междисциплинарная интеграция. Напротив, в случае появления приемлемой вычислительной теории сознания мы сможем ограничиться достаточно простой научной онтологией, описывающей только элементы материальной реализации вычислительных алгоритмов, а в качестве формального языка могут быть приняты те или иные варианты вычислительной математики, которая в последнее время претерпевала интересные развития1.
1. В которые внесли свой вклад Чейтин, Воеводский и др. Можно упомянуть также процессные алгебры, возможно, что-то еще. Но на данном этапе, насколько я могу судить, первенство прочно удерживают статистические теории, и прежде всего байесовская статистика. Определенную роль играет также теория динамических систем.
8 Далее я попытаюсь предложить некий обобщенный подход к идее вычислений, который, возможно, поможет реанимировать изначальный импульс когнитивной науки как междисциплинарного проекта. Хотя, безусловно, полноценная реализация программы предполагает участие в ней и противников этого подхода.
9

Горизонт исследований

10 Согласно изначальному замыслу, когнитивные науки включают философию сознания, теорию познания, когнитивную психологию, нейронауки, когнитивную лингвистику и теорию искусственного интеллекта. Часто этот термин понимается предметно: к когнитивным наукам относят все дисциплины, изучающие сознание и познание, принятие решений, внимание и т. п., вне зависимости от их методологических ориентаций. Однако «когнитивная революция», состоявшаяся во второй половине XX века, имела вполне определенные методологические очертания: она опиралась на так называемую «компьютерную метафору» — понимание материальных структур, обеспечивающих когнитивные функции, как информационных процессоров, совершающих вычислительные операции над символическими репрезентациями — формами представления данных. Этот подход позволил, уйдя от различных вариантов бихевиоризма, вернуться к исследованию «внутренней» ментальной жизни, причем на вполне научных, принципиально фальсифицируемых основах.
11 Вместе с тем, с течением времени внутри классической когнитивной парадигмы стали накапливаться проблемы, появилась внешняя конкуренция со стороны альтернативных когнитивных подходов — коннекционизма, энактивизма (и других концепций воплощенного познания), «теории динамических систем» и др. Некоторые исследователи заговорили о наступлении «посткогнитивной» эры, широкое распространение получили антикомпьютационалистские (не опирающиеся на вычислительный дискурс) и антирепрезентационалистские взгляды. Одновременно мощный импульс к развитию получили нейронауки, которые, по-своему адаптируя вычислительные подходы, сегодня составляет сильную конкуренцию привычной «высокоуровневой» когнитивистике.
12 Более того, определенный ренессанс вычислительных подходов к когнитивной сфере произошел благодаря широкому распространению «механистической теории вычислений» [Craver, Bechtel, 2006; McDermott, 2001], а также концепции предиктивного процессинга (известной также как «предсказывающий разум») [Hohwy, 2014; Keller, Mrsic-Flogel, 2018; Kilner, Friston, Frith, 2007], основанной на принципе минимизации свободной энергии [Buckley и др., 2017; Colombo, Wright, 2018] и связывающей воедино термодинамический, теоретико-информационный и математико-статистический взгляды на широкий класс сложных автономных систем, включающий биологические, нейрокогнитивные и социальные [Friston, 2019; Kelly и др., 2019; Seth, Hohwy, 2021].
13 Сложившаяся к настоящему моменту ситуация ставит перед исследователями теоретические и методологические проблемы, которые вряд ли могут быть решены в рамках отдельных дисциплин, без междисциплинарного взаимодействия.
14

Философия и когнитивные науки

15 Такие традиционные разделы философии, как философия сознания и эпистемология, безусловно, могут и должны быть частью общего когнитивного предприятия. В последнее десятилетие философия когнитивных наук порождает вал англоязычных публикаций. Что такое когнитивная теория, в чем ее специфика по сравнению с привычным естествознанием и психологией [Anderson, 1983; Fagin и др., 2004]? Какова роль вычислительных и динамических моделей, меняют ли они традиционное соотношение теории и эмпирии [Fetzer, 1997; Pylyshyn, 1986]? Помогут ли когнитивные методологические подходы преодолеть традиционные философские затруднения, вроде «парадокса гомункула» [Attneave, 1961]? Эти и подобные вопросы составляют философский уровень обсуждений.
16 В 1990-х годах в аналитической философии появился инференциализм (от англ. inference — «вывод») как новое направление в философии языка и сознания, противостоящее традиционному репрезентационализму2. Основным проводником и энтузиастом этой доктрины стал Роберт Брэндом [Brandom, 2001], который, впрочем, возводит ее основные идеи к Уилфриду Селларсу, а в конечном счете — к Готлобу Фреге и Иммануилу Канту. Если, согласно привычной репрезентационалистской позиции, значение высказывания понимается как функция значений входящих в него терминов, а значение последних сводится к «знакомству» (Рассел) с предметом через чувственные данные (sense-data), то инференциалист оборачивает это отношение. У Канта и Фреге заимствуется идея семантического приоритета суждения перед понятием, и к ней добавляется представление о значении термина (понятия) как его функциональной роли в выводе одних высказываний из других. Причем от Селларса привносится идея приоритета материального вывода (импликации) перед логическим в определении значения термина [Weiss, Wanderer, 2010: 6–7]. И, наконец, полученная конструкция подается как некий новый «извод» философского прагматизма, отличный от его «ассертибилисткой» версии, представленной Куайном и поздним Витгенштейном [Джохадзе, 2015].
2. В философском контексте более подходящим обозначением последней позиции, на мой взгляд, был бы «референциализм». Но, поскольку далее я попытаюсь найти некоторые параллели в когнитивной науке, целесообразно оставить «репрезентационализм».
17 Некоторые критики концепции Брэндома (например, Майкл Кремер [Kremer, 2010]) указывают на то, что в противопоставлении инференции и референции, по сути, возрождается старый спор рационализма и эмпиризма как разнонаправленных путей обоснования знания: «сверху вниз» (top-down) против «снизу вверх» (bottom-up). Продолжая исторические аналогии, Кремер замечает: Брэндом, апеллируя к Канту, забывает, что для немецкого философа «интуиция» не сводима к рассудку, и деятельность последнего, следовательно, не может ее заменить.
18 Эти подробно представленные в философской литературе дискуссии интересны здесь постольку, поскольку их очень близкий аналог имеет место в когнитивной науке, где «репрезентация» всегда была одним из опорных терминов, а «вывод» (inference) вошел в обиход сравнительно недавно — в связи с нарастающей популярностью уже упомянутой теории предиктивного кодирования, известной также как «предиктивный процессинг» (ПП). На первый взгляд это выглядит очень далекой аналогией, поскольку нет прямого перевода философского понимания репрезентации и вывода в когнитивно-научное, и кто-то может сказать, что, несмотря на лексические совпадения, речь в обоих случаях может идти о разных понятиях. Но я далее постараюсь показать, что, при определенных онтологических допущениях, концептуальная связь между внешне схожими философскими и когнитивными концепциями может оказаться достаточно глубокой.
19 О предиктивном кодировании сейчас пишут многие, и я бы здесь упомянул философов Анди Кларка [Clark, 2013] и Якоба Хохви [Hohwy, 2014], а также нейробиолога и когнитивного ученого Карла Фристона [Friston, Frith, 2015a; Friston, Frith, 2015b; Friston, Kiebel, 2009]. Далее я буду в основном опираться на работы последнего.
20 Согласно Фристону, современные ПП-теории восходят к идее Г. фон Гельмгольца о «бессознательных выводах» [Helmholtz von, 2013]. ПП-теории основаны на представлении о многослойной иерархической архитектуре нашего когнитивного аппарата. Верхние его слои формируют байесовские (вероятностные) модели реальности и транслируют их вниз путем вывода предсказаний содержания будущих перцептивных данных. Нижние слои сравнивают эти модели с полученными снизу (извне) данными, вычисляют ошибки предсказания и транслируют их наверх. Получив сообщение об ошибке, «верхние» модели уточняются, и цикл повторяется до достижения максимально точной подстройки предиктивной модели реальности под поступающие данные. Эти нисходящие прогнозы сравниваются с репрезентациями на более низком уровне, чтобы определить «ошибку предсказания» (обычно связанную с активностью пирамидальных клеток коры — об их роли см. далее).
21 «Действенный вывод» (active inference) представляет собой еще один способ минимизировать ошибки предсказания; а именно путем повторной выборки сенсорных данных, чтобы они более соответствовали прогнозам; другими словами, изменяя сенсорные входы, изменяя мир через действие. Одни и те же механизмы вывода лежат в основе, казалось бы, различных функций (действия, познания и восприятия). Другими словами, действие и восприятие являются аспектами одного и того же основного императива; а именно — минимизировать ошибки иерархического предсказания путем выборочного тестирования сенсорных входов [Friston, Frith, 2015a: 393].
22 Минимизация «свободной энергии» (под которой Фристон понимает сумму ошибок предсказания) посредством действенного вывода неявно сводит к минимуму неожиданность (или ошибки предсказания), что эквивалентно максимизации очевидности байесовской модели. Долгосрочное среднее значение неожиданности называется им «энтропией». Минимизация неожиданности минимизирует энтропию.
23 На мой взгляд, философский и когнитивный варианты инференциализма могут встретиться на почве «слабой» компьютационалистской онтологии, где все когнитивные процессы и большая часть биологических понимаются как вычисления — при «слабой» интерпретации последних. Вычисление в ее рамках может быть понято как процесс, при котором определенные структурные паттерны входящих данных запускают определенные шаги обработки. Объективное сопоставление (mapping) первых и вторых может быть представлено в виде набора правил. Интересно упомянуть, что Фристон в одной из своих московских лекций определил «правило» как распределение вероятностей. Эта мысль, как мне представляется, позволяет несколько прояснить запутанную проблему «не-тьюринговых» вычислений. Классическая модель Тьюринга построена на линейной обработке и булевой логике решений машины на основе применения правил. Нейросетевые модели вычислений, по видимости, не соответствуют этой модели: они основаны на параллельной обработке и вероятностной математике. Конечно, распределенные вычисления могут быть описаны как множество машин Тьюринга, работающих параллельно. Но важен способ распределения данных между ними и архитектура их взаимосвязей, которая влияет на суммирование результатов. В таких системах коннектом сети функционально заменяет считывающую головку машины Тьюринга, что позволяет строить и хранить вероятностные репрезентации. Интересная нео-ассоциационистская (со ссылкой на Юма) концепция динамического формирования вероятностных репрезентаций представлена, в частности, в [Ryder, Favorov, 2001]. Она основана на моделировании предиктивных процессов в дендритах пирамидальных нейронов коры, о роли которых упоминает также и Фристон.
24 Как мне представляется, основное различие философского и когнитивного понимания инференции состоит в том, что в первом случае вывод рассматривается как логико-лингвистическая операция, тогда как во втором — в основном как нейроцеребральные вычисления, лежащие в основе перцептивных актов. Однако, например, в интересных работах Фабрицио Кальцаварини [Calzavarini, 2017; Calzavarini, 2019] представлены экспериментальные данные и концептуальные соображения, позволяющие предположить, что сохраненные перцептивные образы существенным образом облегчают операции вывода с конкретными словами и суждениями, относящимися к чувственно-представимым предметам, и совершенно не играют роли — или играют очень малую — в аналогичных операциях с абстрактными понятиями. И если это так, то допустимо предположить единую линию эволюции когнитивных вычислений, в рамках которой перцептивный процессинг постепенно вытесняется вербальным. И это развитие, безусловно, связано с нарастающей ролью социальной коммуникации.
25 Сенсорных представлений достаточно для отдельного индивида, когда основные вычисления выполняются бессознательно, а их вывод представляется в центр управления всего вычислительного устройства в виде огрубленных (coarse-grained) репрезентаций, каковые и представляют собой наши чувственные образы. Напротив, язык используется индивидом, когда он (индивид) играет роль процессора в более крупной распределенной вычислительной системе, благодаря чему вычислительная механика раскрывается в его сознательном представлении, в то время как эмерджентный результат распределенных вычислений чаще всего от него скрыт. В первом случае сенсорный и моторный модули связаны между собой напрямую, а во втором моторный выход может быть опосредован тем, что мы называем (логико-лингвистическим) выводом. Таким образом, то, что под инференцией понимают философы — это вычисление, раскрывающееся перед осознанным взором индивида, в то время как когнитивный (предиктивный) вывод является частью скрытой обработки данных, осуществляемой мозгом. Но в обоих случаях речь идет о едином многоуровневом потоке биологических, когнитивных и социальных вычислений, ориентированных в конечном счете на достижение оптимальных показателей некоторых критически важных параметров.
26

Когнитивные и социальные науки

27 В основе подхода, который я предлагаю к обсуждению в рамках программы, — исходная гипотеза, согласно которой имеется существенная онтологическая связь между механизмами, лежащими в основе когнитивных способностей человека, и его социальной организацией. Более конкретно, социальная организация мыслится как продолжение и определенная ступень развития когнитивной сферы. Имеющийся на данный момент научный задел состоит в ранее предложенной мною метасетевой концепции (не совсем корректно названной «гиперсетевой» в ранних публикациях [Михайлов, 2015a; Михайлов, 2015b]), согласно которой нейронная сеть человеческого мозга является узлом социальной метасети и в существенной степени осуществляет процессы последней. Роль интерфейса между нейронной и социальной сетями выполняет эволюционно развитый язык. С целью получения подтверждений этой гипотезы мною была методологически проанализирована теория и практика проектирования мультиагентных систем как вычислительных моделей социальных организаций [Михайлов, 2017; Михайлов, 2018]. Затем были обобщены когнитивные исследования рациональности как свойства общественного человека [Михайлов, 2019]. Наконец, я подошел к пониманию когнитивных и социальных систем как систем в каком-то существенном смысле вычислительных, и поэтому потребовалось концептуальное исследование проблемы вычислений применительно к методологическим основам когнитивных и социальных наук [Михайлов, 2020a; Михайлов, 2020b; Михайлов, 2021].
28 Философский анализ технологии мультиагентных систем (МАС) выявил их роль как наиболее реалистичной на сегодня модели социальной реальности, основанной на взаимодействии когнитивных агентов. В ходе его было установлено, что «распределенный интеллект» квазисоциальных систем компенсирует когнитивную ограниченность агентов, которая, в свою очередь, объясняется эволюционными соображениями. Было показано также, что высшие когнитивные способности, такие как владение языком и рациональное мышление, в существенной степени основаны на распределенных (социальных) когнициях. Было обосновано предположение, что наиболее реалистичная модель человеческих социально-когнитивных взаимодействий должна интегрировать в себя технологии искусственных нейросетей (ИНС), с тем чтобы МАС состояли из самообучаемых, а не программируемых, агентов. Такая система, согласно моему предположению, должна на определенных этапах выработать систему символической коммуникации, а также наборы правил — аналоги права и морали в естественном человеческом обществе.
29 Обобщение эмпирических исследований процессов восприятия [Михайлов, 2019] показало, что на уже на перцептивном уровне люди подвержены иллюзиям и искажениям, интенсивность которых зависит скорее не от этнокультурной принадлежности, а от характера окружающей среды (сельская местность или большой город). В процессе решения логических и математических задач люди, не имеющие специальной подготовки, используют скорее обыденные стратегии поиска и обработки информации, чем декларируемые в данной культуре логические и рациональные правила. И, наконец, грамматические и иные особенности их родных языков, действительно, оказывают некоторое влияние на когнитивные интуиции, но не такое, которое можно было бы назвать решающим. Таким образом, реальные когнитивные акты подвержены ограничениям и искажениям, неожиданным с точки зрения привычных представлений о рациональности, и, скорее всего, преодолеваются именно социальной организацией индивидов, которая и делает когнитивные акты рациональными и правилосообразными. Когнитивные исследования человеческой рациональности показали, что, в отличие от нормативных представлений о ней, закрепленных в логических системах, реальное когнитивное, языковое и социальное поведение людей скорее ассоциативно и ситуативно, а строгие правила рациональности обусловлены именно потребностями социальной интеграции.
30 Дальнейшие исследования показали, что сетевая архитектура мозга и социума, как, впрочем, и многих других биосистем — например, эндокринной или сети информационных каналов, создаваемых протеинами в живом организме — не случайна и является материальным субстратом для распределенных вычислений. Распределенная архитектура природных вычислений является наглядным, хотя и косвенным, свидетельством эволюционного происхождения естественных вычислительных систем, поскольку ошибочный выбор в таких системах не столь фатален по своим последствиям, как в системах, основанных на серийных алгоритмах. Случайные объединения клеток или особей, если они приводят к наращиванию вычислительной мощности и/или экономии энергетических затрат на вычисления, отбираются и закрепляются. Поэтому виды с более развитым мозгом вытесняют тех, кто отстает по этому показателю, из определенных экологических ниш. Таким же образом получают эволюционные преимущества виды с более эффективной социальной организацией. В последнем случае объем мозга уже может не иметь решающего значения [DeSilva и др., 2021], поскольку вычислительные задачи распределяются по хорошо организованной сети, состоящей из когнитивно нагруженных, хотя и ограниченных, особей.
31 Интуитивно ясная суть вычислений, которая отличает их от других систематических процессов, состоит в том, что «верхний» уровень процесса, который выглядит как вычисление чего-то ради некоей цели, надстраивается над алгоритмической и физической реализациями этого вычисления [Marr, 2010: 25]. При этом как собственно вычисление с его индуцированной телеологией может быть реализовано различными алгоритмами, так и каждый отдельный алгоритм может быть реализован на более чем одной аналоговой системе.
32 Вычисление в моих предыдущих публикациях [Михайлов, 2020a] понимается как процесс, осуществляемый вычислительной системой, при том, что вычислительная система есть один из множества возможных механизмов некоторой репрезентации, а репрезентация есть отображение формальных свойств одного процесса в формальные свойства другого. Таким образом, процесс, каждый шаг которого обусловлен формальными свойствами предыдущего шага и/или других влияющих на него процессов, является потенциально вычислительным. Он может стать элементом актуального вычисления, если его свойства репрезентируются в другом процессе или сами являются репрезентацией. Общество в этом контексте можно понять как супервентную вычислительную систему, использующую сеть когнитивных (вычислительных) ресурсов своих членов.
33 В общем и целом, в результате осуществленных исследований была в общих чертах сформулирована онтология вложенных друг в друга распределенных вычислительных систем, которая может продемонстрировать существенный эвристический потенциал, если будет дополнена адекватным математическим аппаратом. Согласно ПП-теории, эти системы формируют многочисленные статистические предвосхищающие модели желаемого окружения. При столкновении этих моделей с актуальными данными, вычисленная разница между ними или запускает процесс обновления модели, или вызывает активное действие с целью изменения входных данных. Весьма вероятно, что именно таков механизм эволюции на всех уровнях и этапах развития живых существ. Важнейшей видовой особенностью человека является его естественный язык, в основе которого лежит социально обусловленная способность человеческого когнитивного аппарата к образованию предикативных связей между отдельными знаками. Язык действует как особая процессинговая система, делающая возможными социальные связи. Общество, как и мозг, осуществляет параллельные (сетевые) вычисления для формирования и обновления статистических моделей сложного и непредсказуемого окружения. Для этого оно задействует вычислительные ресурсы нейронных сетей индивидов, управляя ими при помощи языка.
34 Прогресс когнитивных наук в последние десятилетия позволил по-новому взглянуть на основы социального познания. Очевидно, что только индивиды, обладающие определенными когнитивными способностями, могут быть социальными агентами. Возникает философская проблема: необходимыми или достаточными являются когнитивные способности для вовлечения их носителей в устойчивые социальные взаимодействия? В первом случае мы имеем слабый тезис о когнитивной детерминации социальности, во втором — сильный тезис. Принимая во внимание высокую степень математизации и компьютеризации когнитивных наук и их опору на точные эмпирические данные, невозможно ответить на этот вопрос средствами исключительно концептуального анализа — необходима интеграция широкого спектра результатов, полученных в различных дисциплинах. В качестве первого шага в этом направлении в статье [Михайлов, 2020b] была критически рассмотрена социальная онтология Тони Лоусона и кебриджской школы, тесно связанная с экономическими теориями. В дальнейшем планируется критический обзор поисков и концепций в области когнитивной экономики и социальной нейронауки.
35 Планируется также проанализировать две альтернативные концепции назначения и деятельности «зеркальной нейронной системы», лежащей, по мнению многих, в основе социальных взаимодействий: адаптационная и ассоциативная. Первая рассматривает этот вид нейронов как врожденный механизм объяснения действий других особей, вторая — как результат сенсомоторного научения. Кроме того, будут оценены скептические позиции некоторых исследователей в отношении существования зеркальных нейронов вообще.
36 Сторонники когнитивного энактивизма концентрируются на экспериментальных данных, свидетельствующих о том, что социокультурные взаимодействия, будучи частью единой динамической системы, меняют синаптические связи нейронов и конфигурации локальных нейронных сетей. Кроме того, в рамках этого подхода социальная реальность предстает перед субъектом как набор аффордансов — возможностей целесообразных адаптивных действий в отношении других субъектов [Carvalho, 2019; Debruille, Brodeur, Franco Porras, 2012]. К недостаткам этого подхода можно отнести отсутствие внятного объяснения факторов, обеспечивающих единство причинности в этой глобальной динамической системе. Эти концепции и исследования также станут предметом особого внимания участников нашей программы.
37 В рамках ПП-концепций, которые будут продолжать нами изучаться, представления о любой реальности складываются в результате взаимодействия предсказаний, порождаемых генеративными моделями мозга, и входящих перцептивных данных. Социальные взаимодействия, в свою очередь, приводят к синхронизации порождающих моделей взаимодействующих субъектов, в результате чего они начинают производить общий нарратив, что создает возможность коммуникации [Friston, Frith, 2015a; Kelly и др., 2019].
38 Общей особенностью рассматриваемых здесь концепций является их ограниченность слабым тезисом когнитивной детерминации социальности: когнитивная и социальная системы рассматриваются как изначально независимые, но влияющие друг на друга. В то же время было бы интересно исследовать возможность сильной детерминации, при которой когнитивная система, как исторически более ранняя, на определенном уровне сложности оказывается достаточным условием существования социальной системы. Это возможно сделать в рамках вычислительной гипотезы, которая понимает обе сферы как системы распределенных статистических вычислений. Тогда можно показать, как когнитивная система «достраивает» себя до социальной, научаясь использовать вычислительные мощности других когнитивных систем в своих целях. В качестве причинного объяснения можно использовать принцип минимизации ошибки предсказания, разработанный в ПП-теориях: если этот принцип, как там утверждается, направляет поведение и развитие всех живых организмов, то синхронизация генеративных моделей когнитивных агентов при различии их опыта приводит к большей эффективности их предсказаний, давая им эволюционные преимущества.
39

Проблематика предлагаемой программы

40 Итак, представленное здесь обсуждение приводит к идентификации следующих направлений исследований в рамках программы.
41

Проблема вычислений в когнитивных науках. Следующий шаг после обсуждения результатов когнитивной революции — обнаружение вычислительных процессов в самой природе: репликация РНК и синтез протеинов, обработка визуальной информации, квазары и другие природные явления дали начало переводу ряда естественных наук на вычислительные рельсы. Конечно, когнитивные процессы — первый кандидат на рассмотрение с точки зрения вычислительного подхода. Но насколько сам этот подход релевантен? Что такое вычисления с точки зрения сегодняшних взглядов на природу сложных структурных процессов? Есть ли у них особый онтологический статус? Продвигает ли нас компьютационализм в каком-либо варианте к искомой цели — окончательному разрешению философских загадок? И здесь, по общему мнению специалистов, которые участвовали в обсуждении ранних версий программы3, можно выделить следующие подтемы:

3. Это, прежде всего, В.Ф. Спиридонов и Н.И. Логинов из Центра когнитивных исследований РАНХиГС.
42
  • байесовские модели как методология описании психики и возможная основа построения когнитивных теорий (Bayesian Mind);
43
  • предсказательное кодирование (Predictive Mind) как новая парадигма в когнитивных исследованиях.
44

Репрезентации и сенсомоторные паттерны в когнитивных исследованиях. В первые годы когнитивного перелома казалось, что репрезентации — физические структуры, символически представляющие некие данные для обработки — являются необходимым элементом когнитивных процессов. Однако появление альтернативных парадигм позволило говорить о «субсимвольных», «распределенных» репрезентациях или о возможности вовсе обойтись без этого понятия. Представители различных когнитивных дисциплин, по нашему замыслу, могут встретиться в Центре для того, чтобы обменяться мнениями о релевантности репрезентаций как концепции, объясняющей исследуемые ими явления. Оперирует ли мозг репрезентациями? Необходимы ли особые подсистемы представления данных для конструирования искусственных интеллектуальных систем? Составляет ли «динамический» подход реальную альтернативу репрезентационализму? Связан ли когнитивный репрезентационализм с одноименным направлением в философии сознания? И, с другой стороны, можно ли усмотреть концептуальные связи между философским инференциализмом (Роберт Брэндом) и представлением об ‘active inference’ (Карл Фристон), составляющим важную часть теории предиктивного процессинга? Релевантные подтемы:

45
  • включение феноменального опыта в модели функционирования когнитивных процессов (проблемы современных исследований сознания и эмоций);
46
  • телесная укорененность и моторная активность в человеческом познании.
47

Когнитивные исследования и искусственный интеллект. Специалисты в области технических наук часто определяют когнитивные устройства как устройства, способные рационально адаптировать свое поведение к меняющимся условиям среды на основе обратной связи. В таких устройствах, как правило, используются те или иные технологии ИИ, будь то различные механизмы машинного обучения или мультиагентные алгоритмы. Естественным образом возникает вопрос: в какой мере эти и подобные решения могут быть моделями «естественной» психической жизни? Объективно возникает необходимость междисциплинарного взаимодействия специалистов в области ИИ с психологами и нейрофизиологами. Тем более, что результаты последних оказали в последние десятилетия существенное влияние на развитие технологий: достаточно назвать нейросети, мультиагентные системы, генетические и эволюционные алгоритмы и т.п. Таким образом, одна из целей центра — служить площадкой для продуктивного взаимодействия специалистов в области искусственного интеллекта и исследователей интеллекта естественного. И здесь сосредоточимся на таких вопросах, как:

48
  • машинное обучение и нейросети как инструменты решения технических проблем современных когнитивных исследований;
49
  • мультиагентные системы и когнитивные теории социальности.
50

Характер и принципы объяснения в когнитивных науках. С учетом очень быстрых и разноплановых изменений, происходящих в области когнитивных исследований, все более острым оказывается вопрос о приемлемых (или желательных) способах объяснения получаемых эмпирических результатов. Отчасти это связано с чрезвычайным предметным многообразием получаемых данных, затрагивающих часто самые неожиданные стороны когнитивного функционирования. Однако не меньшую сложность составляет и разноплановый характер исследований (скажем, серьезную проблему представляет сопоставление результатов классических поведенческих экспериментов, компьютерного моделирования, визуализации работы мозга в ходе решения каких-то задач и т. д.). Обсуждение возможных стратегий объяснения в сложившихся условиях — также одна из целей планируемых междисциплинарных исследований. В этой части программы будут обсуждены:

51
  • проблема реплицируемости (локализация и последующее нивелирование источников изменчивости) в современных экспериментальных исследованиях;
52
  • иерархические vs «плоские» модели когнитивных процессов — проблемы и возможности;
53
  • параметрические модели в когнитивной психологии (бедность и нищета вербального теоретизирования).
54 Все, кого интересует означенная проблематика, и кто чувствует, что может внести продуктивный вклад в будущие дискуссии и междисциплинарные исследования, приглашаются к диалогу.

References

1. Dzhokhadze I.D. Analiticheskiĭ pragmatizm Roberta Brehndoma. IFRAN; 2015.

2. Mikhajlov I.F. Virtual'nye proektsii chelovecheskogo mira: mul'tiagentnye sistemy // Filosofskie problemy informatsionnykh tekhnologij i kiberprostranstva. 2017, №13(1). S. 18–28. doi:10.17726/philIT.2017.1.1

3. Mikhajlov I.F. Vospriyatie, logika i mnozhestvennost' ratsional'nykh reprezentatsiĭ mira. Filosofskie nauki. 2019, № 62(7) S. 37–53. doi:10.30727/0235-1188-2019-62-7-37-53

4. Mikhajlov I.F. Vychislitel'nyj podkhod v sotsial'nom poznanii. Filosofiya nauki i tekhniki. 2021, №26(1), S. 23–37. doi:10.21146/2413-9084-2021-26-1-23-37

5. Mikhajlov I.F. K gipersetevoj teorii soznaniya [Toward a Hyper-Network Theory of Consciousness]. Voprosy filosofii. 2015, №11. S. 87–98.

6. Mikhajlov I.F. Kognitivnye vychisleniya i sotsial'naya organizatsiya. Voprosy filosofii. 2020, №11, S. 125–128. doi:10.21146/0042‒8744‒2020‒11-125-128

7. Mikhajlov I.F. Sotsial'naya ontologiya: vremya vychislenij. Vestnik Tomskogo gosudarstvennogo universiteta. Filosofiya Sotsiologiya Politologiya. 2020, № 55, S. 36–46. doi:10.17223/1998863X/55/5

8. Mikhajlov I.F. Filosofskie problemy modelirovaniya mul'tiagentnykh sistem. Filosofskie nauki. 2018, №12, S. 56–74. doi:10.30727/0235-1188-2018-12-56-74

9. Mikhajlov I.F. Chelovek, soznanie, seti. M.: IFRAN, 2015.

10. Anderson J. R. The Architecture of Cognition. Harvard: Harvard University Press, 1983.

11. Attneave F. In defense of homunculi. Sensory Communication. Contributions to the Symposium on Principles of Sensory Communication, July 19-Aug. 1, 1959, Endicott House. Cambridge: MIT Press, 1961. P. 777–782.

12. Brandom R.B. Making It Explicit: Reasoning, Representing, and Discursive Commitment. Harvard: Harvard University Press, 2001.

13. Buckley C.L., Kim C.S., McGregor S., Seth A. K. The free energy principle for action and perception: A mathematical review. Journal of Mathematical Psychology. 2017 N 81. P. 55–79. doi:10.1016/j.jmp.2017.09.004

14. Calzavarini F. Chapter 3. Inferential processing with concrete vs. abstract words and visual cortex. Bolognesi M., Steen G. J. (Eds.). Perspectives on Abstract Concepts. Cognition, Language and Communication. Amsterdam: John Benjamins Publishing Company, 2019. P. 59–74. doi:10.1075/hcp.65.04cal

15. Calzavarini F. Inferential and referential lexical semantic competence: A critical review of the supporting evidence. Journal of Neurolinguistics, 2017, N 44. P. 163-189. doi:10.1016/j.jneuroling.2017.04.002

16. Carvalho E.M. Socially Extending the Mind Through Social Affordances. Curado M., Gouveia S. S. (Eds.) Automata’s Inner Movie: Science and Philosophy of Mind. Wilmington: Vernon Press, 2019. P. 193–212.

17. Clark A. Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences. 2013, N 36(3), P. 181–204. doi:10.1017/S0140525X12000477

18. Colombo M., Wright C. First principles in the life sciences: the free-energy principle, organicism, and mechanism. Synthese. Published online: Sept. 10 2018. doi:10.1007/s11229-018-01932-w

19. Craver C., Bechtel W. Mechanism. In: Pfeifer J., Sarkar S. (Eds.) The Philosophy of Science: An Encyclopedia. Psychology Press; 2006:469-478.

20. Debruille J.B., Brodeur M.B., Franco Porras C. N300 and Social Affordances: A Study with a Real Person and a Dummy as Stimuli. In: di Pellegrino G (Ed.) PLoS ONE. 2012, N 7(10): e47922. doi:10.1371/journal.pone.0047922

21. DeSilva J.M., Traniello J.F. A., Claxton A.G., Fannin L.D. When and Why Did Human Brains Decrease in Size? A New Change-Point Analysis and Insights from Brain Evolution in Ants. Frontiers in Ecology and Evolution. 2021, N 9. doi:10.3389/fevo.2021.742639

22. Fagin R., Halpern J., Moses Y., Vardi M. Reasoning About Knowledge. Cambridge: The MIT Press, 2003. doi:10.7551/mitpress/5803.001.0001

23. Fetzer J. H. Thinking and Computing: Computers as Special Kinds of Signs. Minds and Machines. 1997, N 7(3). P. 345–364. doi:10.1023/A:1008230900201

24. Friston K., Frith C. A. Duet for one. Consciousness and Cognition. 2015, N 36, P. 390–405. doi:10.1016/j.concog.2014.12.003

25. Friston K., Kiebel S. Predictive coding under the free-energy principle. Philosophical Transactions of the Royal Society: Biological Sciences. 2009, N 364(1521), P. 1211–1221. doi:10.1098/rstb.2008.0300

26. Friston K.J. Waves of Prediction. PLOS Biology. 2019, N 17(10), P. e3000426. doi:10.1371/journal.pbio.3000426

27. Friston K.J., Frith C.D. Active Inference, Communication and Hermeneutics. Cortex. 2015, N 68, P. 129–143. doi:10.1016/j.cortex.2015.03.025

28. von Helmholtz H. Treatise on Physiological Optics. NY: Dover Publications, 2013.

29. Hohwy J. The Predictive Mind. Oxford: Oxford University Press, 2014. doi:10.1093/acprof:oso/9780199682737.001.0001

30. Keller G.B., Mrsic-Flogel T. D. Predictive Processing: A Canonical Cortical Computation. Neuron. 2018. N 100(2), P. 424–435. doi:10.1016/j.neuron.2018.10.003

31. Kelly M.P., Kriznik N.M., Kinmonth A.L., Fletcher P.C. The Brain, Self and Society: a social-neuroscience model of predictive processing. Social Neuroscience. 2019, N 14(3), P. 266-276. doi:10.1080/17470919.2018.1471003

32. Kilner J.M., Friston K.J., Frith C.D. Predictive Coding: An Account of the Mirror Neuron System. Cognitive Processing. 2007, N 8(3), P. 159–166. doi:10.1007/s10339-007-0170-2

33. Kremer M. Representation or Inference: Must We Choose? Should We? Weiss B., Wanderer J. (Eds.). Reading Brandom: On Making It Explicit. London; New York: Routledge, 2010.

34. Marr D. Vision: A Computational Investigation into the Human Representation and Processing of Visual Information. Cambridge: The MIT Press, 2010. doi:10.7551/mitpress/9780262514620.001.0001

35. McDermott D.V. Mind and Mechanism. Cambridge: MIT Press, 2001. [Electronic resource] URL: https://books.google.cm/books?id=aSm4BhlmHYEC

36. Pylyshyn Z.W. Computation and Cognition: Toward a Foundation for Cognitive Science. Cambridge: The MIT Press, 1986.

37. Ryder D., Favorov O.V. The New Associationism: A Neural Explanation for the Predictive Powers of Cerebral Cortex. Brain and Mind. 2001, N 2(2), P. 161–194. doi:10.1023/A:1012296506279

38. Seth A.K, Hohwy J. Predictive Processing as An Empirical Theory for Consciousness Science. Cognitive Neuroscience. 2021, N 12(2), N 89–90. doi:10.1080/17588928.2020.1838467

39. Weiss B., Wanderer J. Introduction. Weiss B., Wanderer J. (Eds.). Reading Brandom: On Making It Explicit. London; New York: Routledge, 2010.

Comments

No posts found

Write a review
Translate