Sieci neuronowe od lat intrygują naukowców. Obecnie są bodaj jedyną szansą na stworzenie prawdziwie sztucznej inteligencji. Według wielu naukowców, urządzenia te stworzą swoiste kopie ludzkich mózgów, które za kilkanaście lat będą w stanie całkowicie zastąpić swoje biologiczne oryginały, a także wyeliminować tradycyjne komputery.

Sieci składają się z połączonych ze sobą komórek o niesprecyzowanej liczbie. Na początku lat dziewięćdziesiątych, sieci neuronopodobne były zbudowane z kilkuset do kilkudziesięciu tysięcy połączonych ze sobą elementów przetwarzających informacje. Dla porównania: liczba neuronów w mózgu, według różnych źródeł, oscyluje w granicach 11 – 100 miliardów.

W budowie sieci wyróżnić można: warstwę wejściową (przyjmującą dane), warstwy ukryte (przetwarzające te dane) oraz warstwę wyjściową (zwracającą przetworzone informacje). Twory te od klasycznego modelu komputera różnią się przede wszystkim tym, że nie mają żadnego procesora odpowiedzialnego za przetwarzanie danych. Sieci neuronowe nie mają też jednej, centralnej pamięci masowej (np. dysku twardego). Ich wiedza i wspomnienia - tak samo jak w ludzkim mózgu – są rozproszone. I, prawdopodobnie, co najważniejsze – sieci neuronowe same potrafią się uczyć.

Żeby klarowniej wyjaśnić funkcjonowanie poszczególnych warstw,
można posłużyć się analogią do człowieka. Warstwa wejściowa
odpowiadałaby wtedy, na przykład, dotykowi. Gdy dotykamy jakiegoś
przedmiotu, do mózgu płyną informację o jego właściwościach (czy jest
zimny, ciepły, chropowaty, mokry, suchy, itd). Warstwy ukryte byłyby
odpowiednikiem właśnie tej części mózgu, do której trafiają te informacje.

To w tym miejscu generowane jest działanie (np. reakcja na bodziec, jakim
jest wysoka temperatura). Jeśli dotkniemy przedmiotu gorącego – odpowiedzią będzie odsunięcie reki od źródła ciepła. Czy ogólniej – ruch.
W sieciach neuronowych za takie reakcje (tj. efekty przetworzenia danych
wejściowych) odpowiedzialna jest warstwa wyjściowa.

Naucz mnie liczyć

Sieci neuronowe potrafią się uczyć na dwa sposoby: z podanymi danymi wejściowymi i wyjściowymi (lub inaczej: z nauczycielem) albo z podanymi danymi wejściowymi, ale bez danych wyjściowych (bez nauczyciela).

W pierwszym przypadku, sytuacja przypomina nieco naukę małego
dziecka. Podaje się sieci wzorzec (dane wejściowe) i oczekiwane dane
wyjściowe. Dla przykładu: danymi wejściowymi mogą być liczby 2 i 3; w
takim przypadku od razu podaje się sieci jakie mają być oczekiwane dane
wyjściowe, np. liczbę 5 (zakładając, że chcemy nauczyć sieć dodawania).
Cała filozofia polega na tym, że sieć sama uczy się operacji, jakie powinna
przeprowadzić, żeby z liczb 2 i 3 podanych na wejściu, wyszło jej 5. Przy
pierwszym podejściu wynik będzie prawie na pewno błędny, wtedy sieć
powtórzy cały proces od początku zmieniając wartości swoich współczynników (czyli wag). Działanie to będzie powtarzane aż do
momentu, w którym sieć otrzyma wynik 5. Istnieje tutaj duże ryzyko, że sieć
wykona wiele operacji w ogóle niezwiązanych z dodawaniem, w efekcie
których otrzyma wynik 5. Dlatego nauczyciel powinien kontynuować naukę
sieci podając cały szereg innych danych wejściowych i wyjściowych (3 i 1
oraz 4; 5 i 5 oraz 10, 40 i 34 oraz 74, 69853 i 33336 oraz 103189, i tak
dalej). Gdy sieć po ciągu takich operacji opracuje sobie już regułę, dzięki
której będzie obliczała sumy liczb podanych na wejściu (nawet takich, których nigdy jeszcze nie widziała), będzie można powiedzieć, że nauczyła
się dodawać.

Ktoś mógłby zapytać, czym taka sieć różni się od zwykłego
kalkulatora. Otóż po pierwsze: kalkulator ma z góry zaprogramowany
algorytm dodawania (stworzony przez programistę), a sieć neuronowa sama
wypracowała sobie swoją metodę, która pozwala jej sumować liczby. Po
drugie: kalkulator ma fabrycznie, raz na zawsze zdefiniowane działania,
które „potrafi” wykonać (może to być mnożenie, dzielenie, dodawanie i
odejmowanie), ale przy jego pomocy nie da się obliczyć już np. całki. Sieć
neuronowa natomiast jest w stanie nauczyć się, jak obliczać całki i
wykonywać wszystkie inne działania, które tylko przyjdą do głowy jej
nauczycielowi.

Druga z metod uczenia sieci jest jeszcze bardziej nieprawdopodobna.
Tym razem nie jest wymagane podanie przez nauczyciela żadnych danych
wyjściowych. Praktyczny opis tej metody bardzo przejrzyście wyjaśnia ekspert w tej dziedzinie prof. Ryszard Tadeusiewicz: „Można sobie wyobrazić (...), że sieć samoucząca się z kamerą telewizyjną może być wysłana w bezzałogowej sondzie kosmicznej na Marsa. Nie wiemy, jakie tam panują warunki, nie wiemy więc, jakie obiekty nasza sonda powinna rozpoznawać. Mało tego – nie wiemy nawet, ile klas obiektów się pojawi! Nie szkodzi, sieć sobie poradzi. Sonda ląduje i sieć zaczyna proces samouczenia. Na początku nie rozpoznaje nic, tylko obserwuje. Z czasem jednak proces spontanicznej samoorganizacji doprowadzi do tego, że sieć nauczy się wykrywać i rozróżniać między sobą różne typy sygnałów wejściowych, które pojawią się na wejściu: oddzielnie skały i kamienie, oddzielnie formy roślinne (jeśli będą), a oddzielnie zwierzęta. Jeśli damy sieci wystarczająco dużo czasu – może się tak wyszkolić, że potrafi odróżniać Marsjan od Marsjanek – chociaż jej twórca nie wiedział nawet, że oni istnieją!”

Odkrycie Thalera
Dr Stephen Thaler badania nad sieciami neuronowymi zaczął w latach osiemdziesiątych. Z pozytywnym skutkiem. Do 1992 roku, razem ze
swoim komputerem, wynalazł między innymi nowe receptury drinków,
odkrył nowe minerały twardsze od diamentu oraz opatentował 11 tysięcy
utworów muzycznych stworzonych wspólnie z siecią neuronową.

Rok 1992 był jednak przełomowy. Thaler eksperymentując z siecią
neuronową, zaczął uśmiercać (wyłączać) losowo wybrane neurony. Był to
proces podobny do tego, jaki zachodzi w mózgu człowieka podczas śmierci
klinicznej. Wbrew jego przypuszczeniom, sieć nie przestała działać.
Tak opisuje to ekspert w dziedzinie sztucznej inteligencji, prof. Lasoń:
„Ku jego zdziwieniu, zamiast dezintegracji procesów sieci, otrzymał
adaptację. Sieć zaczęła reagować w dziwny sposób. Otóż generowała ona
odpowiedzi na nieistniejące sygnały (...). Thaler porównał to zjawisko do
myślenia kreatywnego, wyobraźni, (...), niezbędnej do stworzenia czegoś
jakościowo nowego. Pierwszym poważnym eksperymentem było zakodowanie w sieci modelu samochodu. Następnie Thaler w losowy sposób zmieniał wagi na wybranych neuronach (...) co pobudzało sieć do tworzenia samochodów o zupełnie nowatorskich kształtach. Ponieważ sieć ta tworzyła rozmaite samochody, również takie o zupełnie nieakceptowalnych dla człowieka kształtach, Thaler stworzył sieć filtrującą, której zadaniem był wybór samochodów >>dobrych<< ”.

Swoim eksperymentem Thaler udowodnił więc, że sztuczna sieć
neuronowa jest w stanie „wyobrażać” sobie różne rzeczy (np. nieistniejące
modele samochodów). Innymi słowy: jest twórcza i kreatywna. – Nic
dziwnego – odpowiadał naukowiec – przecież sieć imituje strukturę
ludzkiego mózgu.

Zniknięcie CAM-Brain
Jednak najbardziej spektakularne i zaawansowane przedsięwzięcie
zapoczątkowane zostało w 1993 roku, przez Holendra Hugo de Garisa.
Projekt nosił nazwę CAM-Brain, a współtworzył go m.in. Polak, inicjator
gdańskiej grupy badawczej GABRI, Andrzej Buller.

Początkowo projekt zakładał skonstruowanie sztucznego mózgu,
składającego się z dziesięciu milionów neuronów. Miał to być poziom
inteligencji jaki posiada mały kotek. W dodatku robot miał wyglądać i
zachowywać się jak prawdziwy kot. „Głaskany będzie miauczał i prężył
grzbiet, zły - prychał, znudzony - gonił własny ogon lub bawił się piłką”.
Następnym krokiem miało być powołanie zespołu 2000 inżynierów
ewolucyjnych, by w latach 2001-2005 stworzyć mózg składający się już z
miliarda neuronów, co odpowiadałoby inteligencji małego dziecka.

Kotek miał zostać publicznie zaprezentowany pod koniec roku
1999. Jednakże tak się nie stało. Projekt, razem ze wszystkimi
dotyczącymi go materiałami, został niespodziewanie utajniony, a następnie
przeniesiony do belgijskiego ośrodka Starlab, który wkrótce został przejęty przez wojsko, a potem przestał istnieć. CAM-Brain zaginął, a znalezienie o nim jakichkolwiek aktualnych i zarazem wiarygodnych informacji stało się niemożliwe.

W takiej sytuacji można jedynie pospekulować. Albo projekt okazał
się całkowitym niepowodzeniem i klapą zarówno technologiczną jak i
finansową, albo – co bardziej intrygujące – wręcz przeciwnie. Powiódł się i
naukowcy stworzyli pierwszy w historii sztuczny mózg o inteligencji
małego dziecka.