Техника - молодёжи 1970-01, страница 8

Машина решает задачу и — точка за точкой — печатает график нашей функции. Вдруг очередная вычисленная точка лржится не выше, как мы ожидаем, а ниже предыдущей. Мы останавливаем машину, выводим на печать вычислительную схему и рассматриваем ее с точки зрения происшедшего. Может, увеличить точность расчетов? Или в этой формуле линейную часть заменить квадратичной? Или добавить зависимость еще от какой-то величины, которой пренебрегли вначале? Мы делаем одну или несколько замен, и машина продолжает работать. И так иногда несколько раз — пока не найдем решения.

Или вот случай, когда заблаговременно мы не можем написать алгоритм решения всей задачи, так как сами его не знаем. Нам известно только, с чего начинать. Последующие шаги зависят от результатов предыдущих этапов. Наблюдая за данными, которые исправно выдает машина, исследователь определяет дальнейшие действия. Он учит машину решать задачу, с которой сам не умел справиться.

Большая часть электронных машин сегодня все еще размещена в вычислительных центрах. Туда инженеру и приходится идти за услугами, оставляя свое рабочее место. МИР — одна из тех новых конструкций, про которые можно сказать: «Гора идет к Магомету».

3. В СОРЕВНОВАНИИ С ЭРУДИТОМ

Представим себе вычислительную машину, играющую в шашки. Она анализирует каждый возможный ход, рассматривает все ответные ходы соперника, затем каждый свой второй ход на каждый ответ партнера и т. д. Электронный мозг перебирает все возможные варианты ведения партии и выделяет тот, что быстрее всего ведет к победе. Но при таком методе надо рассмотреть 10⁴⁰ ситуаций на шашечной доске. А это значит — даже машина близкого будущего, способная совершать многие миллиарды операций в секунду, затратит на одну партию миллиарды лет.

Иначе выглядят действия ЭВМ-шашиста по эвристической программе. Идет перебор сравнительно небольшого числа вариантов, но они проходят предварительную проверку с учетом анализа различных позиций на доске.

Критериями для оценки вариантов служит выигрыш, материальный перевес, более высокая цена дамки по сравнению с простой шашкой и т. д. Правда, такой частичный анализ не ведет к наилучшему варианту игры. Но опыт показывает, что машина может играть вполне успешно, выбирая из нескольких возможных ходов тот, что при любом ответе ведет к изменению общей ситуации в ее пользу.

Что, например, лучше — сделать ход по направлению к дамке или создать угрозу для шашки противника? В процессе самообучения машина сравнит и взвесит различные методы оценки игровых ситуаций. Именно опыт позволит ей скомплектовать библиотеку стандартных позиций с их оценками и возможными продолжениями.

Так в машине возникнет «модель жадности», диктующая преследовать наибольшую выгоду; «модель бережливости», которая предписывает не идти на размен или жертву, если у противника больше

шашек; «модель скромности» — она советует не переоценивать свои шансы и считаться с противником, рассматривая его возможные ходы с тех же позиций, что и свои; «модель интуиции», заставляющая иногда выбирать ходы, которые хоть и не дают материального перевеса, но затрудняют подвижность фигур противника. Естественно, с каждой новой партией ЭВМ будет играть все лучше...

Итак, машина способна накапливать опыт двумя путями: самообучением и обучением с наставником. Взвешивание самих методов оценок — это движение по первому пути.

Про обучение с учителем мы рассказали в разделе «Радио обедает за столом». Там ЭВМ получала набор предложений с указаниями программиста, какие из фраз осмысленные, а какие — нет. Составляя новое предложение, машина обращалась к программисту с вопросом, правильно ли оно сформулировано.

Человек-наставник особенно полезен для ЭВМ, управляющих сложными технологическими операциями, когда сам процесс управления не описан математически. Сначала свою работу демонстрирует диспетчер. Обучение идет по принципу: «Делай, как я». Именно так действует малыш, подражающий взрослым.

Но когда речь идет об установлении закономерностей природы, лучше прибегать к самообучению.

Одна из самых каверзных для геофизиков проблем — точное определение глубин залегания нефтеносных пластов, уяснение тонких различий между ними и пластами водоносными. Не предпримешь предосторожностей при бурении, не подготовишься своевременно к приему нефти — и черный фонтан ударит внезапно, поломает оборудование, вызовет пожар. До сих пор даже самые опытные специалисты не застрахованы от ошибок. А машина? Она должна пойти по пути анализа человеческих суждений, найти в них ошибки и выяснить признаки, которых люди не заметили или не умеют оценивать по достоинству.

Для обучения постарались как можно полнее описать 45 нефтеносных и 45 водоносных пластов. Всего набралось около 100 тыс. признаков. Сначала машина проанализировала их, выбрала 100 наиболее существенных. Затем ей устроили экзамен на распознавание 180 неизвестных ей пластов. Она не знала, что опытнейшие геофизики на том же материале допустили 17 ошибок.

Машина сделала только три. А ведь ей не преподавали институтский курс геофизики, она училась на тех примерах, которые ей дали люди. При этом ЭВМ обнаружила закономерности, ускользнувшие от их внимания и научила своих учителей, как в будущем избежать таких же ошибок.

Чтобы вычислительная машина могла еще больше развернуть свои способности, вплоть до умения открывать новые законы, ее нужно снабдить различными измерительными приборами и исполнительными устройствами. Тогда ее учителем станет сама природа.

Как видим, возможности и перспективы открываются почти фантастические. И они в ваших руках, молодые математики, кибернетики, физики. Вам, молодым, вести армаду электронных машин к новым вершинам научно-технического прогресса. С этой задачей вы должны справиться.