Ричард Маслэнд

как и большинство ученых, я считаю, что мозг — это компьютер.

Современные нейронные сети могут принимать любой ввод, выраженный в понятной компьютеру форме: изображения (двумерные матрицы пикселей), объемные объекты (трехмерные матрицы пикселей, называемых вокселями), звуки (последовательности волн давления, оцифрованные надлежащим образом) и даже малограмотную болтовню в социальных сетях.

Терри Сейновски — выдающаяся и необычная личность. Научную деятельность он начал на знаменитом факультете физики в Принстонском университете, где опубликовал серию теоретико-математических работ о поведении нейронов в головном мозге. После чего неожиданно поступил в аспирантуру на кафедру Стивена Куффлера в Гарварде.

Это был серьезный поворот в научной карьере Терри. Вечный экспериментатор, Куффлер предпочитал изучать нервную систему, в буквальном смысле слова закатав рукава, и не очень любил теоретизировать. Тем не менее из орды соискателей докторской степени он почему-то выбрал Сейновски.

Возможно, Куффлер увидел в нем те же качества, ту же сущностную простоту, которая была присуща ему самому. Сейновски относится к разряду людей, которых сейчас принято называть убергиком (uber-geek, где geek — это фанат, а немецкое слово uber означает «сверх» или «супер»). Он влюблен в свою науку и, кажется, занимается ею днями и ночами напролет. Терри интересует буквально все, он мыслит сразу во всех масштабах, всегда ищет новый угол зрения, скрытый пробел, новаторский путь. Он белая ворона в лучшем смысле этого слова — в науке и в жизни.

И наконец она заговорила почти на идеальном английском — правильно произнося не только выученные слова, но и любой текст. Самое поразительное, что нейросеть научилась этому, не зная никаких правил английского произношения, только посредством обучения на множестве примеров.

Говорящая нейронная сеть поразила не только меня. Сейновски стремительно взлетел на олимп научной славы (и остается там до сих пор). Он стал частым гостем на национальных телеканалах, а метод обратного распространения превратился в стандартный инструмент обучения нейросетей. Вскоре Терри перебрался из Университета Хопкинса в замечательный Институт биологических исследований Солка на побережье Южной Калифорнии, где работает по сей день.

Он по-прежнему носит темные костюмы и ездит на большом черном лимузине немецкого производства. В свои 70 с лишком лет он по-прежнему смеется громким кудахчущим смехом и, несмотря на многочисленные регалии и связанные с этим формальности, остается все тем же убергиком с неискоренимым налетом юношеского задора. Он любит хвастаться своими успехами в работе, но тут нет и тени самолюбования: Терри — скромный человек, который искренне увлечен наукой. Хотя налицо все предпосылки для черной профессиональной зависти, я не знаю никого, кто бы ни обожал Терри Сейновски.

капчи наглядно показывают пределы способностей современных компьютеров (конечно, компьютеры АНБ наверняка могут идентифицировать большинство капчей, но для обычных любительских ботов, пытающихся прорваться на обычные сайты, они не по зубам).

Задача алгоритма распознавания лиц состоит из двух основных шагов: сначала определить наличие лица, а затем установить, кому оно принадлежит. Первая задача называется обнаружением лица, вторая — идентификацией.

одинаковый ключевой принцип — сети нейронов, связанные модифицируемыми синапсами Хебба.

Благодаря особым свойствам нашего зрительного анализатора мы не замечаем различий в освещенности, чего нельзя сказать о цифровой камере в смартфоне или компьютере. Их педантичный цифровой анализатор воспринимает один и тот же по-разному освещенный объект как два разных объекта. Следовательно, первая операция по нормализации — «выравнивание» яркости. Компьютер вычисляет среднюю яркость всего изображения (иногда используя для этого мудреные средне-подобные величины) и затем корректирует яркость различных участков изображения так, как если бы вся сцена была равномерно освещена одинаковым источником света. Во-вторых, в большинстве случаев выполняется выделение краев, потому что, как мы уже не раз говорили, именно края несут основную информацию об объектах.

обучаемые синапсы играют ключевую роль в основанных на нейронных сетях зрительных системах на всех этапах процесса восприятия — от сетчатки (входного слоя) до высших уровней, где происходит распознавание объектов. Но сразу предупреждаю и подробнее объясню это в главе 13 (внимание, спойлер!): распознавание объектов в биологической зрительной системе происходит вовсе не так, как это делает вышеописанный алгоритм MATLAB. С точки зрения живого мозга это слишком глупый способ. Перцептронам нужен учитель, который будет контролировать их обучение, сообщая им: «Это Билл» и «Это не Билл». Живой мозг способен учиться без внешнего учителя (отдельная важная тема, о которой мы также поговорим подробнее).