Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный университет имени М.В.Ломоносова»
advertisement
Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный университет имени М.В.Ломоносова» Философский факультет на правах рукописи САВЕЛЬЕВ Александр Викторович ФИЛОСОФСКО-МЕТОДОЛОГИЧЕСКИЕ ОСНОВАНИЯ НЕЙРОКОМПЬЮТИНГА Специальность 09.00.08 – философия науки и техники ДИССЕРТАЦИЯ на соискание ученой степени кандидата философских наук Научный руководитель доктор философских наук, профессор В.Г. Кузнецов Москва 2016 1 Философско-методологические основания нейрокомпьютинга Введение….………………………………………………………………………….... 3 Глава 1. История и современное состояние нейрокомпьютерных исследований......................................................................................................................................................................... 18 § 1.1. § 1.2. § 1.3 История и современное состояние нейрокомпьютерных исследований с точки зрения решаемых инженерных задач как основание для классификации направлений нейрокомпьютерных исследований …...........………………………......................................… 18 История и современное состояние нейрокомпьютерных исследований с точки зрения воспроизводства решаемых инженерных задач, нейрокомпьютинг в контексте комплекса критических технологий приоритетных направлений науки и техники Российской Федерации. …........................................................ 27 Сравнительный анализ методологий искусственного интеллекта и нейрокомпьютинга................................................................................... 41 Выводы по главе 1……………………………………........................ 54 Глава 2. Концептуальные основания моделирования нейрокомпьютинге........................................................................................ § 2.1. § 2.2. в 57 Нейросетевая парадигма нейрокомпьютинга........................................ 57 2.1.1. Природа сетевого принципа, нейрокомпьютинг как единство дифференциации и интеграции.............................................................. 58 2.1.2. Нейрон как гиперсеть, расширение функциональности элементов сетей........................................................................................ 66 2.1.3. Онто-эпистемологические аспекты гиперсложности в нейрокомпьютинге................................................................................... 73 Теория моделирования в нейрокомпьютинге, анализ систем отношений концепций нейрокомпьютинга и нейробиологии.............. 76 2.2.1. Дедуктивный анализ аналогий концепций нейрокомпьютинга и нейробиологии...................................................................................... 2.2.2. Индуктивный анализ аналогий концепций нейрокомпьютинга и нейробиологии....................................................................................... 2.2.3. Общие свойства концепций нейрокомпьютинга и нейрофизиологии....................................................................................... Выводы по главе 2..................................................................................... 79 86 88 89 2 Глава 3. Методологический анализ практических реализаций моделей нейрокомпьютинга.................................................................................. § 3.1. 92 Методологический анализ практической реализации аналогий между нейрофизиологическими и нейрокомпьютерными моделями.................................................................................................... 92 3.1.1. Концепция рефлекторной дуги И.П. Павлова ...…..…................. 93 3.1.2. Концепция функциональной системы П.К. Анохина.................. 96 3.1.3. Ассоциативность и моделирование эффектов высшей нервной деятельности по А.М. Иваницкому в нейрокомпьютерах .................... 101 Методологический анализ практической реализации нейросетевой парадигмы в нейрокомпьютинге............................................................. 105 3.2.1. Гиперсложность нейронов и нейросетей и гиперсетевая модель нейрона.......................................................................................... 107 3.2.2. Нейрокомпьютинг и суперконнекционистская парадигма.......... 119 3.2.3. Перспективы развития нейрокомпьютерной парадигмы............. 123 Выводы по главе 3……….............………..............…………………...... 129 Заключение…………………………………………………………………………...... 132 Приложение 1. Разработки нейрокомпьютинга ………………………….................. 135 Приложение 2. Список сокращений..................…………………………………....... 138 Список литературы………………………………………………………………......... 140 § 3.2. 3 Введение Актуальность темы исследования. Анализируя литературные источники, в том числе, философско-методологическую, специальную техническую литературу, научно-технические отчеты, а также средства информации по компьютерным сетям, можно утверждать, что на данном этапе значительную роль в дальнейшем развитии информатизации и компьютеризации начинает играть повышение интереса к нейромоделированию и применению нейроинформационных технологий, то есть реального использования для создания концепций и средств информационных технологий бионических принципов построения и функционирования физиологических мозговых механизмов живых систем. Информатизация общества является объективным и закономерным этапом всемирноисторического процесса, означает выход человечества на качественно новые рубежи развития производительных сил и является одним из важнейших критериев общественного прогресса, а также по некоторым мнениям знаменует переход цивилизации в качественно новое состояние информационного общества (Н.Л. Полякова) и вообще, освоение информационной формы движения материи (Ю.М. Горский, А.Д. Урсул). Наука об информации по темпам роста, широте производственно-практического применения, эффективности воздействия на культуру в целом заметно превосходит другие направления научно-технического прогресса, в силу чего и занимает особое место в научной, технической и социальной политике ведущих государств мира. Пересмотр в середине 80-х г.г. ряда концепций о движущих силах научного и общественного развития в целом, вызвали появление оценок воздействия информатики на общественный организм рядом ученых (Т.В. Адрианова, О.Е. Баксанский, В.В. Рейзема, А.И. Ракитов, В.И. Сифорова и др.) как «информационного взрыва», другими (В.А. Викторов, А.И. Михайлов, А.И. Черный, Р.С. Гиляревский, А.Д. Урсул, Э.П. Семенюк и др.) усматривается «информационный кризис», третьими, главным образом зарубежными (Б. Брукс, Р. Биэрд, Т. Бэрман, С. Нейл, Б. Нейнус, Т. Нода, М. Нимец, Дж. Росс, Ф. Фейл и др.) – как информационной революции. Среди специалистов США, Японии и др. индустриальных развитых стран (Дж. Андерла, Дж. Нейсбит, Дж. Вейценбаум, А. Данцин, Й. Масуда, Ч. Мидоу, Т. Нода, Ж.-Ж. Серван-Шрейбер, Э. Тоффлер, К. Штейнбух, В. Эттель и др.) возникла тенденция к абсолютизации в позитивном либо в негативном аспекте роли информации в обществе, науке, политике на основе концепций «информационной парадигмы», «информационного общества», «информационной цивилизации» и т.д., в которых превалирующий социальный приоритет отдается информационным технологиям. Учитывая объективно существующую тенденцию увеличения роста степени информатизации общества во всем мире (Э. Кастэльс, H. Kahh, W. 4 Brown, L. Martel), необходимо отметить чрезвычайную важность анализа и философскометодологического осмысления процессов, происходящих с самой информатизацией, оценки динамики ее развития в узловых поворотных точках, определяющих ее качественные изменения и переход на новый уровень. Несмотря на лавинообразный рост количества специальных частно-научных публикаций по темам нейрокомпьютеров (НК) и нейрокомпьютерных информационных технологий (НИТ), а также обширную разработку общих вопросов информатизации, в философской литературе практически отсутствуют какие-либо систематические исследования, касающиеся философскометодологического осмысления сущности, значения, роли и места моделирования нейрофизиологических процессов в информатизации общества, а также выяснения причин, его порождающих и влияние на социо-культурную жизнь общества и общую методологию познания. Кроме того, обстановка в области частных наук, касающихся применения принципов функционирования биосистем и, в частности, нейродинамических процессов, характеризуется двойственным положением. С одной стороны, частными нейронауками накоплен обширный материал о функционировании мозга и нервной системы на клеточном, органном, системном уровнях, проведены всесторонние исследования цитоархитектоники, морфологии и связей различных образований мозга – от клеточных и органелл до отделов мозга и функциональных систем с иннервацией целостного организма. Получен богатейший материал по выявлению механизмов поведения животных и человека как на внутреннем физиологическом уровне функциональных систем, так и на внешнем уровне психологических механизмов поведения. Достаточно высокая степень разработанности формальных аппаратов математики, кибернетики, теории информации и синергетики позволили показать возможность применения строгих методов к процессам, связанным с познавательной деятельностью человека и функционированием его сознания. Помимо всего этого, развитие технической сферы, а именно, достигнутый на сегодняшний день уровень технологий, а также общая концептуальная готовность к внедрению представлений о нейроинформатике, то есть в том виде, как она представляется на сегодняшний день, вплотную подвели науку и технику к использованию практических достижений наук о мозге и человеке в техносфере и создали предпосылки для перехода к этому. Однако, с другой стороны, при бурном росте интереса к нейронаукам и лавинообразном увеличении числа публикаций, посвященных вопросам, связанным с нейрокомпьютерами, можно наблюдать невостребованность полученных знаний о биообъектах и методологическую несостоятельность их применения. Таким образом, до сих пор продолжает ощущаться отсутствие связующего звена между знаниями о реальном объекте и их применением и трудность установления взаимно продуктивного диалога между ними. В 5 основном сейчас наблюдаются интенсивные попытки применения нейромоделирования для решения практических задач с ожиданием получения более эффективных результатов в отличие от известных подходов, которые близки к исчерпыванию в рамках существующей парадигмы. В то же время попытки эти являются в значительной мере стихийными, поскольку до сих пор основания нейромоделирования совершенно не разработаны и практически не обсуждались в философской литературе, а само нейромоделирование не получило достаточно четкой методологической базы. Это, прежде всего, ограничивает рамки научно-практических исследований в области нейрокомпьютерных технологий в результате чего в подавляющем большинстве случаев все сводится к применению известных методов построения технических систем на уровне их модификаций и терминологической игре (старые методы называются новыми терминами) без обещанных революционных изменений. Актуальность определяется: необходимостью осмысления с философских позиций новых явлений науки, что в отношении современных нейронаук, нейротехнологий и нейрокомпьютеризации еще не осуществлялось; возрастающим значением информатизации, необходимостью исследования происходящих с ней процессов; приближающейся ситуацией исчерпывания старых парадигм информатизации; пассивизацией философии, все в большей степени занимающей место объяснительной дисциплины на фоне бурного развития частных наук вглубь; разрывом между большим объемом накопленных нейрофизиологических данных и несостоятельностью применения их в техносфере, несмотря на многочисленные попытки; стихийностью этих нейромоделирования, попыток что не ввиду неразработанности позволяет осмыслить методологических возможности и оснований границы нейроинформационных технологий и отношение их к реальным биообъектам и поэтому прогнозировать получение результатов в обозримом будущем, а также определять наиболее оптимальные пути дальнейшего продвижения вперед. «Нейротехнологии по масштабу и неисчерпаемости сравнимы с ядерной энергетикой. Они перспективны применительно практически ко всем пунктам перечня критических технологий Российской Федерации (см. Указ Президента Российской Федерации от 07.07.2011 г. № 899. «Об утверждении приоритетных направлений развития науки, технологий и техники в Российской Федерации и перечня критических технологий Российской Федерации» 1) и могут служить для успешного развития науки и техники»2. Когнитивные технологии, важнейшую роль в которых играет нейрокомпьютинг, входят в четвёрку главных направлений НБИК-технологий (нано-био1 URL: http://www.kremlin.ru/acts/bank/33514 Степанян И.В. Предложения и замечания по развитию рынка «НейроНет» // Нейрокомпьютеры: разработка, применение. – 2016. – № 2. – С. 81-83. 2 6 инфо-когнотехнологии), а в последнее время дополнены социальными, то есть непосредственно сетевыми технологиями (НБИКС)3, составляющими главную суть нейрокомпьютинга. Кроме того, как комплекс междисциплинарных технологий, большое значение НК имеет и может иметь для улучшения здоровья населения за счёт многочисленных и разнообразных применений его как в диагностических, так и терапевтических средствах, методах и перспективных медицинских технологиях4. Степень разработанности проблемы На сегодняшний день вопросы, связанные с философскими аспектами информатизации общества считаются в достаточной степени изученными как в отечественной литературе, так и по зарубежным источникам. Философские вопросы искусственного интеллекта (ИИ) являются менее разработанными. Здесь необходимо отметить, что в последнее десятилетие значительную разработку получили вопросы, связанные с виртуальными реальностями (В. М. Розин, М. Ю. Опенков, И. Г. Корсунцев, Н. А. Носов, M. Krueger, S. Penny, Katsuri Hattori, F. Farmer, J. Beits и др.). В то же время с фактуальной стороны наблюдается лавинообразный рост количества специальных частно-научных публикаций по темам нейрокомпьютинга. Значительно интенсифицируются явные попытки применения нейромоделирования (НМ) для решения практических задач с ожиданием получения более эффективных результатов, в частности, глобальный переход на вычислительные системы с массовым параллелелизмом, в отличие от известных подходов, которые близки к исчерпыванию в рамках существующих парадигм. В настоящее время в мире НК занимаются более 300 фирм (в том числе, такие как IBM, Intel, Motorola, DEC, HP, Toshiba, Hitachi, Mitsubishi, Siemens, Synaptic и др.) и практически все университеты ( см. Приложение 1). Число публикаций по нейросетям по данным EBSCO host на октябрь 2004 г. составило 11921. Для сравнения, количество публикаций по искусственному интеллекту на октябрь 2004 г. (по данным EBSCO host) составило 7691. По данным EBSCO Medline (в области нейрофизиологии) число публикаций на октябрь 2004 г. составляет 5115 5. По данным только издательства Elsevier количество публикаций по нейросетям на июнь 2007 г. – 13831, на август 2012 г. уже — 221969. Для сравнения, такие же данные по искусственному интеллекту — на июнь 2007 г. — 10220, на август 2012 г. — 984156. Баксанский О.Е. Биотехнологии как стратегические цели NBICS-конвергенции // Биомедицинская радиоэлектроника. – 2015. – № 6. – С. 5­14. 4 Нейронаука и нейрокомпьютинг для медицины и психологии // Серия спецвыпусков журналов Нейрокомпьютеры: разработка, применение. – 2014-2016 и Биомедицинская радиоэлектроника. – 2014­2016. 5 URL: http://search.epnet.com 6 URL: http://www.sciencedirect.com 3 7 По данным Elsevier7 количество публикаций по методологии нейросетей значительно отстаёт от частно­научных публикаций и составляет на декабрь 2015 г — 2468 (neurocomputing methodologies), 53337 (neural networks methodology), 12218 (neural philosophy), 7866 (neural networks philosophy), 436 (neurocomputing philosophy) и 204(neurophilosophy). За последние несколько лет выпущено более 1800 монографий по НИТ, издаётся более 50 специализированных периодических изданий, проводится около 100 конференций и семинаров ежегодно. Объём рынка изделий в области нейронных сетей составил в конце 80-х гг. несколько десятков млн. долл., к концу 90-х гг. — около млрд. долл., к 1998 г. — 2 млрд. долл. и его последующий ежегодный прирост не менее 6%8, то есть к 2016 г., как минимум, должно произойти его удвоение, то есть 4 млрд. долл. По другим оценкам в 2010 г. он составил 3,1 млрд. долл., а в 2016 г. должен быть 7,2 млрд.9 Однако, несмотря на такие обширные объёмы исследований и соответствующего финансирования, предпринятое нами изучение проблемы показывает исключительно их частнонаучный характер. Более того, как показывается в наших публикациях степень специализированности существующих направлений работ в области НК и смежных с ними чрезвычайно высока. Это означает, во-первых, интенсивное развитие вглубь, то есть разработку и эксплуатацию очень небольшого ограниченного числа концепций, которые на сегодняшний день уже обладают низкой степенью новизны (формальный нейрон В.С. Мак-Каллока и В. Питса около 70-летней давности, дифференциальные модели А. Ходжкина – А. Хаксли того же времени; в вычислительном отношении – метод наименьших квадратов, численные методы И. Ньютона – Л. Эйлера 17-18 веков). Во-вторых, это практически полное отсутствие каких-либо систематических исследований высокого уровня общности, а именно, философско- методологического осмысления сущности, значения, роли и места феномена НК, НКтехнологий и НМ, а также выяснения причин, их порождающих и влияние на общую методологию познания. В результате этого основания НМ совершенно не разработаны и практически не обсуждались в философской литературе, а сами НМ и НК не получили скольконибудь четкой методологической базы. Обобщения в рамках информационно-вычислительных задач и нейросетей формальных нейронов, а также применения их в существующих социальных практиках предпринимались в 7 URL: http://elsevierscience.ru/ URL: http://www.computerworld.com.au/mediareleases/22864/global-neurostimulation-devices-market-to-grow-at/ 9 Seunga Venus Jin, Joe Phua The moderating effect of computer users’ autotelic need for touch on brand trust, perceived brand excitement, and brand placement awareness in haptic games and in-game advertising (IGA) // Computers in Human Behavior. — 2015. — V. 43. — February. — P. 58–67. URL: http://www.sciencedirect.com/science/article/pii/S0747563214005585 8 8 работах А.Ю. Алексеева (обобщения теста Тьюринга, исторические аспекты нейрокомпьютинга и использование забытых решений), школы факультета госуправления МГУ Ю.Ю. Петрунина (верификация результатов в нейрокомпьютинге), В.Д. Цыганкова (моральные аспекты нейрокомпьютинга и поведения роботов), Киевско-Донецкой школы Э.М. Куссуля (возможность мыслящих автоматов), научной школы нейрокомпьютинга МИФИ В.Г. Редько (от технических аниматов к пониманию эволюции), школы ИВНД РАН А.А. Фролова и школы МГУ А.Я. Каплана (проблемы нейроуправления нейроинтерфейса), динамическими школы системами), МФТИ А.И. Красноярской Галушкина школы (проблемы А.Н. Горбаня (вычислительные проблемы нейрокомпьютинга), СПб школы С.П. Романова (локализация сознания, нейрокомпьютерные аспекты), школы биофака МГУ Г.С. Воронкова (концептуальное решение парадоксов зрения нейрокомпьютерными методами), школы ИПУ и академии РВСН А.В. Чечкина (бионическое резервирование), школы В.Л. Дунина-Барковского, Центр оптиконейронных технологий НИИСИ РАН (задачи обратного конструирования мозга). Необходимо отметить, что некоторые исследователи в области нейробиологии (НБ) в решении вопросов достаточно высокого уровня общности вынуждены были выходить на философско-методологический уровень понимания проблем 10. Это относится к работам, начиная от И.М. Сеченова (кардинальное повышение уровня научности биологии), И.П. Павлова (от условных рефлексов до высших когнитивных функций — рефлекса цели и творчества), В.М. Бехтерева (нейроморфологическое обеспечение высших когнитивных и сверхкогнитивных функций), Н.А. Бернштейна (общие аспекты нейролокомоций), П. К. Анохина (теория функциональных систем) до работ А.М. Иваницкого (связь мозга и сознания), К.В. Судакова (системокванты поведения), Е.А. Умрюхина (интуитивное и бессознательное поведение — от концептуальных основ до детальных механизмов), К.В. Анохина (обобщение механизмов управления памятью, когнитом мозга), С.К. Судакова (возможности и ограничения переноса сознания между биоорганизмами), С.В. Медведева (постановка задач и подходы к расшифровке мозгового кода), Т.В. Черниговской (концепция объединяющей теории мозга), С.В. Савельева (нейроморфология и функциональная нейроморфология) и т.д.; зарубежным – от С. Рамон-и-Кахала (клеточное строение нервной ткани) до Дж. Экклза (деятельность нейрона), Дж. Николса, Э.Р. Кендэлла, Р. Пенроуза (физические подходы к изучению мозга) и др. Однако, являясь по своей сути частно-научными и, несомненно, представляя собой выдающиеся достижения на частно-научном нейробиологическом уровне, данные работы выводят на философский уровень только неявно. Это проявляется в двух видах – 10 Розин В.М. Расколдовывание и деконструкция понятия «объект» (методологический анализ) // Вопросы философии. – 2015. – №6. – С. 41-52. 9 концептуально-задающем виде (как классические работы И.М. Сеченова, И.П. Павлова, П.К.Анохина, А.А. Ухтомского, А.Б. Когана, А.М. Иваницкого, Е.Н. Соколова, С. Рамон-иКахала, К. Гольджи, Ч.С. Шеррингтона, Ф. Крика, Дж. Экклза, Д. Хьюбелла, Т. Визеля, Дж.Б. Уотсона), либо в виде выхода на нерешённые или нерешаемые с позиций данных работ вопросы. В результате нейробиологией накоплен обширный материал о функционировании мозга и нервной системы, но, однако, практически никак не принимаемый в технике, искусственном интеллекте, нейрокомпьютинге. В результате более 35-летней работы автора в области моделирования процессов, происходящих в нервной системе, на основании опыта, анализа существующих перспективных и собственных разработок и на основе достаточно глубокого изучения НК «изнутри» был определен ряд принципиальных трудностей, разрешить которые на сегодняшний день, несмотря на всю оптимистичность прогнозов, не удается. Автором предполагается, что причины этого коренятся не столько в сложности и грандиозности поставленных задач (хотя это и несомненно), сколько в слабости методологической базы. НК сам по себе на данном этапе начинает входить в стадию достаточно высокой степени разработанности, что и приводит его к выходу на проблемы, разрешить которые, внутренними средствами самого НК невозможно. Более того, возрастающая сложность решаемых задач также сама по себе может быть показателем истощения методологического обеспечения. Данная работа призвана, в том числе, устранить эти пробелы на основе междисциплинарных исследований с привлечением от классических до новейших философских методов и результатов и данных современных исследований нейронауки. Таким образом, в настоящее время существует практически и теоретически значимая проблема философско-методологического анализа и обоснования существующих и перспективных направлений развития нейрокомпьютинга. Объект исследования вычислительной – реализации философско-методологические нейрокомпьютерных основания исследований и технической сопутствующих биологических моделей нервной системы. Предмет исследования — Философско-методологические аспекты явления нейрокомпьютинга (НК) в его «сильном» и «слабом» понимании, теоретические методы концептуального анализа НК в эпистемологическом и методологическом планах и их практическое применение. Цель работы — уточнить понятие НК в связи с теоретическими и методологическими принципами его реализаций, проявляющихся в масштабных инженерных проектах 10 нейрокомпьютинга, оценить степень их методологической проработанности, разработать методологический аппарат такого анализа и перспективные концептуальные методологические установки. Основные решаемые задачи 1. Установить содержание «слабого» и «сильного» понятия НК, основной спектр задач, решаемых нейрокомпьютингом и основные современные направления развития нейрокомпьютерных исследований (НКИ). 2. Установить специфические концептуальные основания моделирования в нейрокомпьютинге. 3. Установить методологические ограничения существующих практических реализаций моделей НК и концептуальные возможности их преодоления. В ходе решения поставленных задач требуется решить также вспомогательные задачи: 1. Провести сравнительный анализ методологий искусственного интеллекта и нейрокомпьютинга. 2. Выявить возможную природу сетевого принципа как единство дифференциации и интеграции. 3. Проанализировать принцип и примеры гиперсетевой организации нейрона, показать возможность и необходимость расширения функциональности элементов искусственных нейросетей. 4. Провести теоретический и практический анализ систем отношений концепций нейрокомпьютинга и нейробиологии с иллюстрацией на примерах. 5. Наметить возможные перспективные направления развития НК. Методологические основы и теоретические источники исследования Методологическими и теоретическими основаниями работы выступают фундаментальные результаты и философско-методологические принципы, относящиеся к эпистемологии, деятельностному и системному подходам, теории моделирования, общенаучным концепциям эволюционизма и историзма. В работе использовались такие методологические установки и принципы, как: 1. системный и структурно-функциональный подходы (А.А. Богданов, Н.Н. Моисеев, Э.Г. Юдин, В.А. Геодакян, Л.фон Берталанфи, М. Месарович, Дж. Клир); 2. модельный подход (Уемов А.И., М. Вартофский, Д.А. Поспелов) 3. кибернетический подход (В.М. Глушков, Б.Н. Петров, А.И. Берг, Н. Винер); 11 4. принцип радикального конструктивизма (Э.фон Глазерсфельд, П. Вацлавек, У. Матурана, Ф.Варела, Х. фон Фёрстер). 5. принципы организации функциональных систем (П.К. Анохин) 6. принципы организации ассоциативных систем (А.М. Иваницкий) 7. методы аппроксимации, метод наименьших квадратов (К.Ф. Гаусс, И. Ньютон, Л. Эйлер, С. Кьеркегор, П.Л. Чебышёв); 8. теорема о представлении многомерной функции суперпозицией одномерных функций (А.Н. Колмогоров); В результате исследования были разработаны следующие методы, представленные в публикациях: 1. метод построения коммуникативности в единстве с тенденциями интегро- дифференциации; 2. метод аналогий сетевых структур в различных областях (семантические сети, коммуникативные, информационные, нейросетевых структур (НС-структур), концепций нейробиологии и т. д.); 3. метод гиперсетевого анализа; 4. метод аналогий с искусственным интеллектом; 5. метод обратной репрезентации; 6. метод расширения функциональности нейронов; 7. методологический подход к классификации и разграничению категорий НК и ИИ; Предлагаемые автором методы позволяют по-новому взглянуть на комплекс проблем нейрокомпьютинга в сильном смысле как сетевого принципа и соответствующей когнитивной стратегии. Научная новизна Решаемые в работе задачи позволили впервые использовать методы философии в исследовании причин методологических трудностей в реализации ожидаемых результатов от НК, а также показана возможность реальной работы парадигм философии в нейробиологии и нейрокомпьютинге. 1. На основе проведённого анализа истории нейрокомпьютинга было обосновано расширение понятия «нейрокомпьютинг» с учётом достижений современных нейронаук и новейших разработок и тенденций в информационных науках. Это позволило артикулировать задачи философско-методологического осмысления нейрокомпьютинга и некоторых актуальных направлений его теоретической разработки. 12 2. Сформулированы и разработаны новые принципы концептуального анализа философскометодологических проблем нейрокомпьютинга на техническом, концептуальном и эпистемологическом уровнях. Произведена разработка философско-методологических подходов к анализу проблем определения границ возможностей моделирования нервной системы с привлечением новейших нейробиологических данных. 3. Философское обобщение нейрокомпьютинга впервые представлено в широком смысле как ряд перспективных инженерных проектов, включающих нейросети (нейросетевой подход), моделирование мозга (нейромоделирование), бионические подходы. С помощью сформулированных принципов концептуального анализа проанализированы методологические проблемы этих инженерных проектов, предложены перспективные направления их решения. 4. В работе проанализирована связь методологических проблем нейрокомпьютинга с философскими проблемами искусственного интеллекта, определены пересечения предметных и задачных областей. Эти проблемы рассмотрены как на научно-техническом, так и на философско-методологическом уровнях. На основе этого показано, что при общей схожести мотиваций основания развития нейрокомпьютинга не совпадают с основаниями исследований в области ИИ, хотя и имеют общие эпистемологические корни. 5. На основе сравнительного анализа впервые определено направление терминологического сближения языков, а также важнейших базовых парадигм нейрокомпьютинга и нейронауки. В результате авторской разработки теории репрезентаций М. Вартофского и других современных направлений теории модельных отношений, были получены новые результаты, которые дали возможность критически и конструктивно рассмотреть некоторые инженерно-биологические проекты нейрокомпьютинга, их становление и выявить направление их дальнейшего совершенствования. Работа представляет междисциплинарное исследование философских проблем НК, расширяет проблематику нейронаук посредством разработки методологических и концептуальных оснований возможного развития НК. Результаты 1. На основе анализа истории и современного состояния нейрокомпьютерных исследований (НКИ) по критерию решаемых задач выделены «слабое» и «сильное» понятия НК и основные типы воспроизводимых НКИ. 2. Выделены основные принципы моделирования и практической реализации НК, позволяющие сформулировать источники функциональных и когнитивных ограничений нейрокомпьютинга. 13 3. Проведен сравнительный анализ классических примеров конкретной реализации общих свойств моделей НК и нейробиологии. Сформулированы методологические основания организации и реализации вычислений, перспективные в аспекте развития проблематики НК. Положения, выносимые на защиту На защиту выносятся результаты анализа направлений, проблем и методологии нейрокомпьютинга, а именно: 1. В сфере НК вычислений устойчиво выделяются два основных направления: а) теоретическое развитие нейросетей и их практическое применение для решения прикладных вычислительно-математических задач, труднорешаемых или нерешаемых обычной вычислительной техникой; б) воспроизведение биологических функций в технических устройствах (нейромоделирование и/или бионические проекты). При этом различение «слабого» и «сильного» понятия НК даёт возможность: а) выделить технические и философско-методологические проблемы этих направлений, б) показать, что НК обладает собственной спецификой, не редуцируемой к проблематике ИИ, несмотря на их тесную связь. 2. Анализ «сильного» понимания НК позволяет выделить следующие основные принципы его практической реализации: 1) коммуникативная структура организации, 2) гиперсетевая организация, 3) одновременное наличие тенденций к дифференциации и интеграции, 4) двунаправленность модельных репрезентаций, 5) расширение функциональности элементов. Это позволило показать ограниченность господствующей в настоящее время установки на технизацию языков описания биологических систем, приводящей к фактическому исключению из рассмотрения специфических биологических феноменов. 3. Выделенные методологические принципы ключевых инженерных проектов НК позволили сформулировать методологические основания организации и реализации вычислений, перспективные в аспекте развития проблематики НК. К ним относятся: расширение функциональности нейросетей за счет усложнения и индивидуализации их элементов; многоуровневая структуризация (гиперсложность) организации сетей; обобщение коннекционизма, расширение функциональности элементов сетей. С опорой на них проведен сравнительный анализ классических примеров конкретной реализации общих свойств моделей НК и нейробиологии (рефлекторная дуга И.П. Павлова — схема В. МакКаллока—В. Питтса, функциональная система П.К. Анохина — искусственная нейросеть Ф. Розенблатта и подходы к самоорганизации от И. Пригожина до Г. Эйгена, ассоцианизм — схема А.М. Иваницкого). 14 Теоретическая и практическая значимость Результаты исследования могут быть использованы для разработки методологических оснований парадигмы информатизации. Сформулированные положения позволяют уточнить и эксплицировать понятие НК, определить ограничения и перспективные новые направления проблемного поля НКИ. Анализ концептуально-методологической базы НБ и НК дает основания для развития методологии современных исследований, а выявление методологических ограничений в существующих подходах нейромоделирования позволяет наметить новые перспективные направления исследований в области НК и НБ. Ряд статей, опубликованных по материалам диссертационного исследования входит в перечень рекомендованной литературы для изучения при подготовке к сдаче кандидатского минимума по философии и истории науки, например в МГУЭСИ [54], Новосибирском институте философии и права [63]. Методологические положения, разработанные в диссертации, представляют интерес для конкретно-научных исследовательских программ в области философии нейроинформатики, и нейрокомпьютеров. Материалы диссертации могут быть использованы в учебных курсах для бакалавров, магистров, аспирантов, докторантов и курсах по повышению квалификации для специалистов как дополнение к стандартным курсам по нейроинформатике и нейрокомпьютерам, обновляющее их проблематику, для анализа и прогнозирования влияния феномена дальнейшего развития информатизации на различные аспекты жизни человека. Апробация работы Материалы были представлены и обсуждены на следующих конгрессах, симпозиумах, конференциях и семинарах: 1. Международная конференция по нейрокибернетике «Проблемы нейрокибернетики», Ростовна-Дону, 2005, 2009, 2013. 2. III-XIII Всероссийский семинар «Нейроинформатика и ее применения», Красноярск, ИВМ СО РАН, 2000, 2002, 2003, 2005, 2006, 2010, 2012, 2014. 3. I-VIII Международный конгресс «Биоэнергоинформатика», Барнаул-Алтай, 2001, 2003, 2004, 2005. 4. Международная конференция «К культуре мира – через диалог религий», Омск, 2000. 15 5. Международная конференция «Человек, Культура, цивилизация на рубеже II и III тысячелетий», Волгоград, 2000. 6. I-VIII Всероссийский семинар «Моделирование неравновесных систем», Красноярск, ИВМ СО РАН, 2001, 2002, 2004, 2005, 2007, 2010, 2011, 2012, 2014. 7. «Всесибирский конгресс женщин-математиков», ИВМ СО РАН, 2002, 2004, 2008. 8. Научная сессия МИФИ, II-VIII Всероссийская НТК «Нейроинформатика», Москва, МИФИ, 2000, 2001, 2002, 2005, 2006, 2007, 2010. 9. VI-VIII Всероссийская конференция «Нейрокомпьютеры и их применение», Москва, ИПУ: 2000-2003, МГППУ: 2011, 2012, 2013, 2014, 2015. 2014, 2015 – соруководитель секции «Нейрофилософия». 10. Интеллектуальные системы принятия решений и прикладные аспекты информационных технологий, Евпатория, 2005, 2006. 11. IV-XIV Международные Конгрессы «Биоэнергоинформатика» (БЭИТ), «Некомпьютерные информационные технологии», Алтай, Барнаул, АлтГУ, 2000-2005, 2009, 2010. 12. Международная конференция «Организация структур в открытых системах», Казахстан, Алматы, НИИ Ионосферы, 2002. 13. Международная конференция «Наука, образование, производство в решении экологических проблем», Уфа, УГАТУ, 2002, 2009. 14. I международная научно-практическая конференция «Наука, культура, оздоровление и становление личности», Вологда, 2009. 15. Международный научный форум «Охрана здоровья матери и ребенка», 2002, 2003, 2005, 2006, 2007, 2009. 16. I Всероссийская междисциплинарная конференция «Философия искусственного интеллекта», Москва, МИЭМ, ИФРАН, 2005. 17. Всероссийские конференции «Искусственный интеллект. Интеллектуальные системы. Интеллектуальные и многопроцессорные системы. Высокопроизводительные вычислительные системы», Донецк-Таганрог-Минск, 2006, 2007, 2009, 2010. 18. 2-10-й Международный междисциплинарный конгресс «Нейронаука для медицины и психологии», 2006, 2007, 2009, 2010, 2012, 2013, 2014, 2015, 2016, Крым, Судак, 2014, 2015, 2016 – руководитель секции «Нейрокибернетика», член Оргкомитета, 2016, 2015, 2016 — член Оргкомитета международного междисциплинарного симпозиума «Актуальные вопросы нейрофилософии». 16 19. 1-й Всероссийский научный форум «Инновационные технологии медицины XXI века», М.: «МЕДИ Экспо», 2005. 20. 1-й Международный Конгресс «Новые медицинские технологии», С.-Пб., 2001. 21. II и III Всероссйская междисциплинарная НТК: «Искусственный интеллект: Философия, методология, инновации». СПб, 2007, М.: МИРЭА. 2009. 22. IV Российский философский конгресс. Москва, МГУ. 2005. 23. V Российский философский конгресс. Новосибирск. 2009. 24. VI Российский философский конгресс. Нижний Новгород. 2012. 25. Философские проблемы биологии и медицины: традиции и новации, М.: МГМСУ, 2009. 26. Юбилейный междисциплинарный симпозиум «150 лет «Рефлексам головного мозга» И.М. Сеченова» http://mnbics.org/sechenov/default.asp – сопредседатель Организационного комитета, 2013. 27. Международная научно-практическая конференция «Информационные технологии в образовании, науке и производстве», Серпухов, 2014. 28. 51-st International Phenomenology Congress: The Controversy About the Existence of the World: An Interdisciplinary Investigation, Rome, Italy, 2001. 29. 3rd International Conference on Early Psychosis, ICS A/S Copenhagen, 25-28th September, 2002. 30. 3rd-13th International Workshop on Computer Science and Information Technologies CSIT’2001, 2003, 2005, 2007, 2008, 2010. 31. 9th International Conference on Neural Information Processing (ICONIP), Singapore, 2002. 32. The XXI World Congress of Philosophy: Philosophy Facing World Problems, Istambul, 2003. 33. The XXII World Congress of Philosophy, Seoul, Korea, 2008. Соискатель являлся руководителем работ, соответствующих тематике диссертации, по грантам: РГНФ № 04-03-00066а «Философия нейрокомпьютеров и нейробиология»; РФФИ № 04-06-80460 «Фундаментальные вопросы философско-методологических аспектов нейрокомпьютеров и нейромоделирования»; РФФИ № 07-06-11003-ано, «Фундаментальные философско-методологические проблемы моделирования мозга и нейроинформационных технологий»; РФФИ № 08-061102-ано «Философия искусственного интеллекта в концепциях нейронаук». Соискатель являлся исполнителем работ, соответствующих тематике диссертации, по грантам: РГНФ № 15­06­14043г «Организация XI международного междисциплинарного конгресса «Нейронаука для медицины и психологии», 2015; РФФИ № 15­06­20385г 17 «Организация международного междисциплинарного симпозиума «Актуальные вопросы нейрофилософии», 2015. Круг обозначенных проблем и поле возможных новых направлений междисциплинарных исследований отображены в спецвыпусках «Научные достижения» «Нейрокомпьютеры и общество» и «Нейронаука в медицине и психологии» международного междисциплинарного журнала «Нейрокомпьютеры: разработка, применение», а также в спецвыпусках «Нейронаука в медицине и психологии» международного журнала «Биомедицинская радиоэлектроника». Соискатель также совместно с ИФРАН, НСМИИ РАН, Институтом нормальной физиологии РАМН им П.К. Анохина, Институтом высшей нервной деятельности и нейрофизиологии РАН, Консерваторией им. П.И. Чайковского и Институтом машиноведения им. А.А. Благонравова РАН регулярно проводит и является сопредседателем или членом организационных комитетов конференций, конгрессов и симпозиумов, как российского, так и международного уровней – «ЭЛЕКТРОННАЯ КУЛЬТУРА: интеллектуальные инновационные технологии в социокультурной сфере» Всероссийская междисциплинарная конференция, РФ, 27 мая 2011 г. 28 мая 2012 г. «Социокультурные симпозиум «150 http://www.ec-ai.ru/default.asp?p0=26&p1=16 приложения лет нейрокомпьютинга»; «Рефлексам головного - соруководитель Юбилейный мозга» секции междисциплинарный И.М. Сеченова» http://mnbics.org/sechenov/default.asp – сопредседатель Организационного комитета, 2013; НКП (нейрокомпьютеры и их применение, Москва, http://it.mgppu.ru/confnc2014/), где в 2014 году создана специальная секция «Нейрофилософия», сопредседателем которой в 2014-2015 гг. являлся соискатель; ежегодный Международный конгресс «Нейронаука для медицины и психологии» (г. Судак, Украина, http://brainres.ru/) — член оргкомитета, руководитель секции «Нейрокибернетика»; междисциплинарного круглого стола «Может ли компьютер читать?», проведённый 25 июня 2014 г. в ИФРАНе и посвящённого 450-летию отечественному книгопечетанию; постоянных семинаров Научного совета по методологии искусственного интеллекта НСМИИ РАН (http://www.scm.aintell.info/default.asp?p0=209), Международной конференции «Музыка-Математика-Естествознание», проведимой в Консерватории им. П.И. Чайковского с 7-9 апреля 2014 г. раз в 2 года (http://www.mosconsv.ru/ru/event_p.aspx?id=134577), постоянного семинара «Нейрофилософия», проводимого 1-2 раза в месяц с октября 2014 по настоящее время на базе кафедры Философии и методологии науки Философского факультета МГУ им. М.В. Ломоносова под руководством проф. В.Г. Кузнецова, где соискатель является научным координатором и др. 18 Глава 1. История и современное состояние нейрокомпьютерных исследований Целью главы является определение и исследование феномена нейрокомпьютинга (НК), его ретроспективный обзор и современное состояние, формулирование задач исследования НК как сущностного и понятийного явления. В главе проведена классификация задач и анализ основных существующих проблем как методологического так и технического характера, определение основных парадигм и концепций. Произведена оценка возможности и необходимость расширения взаимоотношений НК с философией, определены направления исследований, и роли философии в НК и обратно. Также ставилась цель исследовать связи с технической реальностью, информатизацией, а именно, с искусственным интеллектом. Показана неоднозначность и большая значимость явления НК, в том числе, в свете современного перечня критических технологий, в связи с чем обосновывается отдельное специальное изучение методологии НК с философских позиций. § 1.1. История и современное состояние нейрокомпьютерных исследований с точки зрения решаемых типичных задач как основание для классификации направлений нейрокомпьютерных исследований В параграфе рассмотрены вопросы, связанные с историей возникновения, основными направлениями и этапами развития нейрокомпьютинга и его концепций в традиционном понимании, определяются характериологические признаки и производится оценка креативности НК, анализируются отношения и диалектика связей с информатизацией общества и технической реальностью. Приведён аналитический обзор существующих направлений НК, проведена их классификация. В отличие от традиционных подходов большое внимание уделено выявлению и структурированию направлений отечественного НК. Сформулированы основные проблемы НК к которым относятся: на техническом плане — алгоритмичность, отсутствие возможности к самогенерации алгоритмов; задачность компьютеров, от которой не удается избавиться нейрокомпьютерам в их существующем понимании, то есть необходимость формализованной 19 постановки задачи; несовершенство обучения и распознавания, их алгоритмичность – недостатки дискретизации (трудность работы с изображениями, приближённость вычислений); низкая гибкость, пластичность и вариативность решений; отсутствие возможности самовоспроизведения структуры и функций; на философско-методологическом плане: отсутствие критериев сходства с биообъектом; не исследованы возможности воспроизведения тех же функций в рамках другой структуры (степень изоморфности структуры – проблема субстанциональности); нехватка естественности в возможностях развития (ограничения, вносимые используемой методологией жестких схем, программ или задач); вычислимость (сведение всех информационных операций к вычислительным процедурам); не исследованы отношения с нейробиологией в онтологическом, эпистемологическом и терминологическом планах; не исследована каузальность феномена НК, его связь с модификацией личностного и общественного сознания и обратные зависимости; отсутствие каких-либо прогнозов воздействия НК на общество и общественную практику; не исследовано семантическое содержание НК как явления общественной жизни и как показатель стадии процесса ее развития; отсутствие оценок влияния нейроинформатизации и причин ее порождающих на другие науки. Исследования в области нейрофизиологии, обозначившие себя великими концептуальными прорывами на рубеже ХIX и XX веков, и успехи вычислительных наук и техники, испытавших бурный подъём в послевоенные годы, стимулировали поиски новых парадигм исследования интеллекта и применения его специфических свойств в искусственных творениях. Таким образом, возник нейрокомпьютинг (НК) и стремление к созданию нейрокомпьютеров, которые со времени появления в 1832 г. в виде машины С.Н. Корсакова 11 (за 110 лет до широко продвигаемых в интернете МакКаллока и Питса и за 130 лет до рекламируемого перцептрона Розенблатта), испытали две существенные волны подъёма в 1980е гг. прошлого века и на рубеже XX и XXI веков. Возникновение в 1940-х г.г. ХХ в. информационной техники, положившей начало реальному воплощению концепции информатизации общества, и, вполне возможно, переход его благодаря этому в качественно другую плоскость существования, сразу же породило прямую тенденцию к имитации процедур, совершаемых человеком при решении задач, что получило воплощение в проблеме искусственного интеллекта. В данный момент наблюдается новая волна повышения интереса к нейронаукам о мозге со стороны информатизации и соответствующих социо-технических 11 Алексеев А.Ю. Протонейрокомпьютер Корсакова // Нейрокомпьютеры: разработка, применение. – М.: Радиотехника. – 2013. – № 7. – С. 6-17. 20 дисциплин, её поддерживающих12. Речь идет о нейротехнологиях, явных и неявных попытках воплощения их в техно-информационных методологиях, результатах и продуктах исследования принципов работы мозга человека, а также всё большую антропоподобность результатов деятельности в области информатики, постепенно претендующих на общее направление развития информатики в дальнейшем13. Появление термина «нейрокомпьютер» в силу, видимо, глобального доминирования торговли в нашем сегодняшнем мире, западные источники обычно связывают с разработкой Г.Стиксом в конце 1980-х г.г. электронных считывателей чеков, а также с появлением в открытой печати в начале 1990-х г.г. сообщения о разработке японскими компаниями модели специализированного нейрокомпьютера, работающего в рекламном смысле по аналогии с механизмами переработки информации мозгом биообъекта. В начале 1990 г. К. Мидом и Ф. Фаггиным был разработан аппарат, включающий в себя светочувствительный прибор нового типа и электронную схему, выполняющую некоторые функции, напоминающие функции сетчатки глаза и участка зрительной коры 14. В 1992 г. был выпущен кристалл I-1000, производимый компанией Sinaptics, основанной К. Мидом и Ф. Фаггиным. Очень приблизительно с этого времени в литературе наблюдается интенсивное использование терминов «нейрокомпьютеры», «нейротехнологии», «нейроинформатика» и «нейроинформатизация». Хотя термин «нейрокомпьютер» употреблялся и ранее, в частности, Е.Н. Соколовым (1989 г.)15 или был введён А.В. Савельевым на 8-й конференции по нейрокибернетике (Ростов-на-Дону) в 1983 г.16 Глубокие теоретические и практические разработки в этом плане проводились прежде в нашей стране, явившиеся приоритетными на мировом уровне во многих направлениях. Например, это воплотилось в уникальных разработках первых в мире серийных нейрокомпьютеров типа «ЭМБРИОН», которые осуществлялись с 1960­х гг. прошлого века до настоящего времени и уже нашли многочисленные, хотя и не афишируемые и не рекламируемые применения в изделиях авиационной, ракетно­космической, радиотехнической и оборонной промышленности. На сегодняшний день до сих пор всё ещё существует более 10 их версий для 12 Галушкин А.И. Нейрокомпьютеры в Китае, в 2-х т. – М.: ИПРЖР 2004; Галушкин А.И. О перспективах разработок и применения нейрокомпьютеров // В сб. докладов VIII Всероссийской НТК «Нейрокомпьютеры и их применение2002». М.: ИПРЖР, 2002; Chudler E.H., Bergsman K.C. Brains–Computers–Machines: Neural Engineering in Science Classrooms //CBE-Life Sciences Education. – 2016. – Т. 15. – №. 1. – С. fe1. 13 Rueckert U. Brain-Inspired Architectures Brain-Inspired Architectures for Nanoelectronics // CHIPS 2020 V. 2. – Springer International Publishing, 2016. – С. 249-274. 14 Mahowald M., Douglas R. A Silicon Neuron // Nature. – 19/26 Dec. 1991. – V. 354. – № 6354. – P. 515-518.; Стикс Г. Электронные считыватели чеков // В мире науки. – 1992. – № 9-10. – С. 134-135. 15 Соколов Е.Н., Вайткявичюс Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютерам. – М.: Наука, 1989. – С. 51-52. – 237 с. 16 Савельев А.В. и др. Об одном подходе к созданию кибернетической теории мозга // Докл. на 8-й международной конф. по нейрокибернетике. – Ростов-на-Дону, 1983. – Программа. – С. 10. 21 конкретных приложений, а также несколько моделей беспилотных транспортных роботов серии «КРАБ». Были не только разработаны алгоритмы управления в реальном времени автономным непрограммируемым роботом, но и освоена недорогая серийная технология изготовления мощных нейронных сетей в виде нейрочипов (Цыганков В.Д.: «Виртуальный нейрокомпьютер «Эмбрион» — это модель мозга человека реализующая теорию функциональных систем П.К. Анохина, возбуждение квазинейронов в нём создаёт виртуальное квантовое когерентное волновое поле. Нейрокомпьютер «Эмбрион» представляет собой некоторую разновидность квантовой макросистемы или квантово-механической системы, то есть квантовый когерентный нейрокомпьютер»17 ). Также известны нейрочипы, разрабатываемые школой с 1970-х гг. А.И. Галушкина, используемые в управлении полностью автоматическими вертолётами, вертолётами-роботами; нейристорные интегральные микросхемы 1970-80 гг. Ульяновского политехнического университета, моделирующие активное распространение спайка по аксону и связанные с этим вычисления; глубокие теоретические разработки А.А. Зенкина с начала 1980-х гг. о визуализации доказательства теорем и нейрочипов, построенные на их основе. Мощнейшая нейрокибернетическая Киевская школа под руководством академика В.М. Глушкова и знаменитого кардиохируга и нейрокибернетика профессора Н.М. Амосова в 1950-80-х гг. прошлого века создали огромный теоретико-практический задел по нейрокомпьютерным мультиагентным системам и автономным «мыслящим» роботам (М-автоматы). Впервые в мире в СССР был создан по постановлению Совета Министров РСФСР №224 от 20 апреля 1971 г. и таковым остаётся вплоть до настоящего времени академический Институт Нейрокибернетики им. А.Б. Когана ЮФУ в г. Ростове-на-Дону. В нём были развёрнуты масштабные исследования от разработки концептуально задающих направлений (например, теория нейронных ансамблей А.Б. Когана) и их практического воплощения в нейрофизиологических исследований до бионических приложений. В том числе, автор имел честь в 1985-87 гг. эпизодически работать на его базе для получения уникальных экспериментальных данных. Известны опытные образцы многопроцессорных формально нейроподобных перестраиваемых структур, разрабатываемые в Таганрогском университете и специализированные матричные оптические процессоры на цифровых чипах, разработанные в МИЭТе, однако, с термином «нейрокомпьютер» они формально напрямую не связывались, но воплощали гораздо более богатую нейрокомпьютерную функциональность, чем примитивные модели МакКаллока — Питса и перцептрона Розенблатта. 17 Цыганков В.Д. Нейрокомпьютер и его применение. – М.: СолСистем, 1993. – 117 с. 22 Также к передовым отечественным работам необходимо отнести реверберационный нейропроцессор А.В. Савельева (реализован впервые в виде опытного образца управляющего нейроконтроллера, подготовленного к серийному производству, в 1978 г. для управления в реальном времени системой «самолёт — двигатель», идеи которого были использованы в системе управления двигателем ракеты «Гранит» (П-700), а также 35 патентов с приоритетом 1985-89гг.18). Указанный нейропроцессор использовал запатентованные автором мультипараллельные обратные связи, также запатентованную автором в 1980-х гг. прошлого века и получившую мировое распространение только в этом веке методологию воспроизведения антиципаторного проведения. Также можно упомянуть разработанный А.В. Савельевым реально работающий от ЭЭГ и выставлявшийся на многих выставках во Дворцах пионеров с 1973 г., «детский» безнастроечный цифровой нейроинтерфейс для управления движущейся моделью танка КВ-119. Практически вся база современных исследований интерфейса «мозг — компьютер» в значительно более широком диапазоне, относительно современного обращения к этому, фактически, была открыта И.М. Сеченовым и И.П. Павловым в конце позапрошлого века, в современном виде — заложена в работах ИЭМ АМН СССР, НИИ НФ им. П.К. Анохина, а также в работах группы И.М. Гельфанда, М.Л. Цетлина и В.С. Гурфинкеля, А.Е. Кобринского в 1950-х — 70-х гг. (ИППИ, знаменитая лаборатория № 9). Источниками сигналов управления были биопотенциалы скелетных мышц, потенциалы сердечной мышцы и электрической активности головного мозга. В книге приоритет советских 20 исследователей на значительном фактическом материале показан как в теоретических разработках вопросов биоэлектрического управления, так и в их практической реализации. В лаборатории № 9 ИППИ работали люди, которые в настоящее время стали ключевыми фигурами мировой физиологии движения человека и животных: S. Grillner, М. Латаш, Shigemy Mori, K. Mouritz, F. Hlavacka. Технология и практика биомеханических шагающих аппаратов (роботов) была разработана в 1950-60-х гг. В.С. Гурфинкелем, а в 1970-х гг. в значительно перекрывающем их современную востребованность масштабе — в трудах Д.Е. Охоцимского 21 (ИПМ АН СССР им. М.В. Келдыша). Считается, что теоретические работы за рубежом берут начало с работ В.С. Мак-Каллока и В.Х. Питса (1943 г.), предложивших описание формального нейрона, а также с перцептрона Ф. 22 18 Савельев А. В. Нейрокомпьютеры в изобретениях // Нейрокомпьютеры: разработка, применение. – 2004. – № 2-3. – С. 33-49. 19 Савельев А. В. Цифровой нейроинтерфейс // Нейрокомпьютеры: разработка, применение. – 2015. №11. – С. 41-55. 20 Гурфинкель В.С., Малкин В.Б., Цетлин М.Л., Шнейдер А.Ю. Биоэлектрическое управление. – М.: Наука, 1972. – 246 с. 21 Охоцимский Д.Е., Платонов А.Н. Алгоритмы управления шагающим аппаратом, способным преодолевать препятствия // Известия АН СССР. Техническая кибернетика. – 1973. – № 5. 22 McCulloch W.S., Pitts W.H. Bull. Math. Biophysics. – 1943. – № 5. – P. 115-133. 23 Розенблатта и дифференциальных моделей Ходжкина – Хаксли . Модель формального нейрона 23 В.С. Мак-Каллока и В.Х. Питса, несмотря на отсутствие всяких ссылок, поразительно повторяет схему конвергентного условного рефлекса И.П. Павлова, предложенную им в конце ХIХ века. Отечественные школы заложили основы нейротехнологий во всём мире, причём, в сочетании с самоорганизацией — в 1925-35 гг. в лице П.К. Анохина и его дальнейших последователей, малая часть идей которых была «переоткрыта» 24 в 1950-х гг. в трудах Н. Винера, Л. Фон Берталанфи, а в дальнейшем, в 1980-х гг. в работах нобелевского лауреата, шведского учёного Игоря Пригожина. Фундаментальные исследования нейролокомоций Н.А. Бернштейна с 1926 г. составили основу теории и техники современных шагающих механизмов и роботов. Следует упомянуть открытие академиком Е.Н. Соколовым (МГУ им. М.В. Ломоносова) нейронов-детекторов в 1950-х гг. прошлого века и их алгоритмическую и программно-аппаратную реализацию им совместно со Л.А. Шмелёвым (ИПУ) в 1980-х гг. (узко специализированно «переоткрыты» более чем через 50 лет как зеркальные нейроны группой Дж. Ризолатти в 2004 г.). Также лаборатория МГУ под руководством проф. А.В. Напалкова предвосхитила логико-семантическое обеспечение современных нейросетей и многих систем искусственного интеллекта в 1970-80-х гг. прошлого века. С 1986 г. область нейроинформационных технологий вступила в стадию бурного роста, не прекращающегося интенсифицироваться до сих пор. Ежегодно проводится несколько десятков крупных международных научных форумов по нейронным сетям, в России — 4 постоянно действующие научные Всероссийские и международные конференции по нейроинформатике и нейрокомпьютерам – Нейрокомпьютеры и их применение (НКП) в МГППУ, Нейроинформатика – в МИФИ, Нейрокомпьютеры, их применение и обработка данных – в Красноярске и Проблемы нейрокибернетики в Ростове-на-Дону; постоянно действующий семинар «Нейрофилософия», проводимый 1-2 раза в месяц с октября 2014 на базе кафедры Философии и методологии науки Философского факультета МГУ им. М.В. Ломоносова под руководством проф. В.Г. Кузнецова и др. Число специализированных периодических изданий также исчисляется десятками, одни из первых появившихся: Neural Networks, Neurocomputers, Neural Networks Review, Neural Computation, Intelligence, Neuroscience, IEEE Transactions on Neural Networks, IEEE Transactions on Pattern Analysis&Mashine Intelligence, International Journal of Remote Sensing, Neuron, Neurocomputing и др.; в России — «Нейрокомпьютеры: разработка, применение» (издательство «Радиотехника», Москва). 23 24 Ходжкин А.Л. Нервный импульс. – М.: Мир, 1965. – 125 с. Грейг О. Русская наука. Украденные открытия. – М., Белые альвы, 2014. – 434 с. 24 В данный момент проводится моделирование нейроподобных структур на концептуальном уровне (т.н. экзистенциальное моделирование). Существующие реализации нейросетевых структур предполагаются либо в виде программных комплексов 25 для обычных компьютеров типа отечественного пакета «Нейроимитатор» и САПР «Neurox» компании «Интеллект» 26,27, нейроподобных программно-аппаратных систем автономного адаптивного управления А.А. Жданова28, либо в виде аппаратных разработок типа аналогового оптического процессора японской компании Hamamatsu photonic K.К., либо цифро-аналоговые или полностью цифровые аппаратные реализации. К ним можно отнести, например, 29 ( см. Приложение 1.). Другими направлениями можно считать создание генетических алгоритмов 30 с попытками включения эволюционных элементов онто- и филогенеза биосистем и подходы к разработке биокомпьютеров на белковых элементах 31 с обработкой информации на молекулярном уровне. Перспективными исследованиями, существующими пока, правда, на уровне гипотез, можно считать включение живой ткани в состав технической системы 32 и преобразование ее, таким образом, в биотехническую33, а также использование вычислений на уровне атомарной структуры вещества34. Это только верхний слой обозначенного феномена нейрокомпьютинга (НК) и рассматриваемого нами, в том числе, как и интернет — как эпистемологическую стратегию35. В движении НК своя философия, являющаяся как нами многократно показывалось в публикациях, трансформированным воплощением общефилософских проблем, выраженных, таким образом, в новой лингво-семантической среде. В связи с этим исследования в этом плане представляют значительный интерес как с точки зрения общих проблем и истин в новых конкретно-исторических условиях, так и с точки зрения симптоматичности данных явлений, характеризующих определённое состояние ноосферы, общества, культуры, личностной субъективности. Не менее интересно исследование нейрокомпьютинга и в методологическом 25 Свид. о регистрации программы для ЭВМ № 2002612035, заявка 2002611769. Нейросетевой алгоритм. Neural network algorithm. – 2002; Свид. о регистрации программы для ЭВМ № 2003610307. заявка 2002612174. Нейроускоритель. Neural Network accelerator. – 2003. 26 URL: http://neurocomp.ru/ 27 URL: http://neurox.intellect-labs.com/ 28 Жданов А.А. Автономный искусственный интеллект. – Москва: Бином. Лаб. знаний, 2008. – 359 с. 29 URL:http://www.module.ru; http://www.insys.ru 30 Петрунин Ю. Ю. Изучение методов интеллектуального анализа данных при подготовке управления // Вестник Московского университета, серия 21 Управление (государство и общество). – 2004. – №6. – С. 100-113. 31 Jeram S. Computation may hinge on biological materials // Informatica. – 1987. – №3. – P. 72-75. 32 Jenkner M., Müller B., Fromherz P. Interfacing a silicon chip to pairs of snail neurons connected by electrical synapses // Biol. Cybern. – 2001. – Apr. – V. 84 (4). – P. 239-249. 33 Aebersold M. J. et al. «Brains on a chip»: towards engineered neural networks // TrAC Trends in Analytical Chemistry. – 2016. 34 Иванов Е. М. Сознание и квантовые компьютеры // Философия науки. – 2000. – № 2(8). – С. 41-54. 35 Савельев А. В. Учение об эпистемологической стратегии // Философия науки. – 2004. – № 2(21). – С. 3-17. 25 плане, как попыток помочь разрешению тех задач, которые ставятся в прямом смысле, и оценок успешности этого. С учётом сказанного можно выделить ряд основных общих проблем нейрокомпьютеров как с технической стороны, так и в методологическом плане. К ним можно отнести нижеследующее. В техническом плане: 1. Алгоритмичность (то есть работа по заранее определённому алгоритму), отсутствие возможности к самогенерации алгоритмов; 2. задачность компьютеров, от которой не удается избавиться нейрокомпьютерам в их существующем понимании, то есть необходимость формализованной постановки задачи; 3. несовершенство обучения и распознавания, их алгоритмичность – недостатки дискретизации (трудность работы с изображениями, приближённость вычислений, высокая инерционность); 4. низкая гибкость, пластичность и вариативность решений; 5. отсутствие возможности самовоспроизведения структуры и функций. В философско-методологическом плане: 1. отсутствие критериев сходства с биообъектом; 2. не исследованы возможности воспроизведения тех же функций в рамках другой структуры (степень изоморфности структуры – проблема субстанциональности); 3. нехватка естественности в возможностях развития (ограничения, вносимые используемой методологией жестких схем, программ или задач); 4. вычислимость (сведение всех информационных операций к вычислительным процедурам); 5. не исследованы отношения с нейробиологией в онтологическом, эпистемологическом и терминологическом планах; 6. не исследована каузальность феномена нейрокомпьютинга и нейроинформатизации, их связь с модификацией личностного и общественного сознания и обратные зависимости; 7. отсутствие каких-либо прогнозов воздействия нейроинформатизации на общество и общественную практику; 8. не исследовано семантическое содержание нейроинформатизации как явления общественной жизни и как показатель стадии процесса ее развития; 9. отсутствие оценок влияния нейроинформатизации и причин ее порождающих на другие науки. 26 Глобальной тенденцией и одновременно парадигмой развития информатики со времени появления ЭВМ является неуклонное стремление к миниатюризации субстрата, а именно к непрерывному увеличению информационной плотности, осуществляемое в основном за счет соответствующей проработки технологий, то есть по большей части количественный характер динамики движения. Кажущиеся на первый взгляд скачкообразные моменты развития на самом деле не являются поворотными пунктами в качественном отношении и представляют собой воплощение преимущественно количественных переходов, совершающихся дискретным путем. В этом плане можно отметить внедрение новой элементной базы — переход от вакуумной техники к полупроводникам, затем к микросхемотехнике различной степени интеграции и, наконец, к микропроцессорам, что фактически в глобальном смысле определяет облик и области применения компьютеров вплоть до сегодняшнего дня. В частности, по сообщению лаборатории Bell de Lusent разработан новый интегральный MOS-транзистор, в 4 раза ỳже известных до настоящего времени, применение которого позволит повысить быстродействие существующих микропроцессоров в 5 раз и снизить их энергопотребление от 60 до 160 раз, что должно в течение ближайших 10 лет полностью заменить парк вычислительной и другой электронной аппаратуры. В функциональном смысле такое повышение информационноструктурной емкости отражается в увеличении быстродействия и увеличении объёмов обрабатываемой информации, что также является количественным, но не качественным показателем. Основной принцип построения архитектуры, предложенный Дж. фон Нейманом и логики, основанной на представлениях А. Тьюринга и Дж. Буля, остаются неизменными до настоящего времени36,37. Более или менее кардинальным изменением в области информатики, затрагивающим ее методологические основы явилась попытка создания многопроцессорных комплексов и распараллеливание вычислительных процессов, однако, подходы к этому, осуществляемые со стороны чистой информатики, ограничивались также рамками традиционной архитектуры фон Неймана. То же можно отнести и к машинам «пятого» поколения — экспертным системам (по терминологии, использованной в сообщении японского Комитета JIPDEC о программе создания ЭВМ пятого поколения), сводящихся, по сути дела, к эвристическому совершенствованию программного обеспечения. И по сей день глобальным направлением развития аппаратного обеспечения информационной техники остается совершенствование ее количественных характеристик, а основная нагрузка качественной модернизации приходится по-прежнему на 36 Энциклопедия кибернетики. – Киев: Гл. ред. УСЭ, 1975. – Т. 1. – С. 24-25. – Т. 2. – С. 444-446. Алексеев А.Ю. Комплексный тест Тьюринга: философско-методологические и социокультурные аспекты / А.Ю. Алексеев. – М. : ИИнтеЛЛ. – 2013. – 304 с. – Научная монография. 37 27 программное обеспечение, однако в рамках традиционной аппаратной архитектуры. Однако, не стоит забывать, что сам компьютер был создан как средство, воспроизводящее операции именно мыслительной деятельности. Следовательно, разделение на нейроинформатику и информатику не является столь очевидным. С другой стороны, феномен НК существует, более того, он имеет ярко выраженную креативность в общем контексте информатики, а в последнее время наблюдаются явные попытки его глобализации и значительные усилия, направленные на достижение фундаментальных результатов (увеличение специального финансирования, резкое возрастание числа публикаций, конференций, симпозиумов, появление принципиально новых программных продуктов и технических разработок). Все это говорит о необходимости специального исследования глубинных сущностных характеристик явления нейрокомпьютинга как в онтологическом, так и в гносеологическом аспектах, упорядочивание его категориальной системы и методологического анализа, а также верификации его оснований. § 1.2. История и современное состояние нейрокомпьютерных исследований с точки зрения воспроизводства решаемых типичных задач (нейрокомпьютинг в контексте комплекса критических технологий приоритетных направлений науки и техники Российской Федерации) В параграфе выделены типичные задачи нейрокомпьютинга и рассмотрена его значимость в свете соотнесения с перечнем критических технологий Российской Федерации. Отмечена большая роль НК для развития критических технологий и обеспечения прорывных условий прогресса. Для подготовки и осуществления следующего подъёма по всем направлениям необходимо переопределение и расширение понятия нейрокомпьютера. Проводится уточнение с философских позиций понятий нейрокомпьютинга как науки и методологии. Сформулированы базовые понятия «сильного» и «слабого» НК, определены сущность и проблемные поля. Слабое понимание НК — вычисления на основании методологии аппроксимации или классификации (кластеризации) данных в нейросетевом логическом базисе пороговых функций, как частный случай раздела прикладной математики, а именно нелинейной регрессии и/или применение метода наименьших квадратов в базисе пороговых функций. Сильное понимание НК — воспроизведение нейробиологических эффектов на технической, биологической, физико-химической, информационной или иной основе, их применение, в 28 частности, как инструмент оптимизации умственного труда, при решении практических задач в различных областях жизнедеятельности человека (медицина, космос, машиностроение и др.), а также для познания принципов работы нервной системы. На основе этого рассмотрено современное понимание НК и возможные его расширения. Разработана таблица сравнения свойств слабого и сильного НК, что позволяет более детально представить различия в определении понятий сильного и слабого НК и оценить значение такой классификации для общего понимания сущности явления НК как методологии. Это позволит более осознанно двигаться в сторону прогресса как самого НК, так и его прикладных областей, что является ценным для решения новых трудноразрешимых или неразрешимых обычными известными методами задач, а также для совершенствования концепций информационных технологий и познания законов функционирования нервной системы. Кроме этого, как вытекающее из предыдущего, рассмотрены вопросы соотношения НК и философии как в прямом, так и обратном смыслах. Здесь имеется ввиду применимость методов философии в качестве инструмента генерации концептуального аппарата нейрокомпьютинга, что многократно происходило в нейронауках. В обратном смысле рассмотрена возможность применимости идей нейрокомпьютинга в философии как осмысление новых направлений науки и обеспечение возможности развития философских выводов с использованием новейших данных постоянно изменяющейся реальности. В связи с этим рассмотрена роль философии нейрокомпьютерных исследований (НКИ) в связи с вопросами аксиоматики, как верификационные критерии научности НКИ, правомерности результатов и защиты от отрицательных сторон, связанных с прогрессом информационно-интеллектуальных технологий. Для дальнейших рассуждений, отражающих выраженый междисциплинарный характер исследуемой проблемы методологии нейрокомпьютинга приведем перечень критических технологий Российской Федерации (Указ Президента Российской Федерации от 07.07.2011 г. № 899. «Об утверждении приоритетных направлений развития науки, технологий и техники в Российской Федерации и перечня критических технологий Российской Федерации»). 1. Базовые и критические военные и промышленные технологии для создания перспективных видов вооружения, военной и специальной техники. 2. Базовые технологии силовой электротехники. 3. Биокаталитические, биосинтетические и биосенсорные технологии. 4. Биомедицинские и ветеринарные технологии. 5. Геномные, протеомные и постгеномные технологии. 29 6. Клеточные технологии. 7. Компьютерное моделирование наноматериалов, наноустройств и нанотехнологий. 8. Нано-, био-, информационные, когнитивные технологии. 9. Технологии атомной энергетики, ядерного топливного цикла, безопасного обращения с радиоактивными отходами и отработавшим ядерным топливом. 10. Технологии биоинженерии. 11. Технологии диагностики наноматериалов и наноустройств. 12. Технологии доступа к широкополосным мультимедийным услугам. 13. Технологии информационных, управляющих, навигационных систем. 14. Технологии наноустройств и микросистемной техники. 15. Технологии новых и возобновляемых источников энергии, включая водородную энергетику. 16. Технологии получения и обработки конструкционных наноматериалов. 17. Технологии получения и обработки функциональных наноматериалов. 18. Технологии и программное обеспечение распределенных и высокопроизводительных вычислительных систем. 19. Технологии мониторинга и прогнозирования состояния окружающей среды, предотвращения и ликвидации ее загрязнения. 20. Технологии поиска, разведки, разработки месторождений полезных ископаемых и их добычи. 21. Технологии предупреждения и ликвидации чрезвычайных ситуаций природного и техногенного характера. 22. Технологии снижения потерь от социально значимых заболеваний. 23. Технологии создания высокоскоростных транспортных средств и интеллектуальных систем управления новыми видами транспорта. 24. Технологии создания ракетно-космической и транспортной техники нового поколения. 25. Технологии создания электронной компонентной базы и энергоэффективных световых устройств. 30 26. Технологии создания энергосберегающих систем транспортировки, распределения и использования энергии. 27. Технологии энергоэффективного производства и преобразования энергии на органическом топливе. Также известно, какое большое значение одновременно придётся междисциплинарной конвергенции так называемых NBIC-технологий, то есть «сближению нанотехнологии, биотехнологии, информационной технологии и когнитивистики (Nanotechnology, Biotechnology, Information technology and Cognitivism). Сокращение CKTS относится к ключевой современной познавательной концепции (Convergence of Knowledge, Technology and Society) – сближению знаний и технологии за счет (и с пользой для) науки. Первая значительная конференция по NBIC-направлению была проведена в Арлингтоне в 2001 г.; затем были последующие NBICконференции в 2003 г. (Лос-Анджелес), в 2004 г. (Нью-Йорк) и в 2005 г. (Kona, HI)»38. Там же: «В 2013 г. было опубликовано аналитическое исследование, посвященное NBIC2конвергенции (означающей «выходящее за пределами NBIC-конвергенции») — Convergence of Knowledge, Technology and Society: Beyond Convergence of Nano-Bio-Info-Cognitive Technologies // Editors M.C. Roco, W.S. Bainbridge, B. Tonn, G. Whitesides. Dordrecht, Heidelberg, New York, London: Springer, 2013. Поскольку оно сосредоточено на обсуждении и рекомендациях в отношении того, как взаимопересечение может учитывать социальные перспективы, то сегодня наряду с аббревиатурой NBIC2 также принимают сокращение CKTS (Convergence of knowledge and technology for the benefit of society — конвергенции знаний, технологий и общества)»39. В русской транскрипции предпочитается обычно использовать сокращение НБИКС, то есть «нано-био-инфо-когно-социо-технологии». Отсюда видно, что не только когнитивные технологии, важнейшую роль в которых играет НК, входят в четвёрку главных направлений, но и в последнее время неизбежно дополнены социальными, то есть непосредственно сетевыми технологиями, составляющими главную суть НК. Пункты приведенного перечня критических технологий могут быть эффективно и качественно усилены с применением нейрокомпьютерной методологии 40. Работы в данном направлении в настоящее время активно развиваются у нас в стране и за рубежом (книги по НК и др.). В тоже время, до сих пор интерес к нейрокомпьютерам, даже в слабом его понимании как Баксанский О.Е. Биотехнологии как стратегические цели NBICS-конвергенции // Биомедицинская радиоэлектроника. – 2015. – № 6. – С. 5­14. Баксанский О.Е., Пилюгина М.А. Управление процессом познания: нейро­когнитивный подход // Нейрокомпьютеры: разработка, применение. – 2014. – № 8. С. 8­16. 39 Ibid. — C. 6. 40 Денисов Э.И., Пфаф В.Ф., Степанян И.В., Горохова С.Г. Сдвиг медико­биологической парадигмы: от гомеостаза к аллостазу // Нейрокомпьютеры: разработка, применение. – 2016. – №2. – С. 28­35. 38 31 вычислительной методологии достаточно велик, хотя и вошёл в фазу стабилизации. В сильном смысле как метод моделирования и как интерес к объектам биологической природы, их исследованию, применения бионических принципов в технике, принципа построения реальности — только продолжает фазу роста и всё большего расширения. Для подготовки и осуществления следующего подъёма по всем направлениям необходимо переопределение и расширение понятия нейрокомпьютера. Насколько большую роль играет определение и уточнение базовых терминов и аксиом, можно судить хотя бы по предельному случаю — названию общества, организованного в 1940-х гг. прошлого века известным математикоминтуиционистом Л.Э.Я. Брауэром: «Общество борьбы с фашизмом методом уточнения понятий». Известны традиционные определения, сводящиеся к следующему: «Нейрокомпьютер — устройство переработки информации на основе принципов работы естественных нейронных систем. Эти принципы были формализованы, что позволило говорить о теории искусственных нейронных сетей»41. «Искусственные нейронные сети (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети МакКаллока и Питтса. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.»42 Эти определения с небольшими вариациями кочуют от источника к источнику, как в интернете, так и на бумажных носителях. Однако, несмотря на то, что попытки В. Мак-Каллока и В. Питса, на самом деле, были далеко не первыми, включая более чем 100-летний период до них (см. исследования А.Ю. Алексеева, Д.В. Куликова, А.С. Михайлова 43 и др.), к сожалению, они стали почти, вот уже последние 70 лет, единственными попытками вычислительных реализаций искусственных нейросетей. Соответственно этому относительно первоначально заложенным парадигмам нейрокомпьютеров, аналогично искусственному интеллекту, со временем произошло сужение смысла и соответствующих понятий нейрокомпьютеров и нейрокомпьютинга, что позволяет 41 URL: http://enc-dic.com/word/n/Nerokompjuter-17005.html URL: http://ru.wikipedia.org/wiki/Искусственная_нейронная_сет ь 43 Михайлов А.С. Теоретико­множественная интерпретация работы интеллектуальных машин С.Н. Корсакова // Нейрокомпьютеры: разработка, применение. – 2013. – №8. – С. 65­73. 42 32 говорить о сильном и слабом нейрокомпьютинге, и процессы эти поразительным образом напоминают то же, что произошло с искусственным интеллектом 44. К слабому пониманию нейрокомпьютинга можно отнести, собственно, аппроксимацию численных данных45, в частности — метод наименьших квадратов в его наиболее общем виде и различные его модификации в базисе пороговых функций МакКаллока — Питса, на котором базируется практически весь современный «нейрокомпьютинг» 46,47. Сюда относятся распознавание образов на перцептронах и им подобных обучаемых структурах, автоматическая классификация и кластеризация, а также различные современные применения, так называемых «искусственных нейронных сетей»48. Всё это является безусловно нужным и полезным направлением вычислительной математики и информационной техники — методами, алгоритмами, программными продуктами и устройствами, однако, практически не имеет ничего общего с принципами функционирования и структурой живой нервной ткани (вплоть до крайних нонсенсов, таких например, как «нейросветофоры», «нейро-газотурбинные двигатели», «нейромасляные насосы», «нейротехнология машиностроения», «нейроучебный процесс» и др.). К сильному пониманию можно отнести, фактически, искусственный мозг или хотя бы получение искусственного нейрона не в обычно распространённом информационноэлектронном понимании, а с полным сохранением свойств живой материи. Данное явление обнаруживает значительно большую глубину относительно собственно информатики и нейробиологии как частных наук. Тенденции к изучению и попыткам частичного воспроизведения функций и структуры нервной системы в технических устройствах, а также внедрение технических методов в познание мышления, принимающее в наше время вид нейрокомпьютинга (НК), содержит скрытые мотивы и предопределяющие её причины, не являющиеся как новыми, так и неопределяемыми. Явный вид НК представляет собой лишь верхний слой общесоциально-общекультурного комплекса явлений, проявляющихся в настоящее время таким образом. Именно поэтому очень важным является изучение всего комплекса указанных явлений с позиций философии, тем более, что они обнаруживают связь с общими вопросами познания, существования и генерации того облика искусственного мира, 44 Петрунин Ю.Ю., Рязанов М.А., Савельев А.В. Философия искусственного интеллекта в концепциях нейронаук. – М.: МАКС Пресс, 2010. – 80 с. – Научная монография. 45 Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. – Новосибирск: Наука, 1996. – 276 с. 46 Галушкин А.И. О перспективах разработок и применения нейрокомпьютеров // В сб. докладов VIII Всероссийской НТК «Нейрокомпьютеры и их применение-2002». – М.: ИПРЖР, 2002. 47 Хайкин С. Нейронные сети: полный курс, 2-е издание. – Пер. с англ. – М. : Издательский дом Вильямс, 2006. – 1104 с. 48 Тархов Д.А. Нейросетевые модели и алгоритмы. – М: Издательство «Радиотехника», 2014. – 352 с. 33 который мы сейчас наблюдаем и в котором живем. Таким образом, в данной работе понятие НК понимается в сильном смысле как воспроизведение в полной мере нейробиологических эффектов и явлений 49 на технической, биологической50, физико-химической, информационной или иной основе 51 и их применение, в частности, как инструмент оптимизации умственного труда52, при решении практических задач в различных областях жизнедеятельности человека53 (медицина, космос, машиностроение и др.)54, а также для познания принципов работы нервной системы. Сформулированное сильное понимание, таким образом, является предельным случаем (Таблица), однако, возможно существование множества градаций между предельными сильным и слабым пониманиями. Например, симбиотические системы, представляющие собой вживлённые в мозг технические устройства различного назначения и различной степени замещения, либо различной глубины дополнения живой ткани. Сюда можно отнести также разработку и воплощение в технических устройствах наиболее реалистического воспроизведения принципов функционирования нервной ткани, не имеющее ничего общего с фон-неймановскими архитектурами и алгоритмами, в том числе, типа машин Тьюринга. В этом разряде можно особо отметить известное уже аналоговое моделирование, свободное от многочисленных информационных упрощений (воспроизведение только простейших свойств реальности) и субстанциональных (аппаратных) усложнений цифровой техники, которая благодаря своим преимуществам над цифровыми способами (простота, быстродействие, значительно большая совместимость с принципами работы нервной системы, неалгоритмичность, отсутствие необходимости программирования и т. д.) ещё испытает волну нового подъёма, породив новый «аналоговый бум» и легко отодвинув на задний план цифровую технику сразу, как только найдутся эффективные способы увеличения помехозащищённости. Промежуточное положение между сильным и слабым нейрокомпьютингом занимает ниша реалистичного нейроэкзистенциального моделирования с детальным воспроизведением тонких 49 Анохин К.В. и др. Нейрофотоника: оптические методы исследования и управления мозгом //Успехи физических наук. – 2015. – Т. 185. – №. 4. – С. 371-392. 50 Умрюхин Е.А. Научная школа «Нейронаука: от системной деятельности мозга к нейрокомпьютингу» Научно­ исследовательского института нормальной физиологии им. П.К. Анохина» / Выпуск под ред. чл.­корр. РАН Е.А. Умрюхина // Нейрокомпьютеры: разработка, применение. – 2015. – №8. – С. 5­7. 51 Анохин К. В. Когнитом: сетевое расширение теории функциональных систем / Современные проблемы системной регуляции физиологических функций. Материалы Конференции. М.: ФГБHУ НИИНФ им. ПК Анохина. – 2015. – С. 3-5. 52 Степанян И.В. Проект развития стратегической инициативы «НейроНет» // Нейрокомпьютеры: разработка, применение. – 2016. – № 2. – С. 81-83. 53 Цыганков В. Д. Мораль мозга беспилотных аппаратов и военных роботов // Нейрокомпьютеры: разработка, применение. – 2015. – № 8. – С. 40-51. 54 Toshiyuki Nakagaki. Intelligent calculation method learned from the mysterious amoeba in slime molds -an example in network design. – URL: http://www.cris.hokudai.ac.jp/cris/en/research/ob/ob_innovative/nakagaki.html 34 нейробиологических явлений и моделирование структурных и структурно-функциональных особенностей нервной ткани, а также нейроэпистемологическое моделирование (теоретическое, концептуальное, компьютерное, физическое и т.д.), направленное не на совпадение с результатами эксперимента, а на открытие новых нейробиологических закономерностей и феноменов. Разработанная нами таблица позволяет более детально представить основные различия в определении понятий сильного и слабого НК и оценить значение такой классификации для общего понимания сущности явления НК как методологии. Это позволит более осознанно двигаться в сторону прогресса как самого НК, так и его прикладных областей, что является ценным для решения новых трудноразрешимых или неразрешимых обычными известными методами задач, а также для совершениствония концепций информационных технологий и познания законов функционирования нервной системы. Таблица. Сравнительный анализ, критерии и свойства сильного и слабого нейрокомпьютинга Парадигмы Характерные свойства нейрокомпьютинга Цель нейрокомпьютинга Слабый нейрокомпьютинг Применение математических моделей естественных нейронных сетей. Сильный нейрокомпьютинг Разработка нейробиологических моделей для познания работы ЦНС. Моделирование высшей нервной Построены примитивные Построены более деятельности (ВНД) (грубые) модели, имеющие биологически адекватные мало общего с ВНД модели: П.К. Анохин (1935), Н.М. Амосов (1962), В.М. Глушков (1970), Г.С. Поспелов (1982), А.В. Напалков (1985) и др. Коннекционизм и распараллеливание Суперконнекционистская Присутствует Отсутствует парадигма (нейромедиасетевой принцип) Однородность (стандартность) элементов для получения новых 55 Не обязательна Присутствует, также присутствует суперконнекционизм как более широкое понятие Реализуется в объемной нейропередаче, 1985 г.55; затем переоткрыта в 1992 г. Дж. Гелли, Дж. Эдельман и Л. Агнати в 199556). Не обязательна, при этом неоднородность выражена в Патент SU № 1464181. Устройство для моделирования нейрона неокортекса / Жуков А. Г. и др. – приоритет от 14.01.1987. – опубл. 1989. – БИ № 9. 35 свойств сети за счет свойств ее структуры Многофункциональность элемента сети Обучение с учителем и без (самоорганизация), обобщение, помехоустойчивость большей степени Отсутствует, стандартные элементы Присутствует с возможностью значительных вариаций свойств и структуры элементов Присутствует Присутствует Воспроизведение биологических Такая задача ставилась Воспроизведение эффектов изначально (В.Мак-Каллок биологических эффектов на В. Питс), но оказалось что технической, физической, реальный нейрон не имеет информационной, ничего общего с его биологической и других математическими моделями базах Возможность применения биообъектов Отсутствует Присутствует: процессор на грибнице57, культуры нервной ткани, родопсиновые нейрокомпьютеры58 и др. Физическо-химическое моделирование, натурное моделирование Отсутствует Реакция БелоусоваЖаботинского (1951, 1970), биомолекулярные нейрокомпьютеры и др.59 Распознавание образов, работа с изображениями В условиях вычислительной ресурсоёмкости Возможна мгновенная обработка сложных сигналов при малых ресурсах Наличие сложных вычислительных задач при моделировании ВНД,например, NP-полных, проблема P-NP и т.д. Присутствуют Отсутствует Управление в реальном времени сложными динамическими объектами На сегодняшний день задача не решена до конца Более глубокая проработка вопроса (Л.М. Бакусов (1980) В.Д. Цыганков (2003) А.А.Жданов (2010) и др.) Помощь традиционным информационным технологиям Существенная Существенная, но может иметь радикальный характер Первое применение концепции 56 С.Н. Корсаков (1832), А.Н. Крылов (1904), В. МакКаллок, В. Питс (1947) И.М. Сеченов (1863), П.К.Анохин (1928) Agnati L. F., Zoli M., Stromberg I., Fuxe K. Intercellular communication in the brain: Wiring versus volume transmission // Neuroscience. – 1995. – V. 69. – P. 711-726. 57 Toshiyuki Nakagaki. Intelligent calculation method learned from the mysterious amoeba in slime molds -an example in network design. – URL: http://www.cris.hokudai.ac.jp/cris/en/research/ob/ob_innovative/nakagaki.html 2016. 58 Островский М.А. От кванта света до зрения. – URL:http://neurobiology.ru/mfk/10_Vision.pdf 59 Нейрокомпьютеры и их применение: учеб. пособие для вузов по направлению «Прикладные математика и физика». – М. : ИПРЖР, 2000. – Кн. 33 : Биомолекулярные нейросетевые устройства : рекомендовано методсоветом по направлению / [Н.Г. Рамбиди, Е.П. Гребенников, А.И. Адамацкий и др.]; Под ред. Н.Г. Рамбиди ; [Российский фонд фундаментальных исследований]. – 2002. – 223 с. 36 К сожалению, широко распространённая сейчас формализация нейронных сетей, благодаря В. МакКаллоку и В. Питсу, а также исследователям, нисколько не продвигающим этот вопрос, доходит до такой степени, что искусственные нейронные сети, мягко говоря, имеют мало общего с естественными нейронными сетями и принципами их работы. Также и нейрокомпьютинг, благодаря базовым принципам построения наипростейших формальных элементов искусственных нейросетей (временно ошибочно направленных в эту сторону МакКаллоком и Питсом по подобию телевидения В.К. Зворыкина) представляет собой в слабом смысле незначительные вариации аппроксимации функций методом наименьших квадратов, приспосабливаемые к каждому частному случаю. Ни для кого не секрет, что Зворыкин затормозл прогресс на 80 лет и направил развитие техники визуализации информации по ложному пути вакуумной техники, что отвлекло, таким образом, мир от развития простого и технологичного жидкокристаллического направления, которое возникло в СССР одновременно с изобретением кинескопа в 20-х гг. прошлого века. Безусловно, парадигмально задающим здесь является понимание и определение самого нейрона как элементарной (или, наоборот, не элементарной) ячейки нейросети. Большое значение имеет также не преодолённая до сих пор изжившая себя методология системного подхода, вышедшая из технических искусственно собираемых человеком систем, принципиально не похожих на живые системы. Однако, огромное значение также имеет определение того, что же мы хотим получить, то есть понятий собственно нейрокомпьютера и нейрокомпьютинга. Здесь нужно отметить одновременно высокую степень сложности определения этих понятий ввиду их многоплановости и соотнесённости с одними из труднейших для определения объектов, связанных с человеческим интеллектом, ввиду того, что таким образом приходится определять сам инструмент определения, то есть мозг. А это по парадоксу гомункулюса Ф. Крика60, или высказыванию Р. Риделя: «Люди не могут обосновать свой разум из него самого» 61, или по теореме Гёделя — сделать принципиально невозможно 62. В связи с этим наиболее эффективно определять такие понятия методом аналогий, что хорошо иллюстрируют, например, генетические алгоритмы 63 . В этом смысле НК как эпистемологическая стратегия преобразует субъект познания в сторону его объективизации, что позволяет изучать его как бы извне объективными методами. Основной провокацией МакКаллока и Питса явился тот факт, что они связали 60 The Brain // Scientific American. – 1979. – Sep. – 279 с. Riedl R. Die Spaltung des Weltfildes: Biol. Grundlagan des Erklerens und Verstehens. – Hamburg: Parey, 1985. – 333 s. 62 Gödel K. Über formal unentscheidbare Sätze der Principia Mathematica und verwandter Systeme // I. Monatshefte für Mathematik und Physik. – 1938. – P. 173-98. 63 Гладков Л. А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы. – М.: ФИЗМАТЛИТ, 2010. – 320 с. 61 37 несвязуемое, провели совершенно произвольную ассоциацию достаточно простой вычислительной процедуры и наипростейшей её схемой с реальным биологическим нейроном и мозгом. Точно так же можно было провести параллель с обычным транзистором или коробкой спичек. В результате возникло множество фантазий, оправдаться которые не могли изначально, а нейрокомпьютинг был дискредитирован сведением его до слабого понимания, во многом повторив в этом смысле путь искусственного интеллекта. Философия, выступая в качестве инструмента генерации концептуального аппарата нейрокомпьютинга может обеспечить то самое необходимое расширение нейрокомпьютинга, которое единственным образом способствует не только его реабилитации на уровне мирового научного сообщества, но и возрождению на новых горизонтах 64. Именно философия может создать мотивацию у нейрокомпьтерщиков, наконец, к действительному обращению внимания на объект моделирования, изучения и мотивацию поворота нейрокомпьютинга от банальных применений абстрактных узких математических вопросов аппроксимации данных (детально проработанных в XVII — XVIII веках) к действительному изучению законов функционирования нервной системы и высшей нервной деятельности 65. Причём, такого характера, который не может обеспечить нейробиология, замыкаясь в своём узко профессиональном подходе и методах66. Это касается, например, сверхсистемного взгляда на живую нейросубстанцию, с одной стороны, рассматривающую её не как искусственно созданную человеком сложную машину, а с другой стороны, в русле традиций Сеченовско-Павловской школы 67 и расширения её, применяя строгие методы исследования — физико-химическое, математическое, информационное и инженерное описания. Разработка такой методологии и является одной из важнейших задач нейрофилософии (НФС) и НК в сильном понимании. Важность этих вопросов осознаётся также при анализе тенденций мировых научных публикаций, особенно, этого века68,69, явно указывающих на снижение популярности нейрокомпьютинга и нейроинформатики, на насущную необходимость их выживания. И решающую роль для этого, как и других аналогичных случаев, может и должна играть специализированная философия — нейрофилософия (НФС). Специализированная ещё и Алексеев А.Ю. и др. Нейрофилософия // Нейрокомпьютеры: разработка и применение. – 2014. – №10. – С. 58­69. Петруня О.Э. Нейрофилософия как исследовательская программа // Нейрокомпьютеры: разработка, применение. — 2015. — №4. — С. 65-66. 66 Петруня О.Э. Димензиональная онтология В. Франкла как концептуальная основа междисциплинарного синтеза биомедицины, психологии и компьютинга // Биомедицинская радиоэлектроника. – 2015. – №4. – С. 58-59. 67 150 лет «Рефлексам головного мозга» // Сборник научных трудов юбилейного симпозиума, посвящённого изданию статьи И.М. Сеченова (коллективная НАУЧНАЯ МОНОГРАФИЯ) / Отв. редакторы: А.Ю. Алексеев, Ю.Ю. и др. – Издательство М.: «ИИнтелл». – 2014. – С. 204­219 – 432 c. 68 Петрунин Ю.Ю.и др. От искусственного интеллекта к моделированию мозга. – М.: МАКС ПресС, 2015.– 108 с. 69 Wei H., Zuo Q. A biologically inspired neurocomputing circuit for image representation // Neurocomputing. – 2015. – Т. 164. – С. 96-111. 64 65 38 потому, что в отличие от обычной философии, нейрофилософ, не теряя философских знаний, должен быть одновременно предметником, знать ещё и прикладной объект изучения — нейронауки, причём, не хуже узких специалистов. Объединение с нейро- может обеспечить возрождение активной роли философии, поскольку появляется реальная сфера приложений абстрактных философских идей. Такой своеобразный мост между философией и нейронаукой 70, нейрокомпьютингом может явиться своего рода оправданием философии не только в чисто теоретическом смысле, но и в смысле государственной поддержки её необходимости. Особенно это может проявиться в напряжённые и критические периоды истории, когда существование самого государства ставится под вопрос и насущной необходимостью становится его выживание любой ценой, даже ценой необходимости поддержки науки, вопреки политическим амбициям. Сближение философии с нейронаукой 71 позволит увидеть в философии не только политику, но и существенную научную составляющую, о которой в последнее время забывается. Причём, даже такую составляющую, которая ускорит пути к прямому практическому воплощению абстрактных, на первый взгляд, положений. Эта составляющая всегда существовала в философии и была очень востребована до тех пор, пока была востребована наука. Однако, путь от философских выводов к практике зачастую был настолько длинным, что создавалось впечатление, что философия вроде бы и ни при чём. Хотя существует множество примеров обратного. Именно философия, утвердив строго научные методы, например, в лице Декарта, отделила религию от государства, чем обеспечила невиданный расцвет науки и искусств. Концепция условного рефлекса И.М. Сеченова и И.П. Павлова, а затем теория функциональных систем П.К. Анохина, философские по своей сути и выводам, инспирировали бурное развитие и до сих пор лежат в основе любых физиологических и нейрофизиологических исследований. Совершенно философские выводы И.М. Сеченова, «зашиты» во всех образцах медицинской и биологической техники, методах и технологиях их создания. В настоящее время наука уже выполнила свою функцию, обеспечив относительный комфорт проживания подавляющему большинству населения планеты и наводнив мир огромным количеством материальных вещей. Поэтому сейчас такую же или даже большую востребованность может создать только сильнейшее потрясение — общественное, либо природное. Именно это, следствием чего может явиться стимулирование нового витка созидания, может освободить философию от самоубийственного декаданса, расцветающего на Алексеев А.Ю., Кузнецов В.Г.и др. Нейрофилософия как концептуальная основа нейрокомпьютинга // Нейрокомпьютеры: разработка, применение. – Москва. – Радиотехника. – 2015. – №5. – С. 69­77. 71 Алексеев А.Ю.и др. Новейший философский поворот в нейронауках. Обзор юбилейного междисциплинарного симпозиума «150 лет «РЕФЛЕКСАМ ГОЛОВНОГО МОЗГА» И.М. Сеченова» // Философия науки. – 2014. – №1(60). – С. 114-135. 70 39 бездеятельности, возможность которой материально и духовно обеспечивается пока ещё лаврами побед предшествующих великих поколений72. Другое обратное направление применимости идей нейрокомпьютинга в философии может происходить, с одной стороны, на базе неизбежного выравнивания и гомогенизирования понятийных аппаратов в русле общего доминирующего развития цивилизации с глобализационным уклоном. Достаточно вспомнить повышение роли и интереса к философии сознания в последние десятилетия со стороны философии и возрастающее стремление нейрокомпьютинга к биологической субстанции и проблеме сознания 73. С другой стороны, нейрокомпьютинг, обеспечивая таким образом обратную связь, способствует повышению научности философии и возможность коррекции и развития философских выводов с использованием новейших данных постоянно изменяющейся реальности 74. Рассмотрим роль философии НКИ в связи с вопросами аксиоматики. Вопросы веры неизбежно пересекаются с научным методом, поскольку аксиомы науки конструируются в большей мере на основе интуиции. Поэтому помимо разработки строгих подходов формализованной генерации аксиом, что, как показано в наших и других 75 работах, вполне осуществимо для нейронаук, значительной может быть критическая роль нейрофилософии (НФС) в разоблачении псевдонаучных спекуляций 76. Выявляя, таким образом, в механике конструирования аксиоматики истинные мотивы и её аксиологию, НФС может иметь важнейшую функцию защитного пояса не абстрактной науки, а именно нейронауки и нейрокомпьютинга от использования терминов нейронаук не по назначению для повышения значимости и модной брендовости обычных традиционных вычислений («нейромасляные насосы», «нейро-ГТД», «нейроучебный процесс» и т.д.)77. Также возможно повышение распознаваемости с помощью НФС беспочвенного и корыстного фантазирования с эксплуатацией не только модных, но и субъективно ценных понятий в том случае, когда они не имеют никакого отношения к обозначаемому предмету, как например, «проблема 2045» о Алексеев А.Ю., Кузнецов В.Г., Савельев А.В., Янковская Е.А. Становление нейрофилософии в отечественной науке // Философские науки. – 2015. – № 11. – С. 48­66. 73 Алексеев А.Ю., Кузнецов В.Г.и др. Актуальные вопросы нейрофилософии // Нейрокомпьютеры: разработка, применение. – Москва. – Радиотехника. – 2015. – №4. – С. 9-11. 74 Энгельс Ф.Ф. Анти-Дюринг. – М: Политиздат, 1948. – 376 с.; Энгельс Ф.Ф. Диалектика природы. – М: Партийное издательство, 1933. – 304 с. 75 Янковская Е.А. Некоторые аспекты онтологии живых систем // Биомедицинская радиоэлектроника. – 2014. – № 4. – С. 86­88. 76 Петрунин Ю.Ю. Критический потенциал нейрофилософии // Философские науки. – 2015. – № 11. – С. 23­30. 77 Петрунин Ю.Ю. Нейрокомпьютинг: между наукой и лженаукой // Нейрокомпьютеры: разработка, применение. – 2015. – №8. – С. 52­64. 72 40 «переселении личности в компьютер», то есть своего рода инструмент для защиты от сект, эксплуатирующих нейротематику и её терминологию78. Философские подходы могут также усилить верификационные критерии для вычислительного эксперимента и вычислительных исследований, особенно, когда речь идёт о неполных либо сильно размытых и многозначных исходных данных и альтернативных методах их обработки79. Как совершенно актуально было проанализировано профессором Т.В. Черниговской на Десятом юбилейном заседании Научного совета по методологии искусственного интеллекта в ИФРАНе 26 марта 2015 г. и отражено в её публикациях 80, дальнейшее развитие информационной техники, нейрокомпьютинга и искусственного интеллекта, как и любого усилителя человеческой деятельности, не может не иметь положительные, так и значительные отрицательные стороны, представляющие угрозу субъектности, границ самоидентичности и свободы личности. В связи с этим только на НФС может быть возложена важнейшая миссия защиты человека от искусственного интеллекта. Известно, что в силу философского закона дуальности, лучшей защиты от воздействующего неблагоприятного фактора может быть сам этот фактор, имеющий противоположную направленность. Также вопросы самоидентичности личности невозможно разрешить без привлечения философских методов и понятий. Актуальность таких вопросов будет только возрастать по мере достижения успехов биотехнических экспериментов по протезированию («киборгизация») и дальнейшему развитию трансплантологии, в том числе, нейротрансплантологии с использованием фетальных и стволовых клеток. Пересечение понятий НК и информатики (ИН) происходит также через категорию информации, которая в наше время начинает становиться чуть ли не всеобщей философской категорией наряду с материей. Учитывая высокую степень расплывчатости её определения на сегодняшний день (существует более 400 определений 81), можно предполагать высокую степень зависимости определения информации от потребностей общественной деятельности сегодняшнего дня. Поэтому при переходе в новое качество главной парадигмы само понятие информации82 может измениться («нейроинформация»), то есть показана взаимная зависимость 78 Степанян И.В. Проект развития стратегической инициативы «НейроНет» // Нейрокомпьютеры: разработка, применение. – 2016. – № 2. – С. 81-83. 79 Петрунин Ю.Ю. Астрология, нейронные сети и управление персоналом (Рецензия на статью Л.Н. Ясницкого, Ю.А. Михалевой, Ф.М. Черепанова «Возможности методов искусственного интеллекта для выявления и использования новых знаний на примере задачи управления персоналом») // ЖФНН. – 2015. – №7. – С. 118­121. 80 Черниговская Т.В. Свобода воли и нейроэтика / В кн.: Почему наш мир таков, каков он есть. Природа. Человек. Общество [сборник] / сост. А. Алексенко. М.: СORPUS. АСТ: Сноб. 2015. — С.41-59. — 216 с. 81 Моисеев Н.Н. Расставание с простотой. — М.: АГРАФ, 1998. — С. 98. 82 Ляпунов А.А. Проблемы теоретической и прикладной кибернетики. – М.: Наука, 1980. – С. 320-323. 41 определения информации от способа её обработки. Это может дать появление принципиально новых неизвестных ранее эффектов и сильно модифицировать понятие НК относительно ИН вплоть до наполнения его совершенно иным содержанием. § 1.3. Сравнительный анализ методологий искусственного интеллекта и нейрокомпьютинга В параграфе приводится обзор феноменологических аспектов проблемы искусственного интеллекта (ИИ), проводится классификация задач и парадигм, выявляется приоритетность проблем и категорий ИИ и нейрокомпьютинга, их взаимозависимость и взаимозначность. Проведён обзор классификаций направлений искусственного интеллекта (ИИ) как смежной нейрокомпьютингу отрасли с дополнением по некоторым пунктам авторской классификацией. Рассмотрены системы классификации Г. С. Поспелова, В. Н. Захарова, Л. К. Эйсымонта, В. Н. Садовского, расширенные в работе в связи с изменившимися условиями современного развития. Проанализированы и проведены взаимные сравнения общепринято выделенных основных направлений ИИ: манипулирование знаниями; общение; восприятие; обучение; поведение; принятие решений; философские и методологические основания ИИ. Изучено зарождение философского аспекта проблемы ИИ, связываемого обычно с появлением известной работы А Тьюринга «Может ли машина мыслить?». Также вопрос, поставленный А. Тьюрингом неоднократно поднимался и обсуждался снова как профессионалами с технической стороны (А. Эндрю, Дж. Вейценбаум, Дж. Серл, А. И. Берг, В. М. Глушков, Г. С. Поспелов, Н. М. Амосов и др.), так и философской (А.Ю. Алексеев, Ю.Ю. Петрунин и др.). Релятивизм проблемы ИИ и его основного онтологического вопроса можно охарактеризовать как возрастающий, хотя процесс этот обнаруживает выраженную нелинейность в связи с кардинальными достижениями в этой области, когда вопрос А. Тьюринга так или иначе вновь поднимется. Предлагается классификация философских аспектов проблемы ИИ в современных условиях, включающая: 1) ИИ как проблема самого себя (онтология Платона); 2) отношение ИИ – человек, с позиций философии Канта – Фихте, рассматривающих онтологию отношений Я-не-Я, и Фейербаха, выражающем общее отношение между субъектом и чем-либо внешним формулой «Я-Ты»; 3) отношение ИИ – человеческий социум (К. Маркс); – по классификации М. П. Стати 83; а также: 4) обсуждаемую в последнее время проблему искусственной жизни – в расширенном её 83 Стати М.П. Вера и знание в системах с искусственным интеллектом. — Дисс. к.ф.н., 09.00.01 — М.: МГУ, 1994. 42 понимании – как проблему субстанциональности ИИ84; 5) проблему трансверсальности машинной и естественной личности («трансгуманистическая» философия «экстропизма»); 6) отношение ИИ – ИИ, то есть искусственный социум 85. Обсуждаются терминологические проблемы понятия «интеллект» в смысле воплощения отношений логического и рационального, а также ограниченность определения «искусственный интеллект». Предлагается оригинальный методологический подход, позволяющий провести классификацию и разграничение, а также аналогии-ассоциации категорий ИИ и НК на различных уровнях: 1) на уровне свойств и функций отдельного индивида, 2) коммуникативного поведения двух индивидов; 3) на микросоциальном и 4) макросоциальном уровнях; 5) на уровне моделирования эволюционных механизмов; 6) на уровне междисциплинарных задач распознавания образов и обучения. Это даёт возможность более детально и точно провести сопоставительный анализ и выявить их аналогии, общее и особенное, а также дающий возможность переосмыслить традиционные представления об их преемственности. Проводится анализ соотношения ИИ и НК с понятием рациональности, а также их взаимной причинно-следственной мотивации. Делается обоснованный вывод о том, что сущностные взаимоотношения НК и ИИ напоминают и как бы являются современной «информационно-бытийной» трансформацией отношений материалистической и идеалистической традиций в философии и представляют собой сегодняшнее современное воплощение сосуществования этих идей. Кроме того, наличие того и другого, а также вновь активизирующийся в наши дни интерес к моделированию разума, видимо, свидетельствует о назревающей необходимости смены парадигмы в информационных, а может быть, и биологических науках. Феноменологически термин «интеллект» сложен и многозначен и исторически смысл его существенно менялся при переходе от одной философской традиции к другой. Вместе с тем, с одной стороны, он ассоциируется со способностью мышления к рациональному познанию и, с другой стороны, противостоит духовным способностям таким, как чувство, воля, воображение, интуиция и т.д. В рамках этих двух смысловых детерминант — рациональности и чувственноинтуитивного опыта и заключается категория «интеллект». Именно в этом ограниченном проблемном поле и происходит разработка систем и концепций ИИ. В связи с понятием рациональности в последнее время проводилось множество дискуссий, в том числе, в каком смысле следует понимать утверждение о рациональном характере интеллектуальной 84 Савельев А.В. К вопросу субстанциональности нейрокомпьютеров // В сб.: Нейрокомпьютеры и их применение. — М.:ИПУ, 2002. — C. 1247-1250. 85 Савельев А.В. Искусственный интеллект или искусственный социум? // Материалы Всероссийской междисциплинарной конференции «Философия искусственного интеллекта». — 2005. 43 деятельности. Обзор этих идей дан в книге под ред. В.А. Лекторского и П.П. Гайденко «Исторические типы рациональности» 86. И хотя единое мнение по этому вопросу выработано не было, удалось установить, что рациональное шире логического. Как писал Б.С. Грязнов 87: «современные логические теории не покрывают всей области рационального…даже в отдаленном будущем не произойдет полного отождествления логического и рационального, ибо это противоречит духу самых современных логических теорий». Основное отличие логического от рационального состоит (по В.Н. Садовскому 88) в том, что для логического характерно два аспекта: следование заранее сформулированным правилам (критериям, правилам вывода) и сохранение общезначимости полученных результатов (при условии истинности посылок логический вывод с неизбежностью приводит к истинному заключению?). В рациональном же, которое не является логическим, отсутствует сохранение общезначимости, но имеет место следование заранее сформулированным критериям. Такое следование явным правилам и критериям дает возможность обосновывать каждый шаг рационального рассуждения. Рациональное в результате оказывается синонимичным с обоснованным по заранее принятым правилам. Философии давно стало известно, что в определенных режимах функционирования интеллект выходит за рамки рационального в трансцендентальное (Аристотель 89), а может быть, наоборот, спускается из трансцендентального в рациональное (Платон 90, Кант91), в то время как концепция ИИ практически не выходит за рамки логического, а как можно реализовать выход за-рациональное в технических системах не представляет никто. Даже в смысле расширения понятия рационального и определение интеллекта как диалектического сочетания рационального с иррациональным, упирается в эпистемологическую проблему ИИ, которую хорошо охарактеризовал А. Эндрю (198392): «Любая попытка создать интеллектуальную или думающую машину автоматически подразумевает самоотрицание… Пока разработка ИИ не достигнет своей высшей цели – дублирования каждого аспекта человеческого интеллекта (что, по-видимому, неосуществимо в обозримом будущем), ему обязательно будет присуще такое самоотрицание». Ограниченность ИИ внутри него самого, на наш взгляд, происходит из логицизма о представлениях об интеллекте, в том числе и о представлении его как рационального. Это 86 Исторические типы рациональности / Под ред. В.А. Лекторского, П.П. Гайденко, т.т. 1-2. – ИФРАН, 1994. Грязнов Б.С. Логика. Рациональность. Творчество. – М.: Наука, 1982. – 256 с. 88 Садовский В.Н. К целостной концепции искусственного интеллекта // Сб. Тр. ВНИИСИ. – 1991. – Т. 8. – С. 4-5. 89 Аристотель. О душе. Собр. соч. в 4-х т. – М.: Мысль, 1978. – Т. 1. – С. 369-447. 90 Платон. О государстве. Собр. Соч. В 4-х т.т. Серия ФН. – М.: Мысль, 1994. – Т. 3. 91 Кант И. Критика чистого разума // Сочинения в 6 томах. – М., 1964. – Т. 3. – С. 582. 92 Эндрю А. Искусственный интеллект. – М.: Мир, 1985. – С. 18-32 87 44 предопределено, по-видимому, изначально, поскольку вычислительная машина создавалась именно как инструмент, воспроизводящий логические функции мышления, Причем эти логические функции определялись и определяются чисто психологически, как абстрактноидеальное, оторванное от материальной сущности, реализуя, по сути дела таким образом, идеи Пифагора и Платона. Не случайно первоначально компьютеры на русском языке назывались «вычислительными машинами» или «математическими машинами», реализуя, прежде всего, математику как построение умственно-психической сферы93. Это же подтверждается и концепцией экспертных систем или машин 5-го поколения, предложенной к осуществлению японскими компаниями в 1982 г. на конференции FGCS в рамках 10-летней программы, характеризующихся попытками воспроизведения механизмов работы и взаимодействия экспертов в группе, то есть моделирования психологических микросоциальных взаимодействий, причем, в строго ограниченных рамках рационального, а именно конкретнологического (иначе говоря, аналогично М.П. Стати – вытекающий из третьего вопроса философского аспекта проблемы ИИ по Марксу, см. ниже). Впервые термин «Искусственный интеллект» был введен в научную практику в 1956 г. на конференции «Dartmouth Summer Research Project on Artificial Intelligence», где собрались многие основоположники кибернетики — К. Шеннон, М. Минский, Т. Саймон, А. Ньюэлл и др. Наиболее фундаментальным взглядом на проблему ИИ можно считать классификацию по задачному принципу, проведенному Г.С. Поспеловым и В.Н. Захаровым 94. В соответствии с этим ИИ представляется как: 1. моделирование на ЭВМ функций творческих процессов (игровые задачи), автоматическое доказательство теорем, автоматический синтез программ, анализ и синтез музыкальных произведений; 2. внешняя интеллектуализация ЭВМ: диалоговый интерфейс на ЭВМ существующей архитектуры; 3. внутренняя интеллектуализация (ЭВМ, построенные на принципах новой архитектуры, основанной на принципах ИИ); 4. целенаправленное поведение роботов — автономных транспортных средств. На наш взгляд сюда следует еще добавить: 93 Lomova J.J., Savelyev A.V. Pythagorean syndrome and numerical nature of information // в сб. тр. I Всесибир. Конгресса женщин-математиков. – Красноярск, 2000. – С. 123-124. 94 Поспелов Г.С. Искусственный интеллект – основа новой информационной технологии. – М.: Наука, 1988. – 280 с. 45 5. принятие решений и теория полезности; 6. проблемно-, средо- и задачно-ориентированная репродукция; 7. киборгизированные системы; 8. интеллектуальное управление (искусственными неинтеллектуальными объектами; искусственным интеллектом; природными объектами; обществом, в том числе, природой человека). По типу обрабатываемых данных и используемых операций, а также способам организации вычислительных процессов выделяют следующие классы задач ИИ (В.Н. Захаров, Л.К. Эйсымонт, 199095): 1. обработка символьной информации; 2. решение переборных вычислительных и логических задач и построение логического вывода решений с использованием заданных систем правил; 3. работа с базами данных и знаний, содержащих данные со сложными информационными связями; 4. высокоскоростная обработка изображений и речи. Сюда, на наш взгляд следует добавить также: 5. обработка информации в специализированных средах (биомедицинские системы 96, компьютерная интерпретация конкретных технических задач, обработка «гуманитарной» информации в гуманитарных науках); 6. семантический процессинг (работа с текстами, установление авторства, расшифровка кодов, фильтрация, семантическое конструирование и генерация смыслов и т.д.); 7. генетические алгоритмы, кластерный анализ97. Целостная концепция ИИ по В.Н. Садовскому (199098) включает представление проблемного поля ИИ как: 1. практики функционирования естественного интеллекта (ЕИ); 2. практики построения интеллектуальных и компьютерных программ; 3. теории ЕИ; 95 Захаров В.Н., Эйсымонт Л.К. Аппаратная реализация интеллектуальных систем // Искусственный интеллект. Справочник /под ред. Поспелова Д.А. в 3-х тт. – М.: Радио и связь, 1990. – Т. 3. – С. 168-181. 96 Бакусов Л.М., Репкин И.С., Шосталь С.А., Савельев А.В. Техника трансовых воздействий // Медицинская техника – М.: Медицина, 1997. – № 4. – С. 14-18. 97 Петрунин Ю.Ю. Изучение методов интеллектуального анализа данных при подготовке управленцев // Вестник Московского университета: серия 21 Управление (государство и общество). – 2004. – № 3. – С. 99-119. 98 Садовский В.Н. К целостной концепции искусственного интеллекта // Сб. Тр. ВНИИСИ. – 1991. – Т. 8. – С. 4-5. 46 4. теории интеллектуального программирования; 5. системно-кибернетической парадигмы; 6. философии, методологии и логики знания, прежде всего научного знания. На наш взгляд следует выделить также следующие классы задач: 7. онтология ИИ; 8. эпистемология ИИ; 9. побудительные мотивы проблемы; 10. тестирование ИИ на интеллектуальность, критерии, методы 99. В настоящее время в исследованиях по искусственному интеллекту общепринято выделять следующие шесть основных направлений100,101,102. 1. «Представление знаний. В рамках этого направления решаются задачи, связанные с формализацией и представлением знаний в памяти интеллектуальной системы (ИС). Для этого разрабатываются специальные модели представления знаний и языки для описания знаний, выделяются различные типы знаний. Изучаются источники, из которых ИС может черпать знания, и создаются процедуры и приемы, с помощью которых возможно приобретение знаний для ИС. Проблема представления знаний для ИС чрезвычайно актуальна, так как ИС — это система, функционирование которой опирается на знания о проблемной области, которые хранятся в ее памяти»103. 2. «Манипулирование знаниями. В рамках данного направления строятся способы пополнения знаний на основе их неполных описаний, изучаются системы классификации хранящихся в ИС знаний, разрабатываются процедуры обобщения знаний и формирования на их основе абстрактных понятий, создаются методы достоверного и правдоподобного вывода на основе имеющихся знаний, предлагаются модели рассуждений, опирающихся на знания и имитирующих особенности человеческих рассуждений»104,105. Манипулирование знаниями очень тесно связано с представлением знаний. Многие исследователи считают, что эти два 99 Алексеев А.Ю. Комплексный тест Тьюринга: философско-методологические и социокультурные аспекты / А.Ю. Алексеев. – М. : ИИнтеЛЛ. – 2013. – 304 с. – НАУЧНАЯ МОНОГРАФИЯ. 100 Искусственный интеллект. Справочник / под ред. Поспелова Д. А. в 3-х тт. М.: Радио и связь, 1990. Т. 1. С. 5-6. 101 Катречко С.Л. Логический анализ интеллектуальных систем с метапроцедурами. – Автореф. канд. дисс., 09.00.07. – М. 2000. 102 The Artificial Intelligence Debate. False Starts, Real Foundations / Ed. By St. R. Graubard. – Cambridge, Mass., London: England; The Mit Press, 1988. – 311 p. 103 Алексеева И.Ю. Человеческое знание и его компьютерный образ. – М.,ИФРАН, 1993. – 215 с. 104 Алексеева И.Ю. Эпистемологическое содержание компьютерной революции. – Автореф. докт. дисс., 09.00.08. – М. 1998. 105 Алексеева И.Ю. Феномен знания и искусственный интеллект // Комплексные исследования: предмет, место, задачи. – М.:ИФАН СССР, 1987. –215 с. 47 направления можно разделить лишь условно. Создающаяся в настоящее время теория баз знаний включает исследования, относящиеся как к первому, так и ко второму направлениям. 3. «Общение. В круг задач этого направления входят: проблема понимания связных текстов на ограниченном и неограниченном естественном языке, синтез связных текстов, понимание речи и синтез речи, теория моделей коммуникации между человеком и ИС. К этому же кругу проблем примыкают задачи формирования объяснений действий ИС, которые она должна уметь порождать по просьбе человека, а также комплекс задач, связанных с интеграцией в единый внутренний образ сообщений различной модальности (речевых, текстовых, зрительных и т. п.), полученных в процессе коммуникации. На основе исследований в этом направлении формируются методы построения лингвистических процессоров, вопросноответных систем, диалоговых систем и других ИС, целью которых является обеспечение комфортных условий для общения человека с ИС. 4. Восприятие. Это направление традиционно включает: проблемы анализа трехмерных сцен, разработку методов представления информации о зрительных образах в базе знаний, создание методов перехода от зрительных сцен к их текстовому описанию и методов обратного перехода, разработку процедур когнитивной графики, создание средств для порождения зрительных сцен на основе внутренних представлений в ИС. Специалисты в области искусственного интеллекта видят большие возможности в повышении уровня интеллектуальности ИС за счет обработки зрительной (образной) информации и соотнесения ее с обработкой символьной (текстовой) информации». 5. «Обучение. Предполагается, что ИС подобно человеку будут способны к обучению— решению задач, с которыми они ранее не встречались» 106. «Для того чтобы это стало возможным, необходимо: создать методы формирования условий задачи по описанию проблемной ситуации или по наблюдению за этой ситуацией, научиться переходу от известного решения частных задач (примеров) к решению общей задачи, создать приемы декомпозиции исходной для ИС задачи на более мелкие так, чтобы они оказались для ИС уже известными, разработать нормативные и декларативные модели самого процесса обучения, создать теорию подражательного поведения». Перечень задач можно было бы продолжить, ибо в области обучения ИС сделано еще весьма мало. Однако важность работ в этом направлении не вызывает никаких сомнений. 6. «Поведение. Так как ИС должны действовать в некоторой окружающей среде, то необходимо разработать специальные поведенческие процедуры, которые позволили бы им 106 Петрунин Ю.Ю. Возможности Data Mining в государственном управлении // Материалы международной конференции «Государственное управление: новые технологии». – Москва, 2004. – 292 с. 48 адекватно взаимодействовать с окружающей средой, другими ИС и людьми. Для достижения такого взаимодействия надо провести исследование в ряде направлений и создать: модели целесообразного поведения, нормативного поведения, ситуативного поведения, специальные методы многоуровневого планирования и коррекции планов в динамических ситуациях. После этого можно будет говорить о возможности привычного взаимодействия между людьми и ИС». К выше перечисленным направлениям можно также добавить философские и методологические основания ИИ.107,108,109,110,111,112,113,114,115. Прежде всего, это онтологические и эпистемологические вопросы ИИ116; исследование трансформации фундаментальных философских проблем в стратегию ИИ 117; изучение взаимовлияний ИИ на социум и индивидуально-ментальную сущность человека 118; исследование соотнесённости ИИ с информатизацией общества119,120; изучение пределов интеллектуальности ИИ и его тестирование 121 ; разработка и уточнение понятий интеллектуального, рационального, логического; разработка лингво-терминологических проблем ИИ и соотнесённости их с соответствующими проблемами психологии и биологии; оценка, изучение и разработка парадигмально-методологических аспектов ИИ. Полнота содержания результатов, касающихся того или иного направления, не одинакова. Это следует из различного уровня глубины исследований в них. Так например, приоритетными являются исследования, проводимые японскими компаниями Motorola, Nippon Telephone and Петрунин Ю.Ю. От тайного знания к нейрокомпьютеру: очерки по истории искусственного интеллекта. – М. 1996. 108 Петрунин Ю.Ю. Некоторые нетрадиционные подходы в исследованиях по искусственному интеллекту // Рукопись. Деп. ИНИОН АН СССР N38639 от 30.06.89 г. в сб. «Актуальные философские вопросы естественных и общественных наук». – М. 1989. 109 Петрунин Ю.Ю. Философские проблемы моделирования человеческого разума // Человеческая реальность: проблемы теории. – М. 1999. – С. 106-126. 110 Петрунин Ю.Ю. Искусственный интеллект: история, методология, философия. – М. Издательство «Звездопад», 2000. – 247 с. 111 Philosophy of Mind. By: Gilbert, Paul; Richeimer // Joel. Philosophical Books. – Apr2004. – V. 45. – №2. – P. 162­169. 112 Our Molecular Future: How Nanotechnology, Robotics, Genetics, and Artificial Intelligence Will Transform Our World (Book) // Choice: Current Reviews for Academic Libraries. – Jan2003. – V. 40. – № 5. – P. 844-851. 113 Digital soul: intelligent machines and human values (Book). // Choice: Current Reviews for Academic Libraries. – Sep2003. – V. 41. – №1. – P. 185-192. 114 Machines Who Think: A Personal Inquiry Into the History and Prospects of Artificial Intelligence. 2nd ed. (Book). By: Cheung J.Y. // Choice: Current Reviews for Academic Libraries. – Oct2004. – V. 42. – №2. – P. 314-321. 115 ON INTELLIGENCE: How a New Understanding of the Brain Will Lead to the Creation of Truly Intelligent Machines (Book). // Science News. – 10/23/2004. – V. 166. – №17. – P. 271-281. 116 Алексеева И.Ю. Эпистемологическое содержание компьютерной революции. – Автореф. докт. дисс., 09.00.08. – М. 1998. 117 Петрунин Ю.Ю. Информационные технологии анализа данных Data analysis. – Книжный дом «Университет». – 2008. – 292 с. 118 Алексеев А.Ю. Комплексный тест Тьюринга: философско-методологические и социокультурные аспекты / А.Ю. Алексеев. – М. : ИИнтеЛЛ. – 2013. – 304 с. 119 Ракитов А.И. Философия компьютерной революции. – М. Политиздат, 1991.—287 с. ISBN 5­250­01308­2. 120 Turing A.V. Computing Machinery and Intelligence // Mind. – Oxford. – 1950. – V.59. – P. 433-460. 121 Широков Ф. Тест «Укиё-э». – URL: http://www.osp.ru/school/1999/03/09.htm. 107 49 Telegraf Corp., Токийский университет (работы по data-flow-машине), работы по программе создания машин 5-го поколения — экспертным системам, пролог-процессорам, рефалпроцессорам и т.д. (FGCS); американские компании — IBM, Microsoft, Intel, Apple, Texas Instuments, Simbolics, (LISP-машины, класс CISC-процессоров), в университетах Стэнфорда (RISC-процессор), Массачуссетском технологическом и Калифорнийском в Ирвине (языки Id, VAL, data-flow процессоры), штата Юта (demand-driven управление); а также работы по программе «Стратегической компьютерной инициативы» (SCP — систолические процессоры и вычисления, транспьютеры, экспертные системы), фирма Inmos (Okkam-процессор), Weitek, FPS — Floating Point Systems — транспьютеры. Приоритетные отечественные разработки касаются Рефал-процессоров, многопроцессорных процедур и архитектур (Новосибирская школа), рекурсивных машин, систем распределенной обработки данных и т.д 122. Вообще же, зарождение философского аспекта проблемы ИИ следует, по-видимому, отнести к появлению известной работы Алана Тьюринга «Может ли машина мыслить?» 119 (1950 г.) и соответствующего вопроса о возможности искусственного создания человеком свойства мышления у машины. В ней А. Тьюринг сформулировал тест «на интеллект», согласно которому компьютер внешне проявляет интеллектуальное поведение, если он способен функционировать так, что внешний наблюдатель не может решить, имеет ли он дело с человеком или с компьютером. Вопрос, поставленный А. Тьюрингом неоднократно поднимался и обсуждался снова как профессионалами с технической стороны (А. Эндрю123,Дж.Вейценбаум124, Дж. Серл125, А.И. Берг126, В.М. Глушков127, Г. С. Поспелов128, Н.М. Амосов129, А.Ю. Алексеев130 и др.), так и философской (А.Ю. Алексеев, И.Ю. Алексеева, Ю.Ю. Петрунин). В связи с этим заметно отделение от ИИ направления «гибридный интеллект» (ГИ), введенный В. Ф. Вендой в 1975 г. в докладе на конференции «Семантические проблемы ИИ» (Киев, 1977131), представляющее собой как бы альтернативу неоправданным надеждам на ИИ. 122 Искусственный интеллект. Справочник / п.ред. Поспелова Д.А. в 3-х тт. – М.: Радио и связь, 1990. – Т. 1. – С. 5-6. Эндрю А. Искусственный интеллект. – М.: Мир, 1985. – С. 18-32. 124 Вейценбаум Дж. Возможности вычислительных машин и человеческий разум. От суждений к вычислениям. – М. Радио и связь, 1982. – 368 с. 125 Серл Дж. Сознание, мозг и программы // Аналитическая философия: становление и развитие. – М., 1998. – С. 376-399. 126 Берг А.И., Бирюков Б.В., Новик И.Б., Спиркин А.Г. Кибернетика – методологические проблемы // Вестник АН СССР. – 1971. – № 9. – С. 45-54. 127 Глушков В.М. Кибернетика. Вопросы теории и практики. – М.: Наука, 1986. – 488 с. 128 Поспелов Г.С. Искусственный интеллект - основа новой информационной технологии. – М.: Наука, 1988. – 280 с. 129 Амосов Н.М. Моделирование разума, сознания и подсознания // В сб.: Нейрофизиологические механизмы психической деятельности человека. – Л.: Наука, 1974. – С 105­117. 130 Алексеев А.Ю. Нейрокомпьютинг в комплексном тесте Тьюринга / А.Ю. Алексеев, С.А. Игнатов, Т.А. Конькова // Рецензируемый журнал ВАК, РИНЦ. – Нейрокомпьютеры: разработка и применение. – 2012. – № 5. – С. 41-48. 131 Венда В.Ф. Семантические проблемы искусственного интеллекта. – Киев, 1977. – 304 с. 123 50 Это направление впоследствии по тем же причинам преобразовалось в биотехнические системы (В. М. Ахутин, ЛЭТИ132,133). В целом развитие систем и концепций ИИ идет по пути все большего объединения с телеологией, то есть структуризации и, вместе с тем, увеличения проработанности проблемного пространства в соответствии с конкретизацией достигаемых целей. Релятивизм проблемы ИИ и его основного онтологического вопроса можно охарактеризовать как возрастающий, хотя процесс этот обнаруживает выраженную нелинейность в связи с кардинальными достижениями в этой области, когда вопрос А. Тьюринга так или иначе вновь поднимется. Совершенно глубоко подмечено М.П. Стати134, что философский аспект проблемы ИИ возникает при рассмотрении следующих вопросов: 1. ИИ как проблема самого себя, восходящий к онтологии Платона 135 о бытии как проблеме самого себя в мире без отношений; 2. отношение ИИ – человек, с позиций философии Канта 136 — Фихте137, рассматривающих онтологию отношений Я-не-Я, и Л. Фейербаха 138, выражающим общее отношение между субъектом и чем-либо внешним формулой «Я-Ты»; 3. отношение ИИ – человеческий социум, неизбежно, начиная с К. Маркса 139, который первым стал рассматривать общество в целом как социальный организм по принципу выделения с, одной стороны, социума, а, с другой стороны, отношения его к чему-либо. На наш взгляд, возникновение философских аспектов проблемы ИИ обусловливается также: 4. обсуждаемой в последнее время проблемой искусственной жизни – в расширенном её понимании – как проблему субстанциональности ИИ; 5. проблемой трансверсальности («трансгуманистическая» машинной философия и «экстропизма», естественной см. «Экстропия личности – журнал трансгуманистического исследования»); 6. отношением ИИ – ИИ, то есть искусственный социум; 7. вопросами индуцированного (или инъектированного) интеллекта. Ахутин В.М. Бионические аспекты синтеза биотехнических систем. – Информ. материалы. Кибернетика. – 4 (92). – М.: Сов. радио, 1976. – С. 3­26. 133 Ахутин В.М. Биотехнические системы: Теория и проектирование/ Ахутин В.М., Немирко А.П., Першин Н.Н., Пожаров А.В., Попечителев Е.П., Романов С.В. – Л.: Изд-во Ленингр. Ун-та, 1981. – 220 с. 134 Стати М.П. Вера и знание в системах с искусственным интеллектом. – Дисс. к.ф.н., 09.00.01. – М.: МГУ, 1994. 135 Платон. Политик. Собр. Соч. В 4-х т.т. Серия ФН. – М.: Мысль, 1994. – Т. 4. 136 Кант И. Критика практического разума. Сочинения: В 8 т. – М., 1994. – Т. 4. – С. 409. 137 Фихте И.Г. Сочинения: В 2-х томах. – СПб., 1993. – Т. 1. – С.19. 138 Фейербах Л. Принципы материалистической теории познания. – М., 1923. – 210 с. 139 Маркс К., Энгельс Ф. Сочинения. Изд. 2-ое. – М., 1974. – Т. 42. – С. 124. 132 51 Можно проследить следующие значимые аналогии-ассоциации в идеологиях ИИ и НК. 1) На уровне свойств и функций отдельного индивида. Исследование и моделирование ответов унитарного нейрона140, синаптической передачи141, механизмов пластичности и памяти на клеточном уровне142, пассивное проведение по дендриону,143, воспроизведение тетанизации и парабиоза,144,, функциональных электрического146, кодов эфаптического147 и хореографии и онтогенеза 145, электромеханического148 спайка, моделирование воспроизведение метаболических внутриклеточных процессов нейрона как функционально-процессорных 149, так и жизнеобеспечивающих можно сопоставить с воспроизведением психических функций индивидуума – моделирование логических мыслительных актов (доказательство теорем, обработка символьной информации, автоматический синтез программ, анализ и синтез музыкальных произведений, принятие решений, интеллектуальные базы данных и знаний и управление ими, моделирование игровых задач, математическая психология, обработка информации в специализированных средах — биомедицинские системы, компьютерная интерпретация конкретных технических задач (САПР), обработка «гуманитарной» информации в гуманитарных науках, семантический процессинг – работа с текстами, установление авторства, расшифровка кодов, семантическая фильтрация, конструирование и генерация смыслов и т. д.). Наблюдается значительное перекрытие полей используемых математических аппаратов, специфичность которых является условной и состоит в некоторой тенденции первого направления (НК) в сторону математического аппарата описания физической реальности, а во втором направлении (ИИ) – в сторону алгоритмизации и дескриптивного подхода. Однако оба эти направления объединяет то, что и в том и в другом случае объект изучения не выходит за рамки индивидуального: в случае перечисленных проблемных областей ИИ – за границы индивидуально-психических функций человека, в случае НК – индивидом является нервная клетка. 140 McCulloch W.S., Pitts W.H. // Bull. Math. Biophys. – 1943. – V. 5. – P. 115-133. Патент SU № 1329449. Устройство для моделирования нейрона / Межецкая Т.А. и др. – 1987. 142 Интеллектуальные процессы и их моделирование. – М.: Наука, 1987. – С. 39-66. 143 Патент SU № 1585811. Устройство для моделирования нейрона / Жуков А.Г., Колесников А.А., СавельеваНовосёлова Н.А., Савельев А.В. – 1990. – Бюлл. № 30. 144 Патент РФ № 2024059. Устройство для моделирования нейрона / Жуков А.Г., Савельева-Новосёлова Н.А., Савельев А.В., Лаврова Т.С. – 1994. – .Бюлл. № 22. 145 Фултон А. Цитоскелет. Архитектура и хореография клетки. – М.: Мир, 1987 – 118. 146 Hodgkin A.L. The condition of the nervous impulse. – Liverpool University Press, 1964 – 125 с. 147 Гутман А.М. Биофизика внеклеточных токов мозга. – М.: Наука, 1980. – 184 с. 148 Колесников А.А., Савельев А.В. К вопросу концептуального моделирования принципов функционирования нейрокомпьютеров // В сб.: «Нейроинформатика и ее приложения». – Красноярск, 1995. – С. 68. 149 Либерман Е.А. Изучение диффузионной моделирующей системы молекулярной вычислительной машины нейрона // Биофизика. – 1980. – № 3. – С. 455-461; Квантовый биокомпьютер // Биофизика. – 1990. – № 1. – С. 132135. 141 52 2) на уровне коммуникативного поведения двух индивидов (аналогично задаче взаимодействия двух тел в физике). Со стороны ИИ — внешняя интеллектуализация компьютеров; диалоговый интеллектуальный интерфейс на базе традиционной архитектуры, интеллектуальная эргономика, со стороны НК можно указать на моделирование кодированиядекодирования спайковых потоков нейрона150, сопряжение с рецептивными полями 151, моделирование нервно-мышечного соединения, воспроизведение процессов экзоцитоза (пост- и пресинаптические явления в синапсах, медиаторные процессы) 152,153. 3) на микросоциальном уровне (аналогично задаче трех тел в физике). Для направления ИИ это – многопроцессорные системы и распараллеливание обработки информации, моделирование поведения индивидуумов в небольших коллективах — идеология экспертных систем, локальные сети. Для НК — имитация микросоциальных явлений прежде всего выражается в идеологии нейросетевого подхода, являющегося, доминирующим на сегодняшний день в нейрокомпьютинге, описание коллективного поведения однотипных формальных нейронов на специализированных архитектурах 154,155 или с soft-имитацией на компьютерах с традиционной архитектурой156,157, решение различных прикладных задач на сетевых и матричных структурах. 4) воспроизведение макросоциального уровня поведения (задача взаимодействия не менее трех тел в физике). Для ИИ – глобальные компьютерные сети, интеллектуальная защита информации; для задач нейрокомпьютинга аналогию составляют системы, построенные на объединении множества сетевых структур, воспроизводящие межансамблевые взаимодействия нейронов, моделирование поведения нейронов различных типов и различных уровней, иерархические сетевые структуры и т.д. 5) на уровне моделирования эволюционных механизмов: в ИИ — конкурирующие стратегии экспертных систем; решение многокритериальных задач с принятием решений при многих предпочтениях в многомерных случаях; взаимодействие программных продуктов в компьютерных сетях на основе игровых стратегий и т.д.; в НИ – генетические алгоритмы 158,159. 150 Шерман Д.М. «За» и «против» гипотезы о межимпульсном интервальном кодировании информации в нервной системе // Журнал высшей нервной деятельности. – 1997. – Т. 47. – № 1. – С. 170-175. 151 Gawel R. Neuromorphic Engineers Craft Brain-Like Circuitry to Perform Perceptual Tasks // Electronic Design. – 2000. – V. 48. – №15. 152 Патент SU № 1292494. Устройство для моделирования нейрона / Савельев А.В. – 1987. 153 Патент SU № 1406613. Устройство для моделирования нейрона / Савельев А. В. – 1988. – Бюлл. № 24. 154 Mead C. A. Neural Hardware for Vision // Engineering and Science. – June 1987. – V. L. – № 5. – P. 2-7. 155 URL: http://neurnews.iu4.bmstu.ru/neurosoft/index.htm 156 Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. – Новосибирск: Наука, 1996. – 276 с. 157 URL: http://neurnews.iu4.bmstu.ru/neurnews.html 158 Adami C., Belew R., Kitano H., Taylor C. Artificial Life VI. – Cambridge: MIT Press, 1998. 159 Мосалов О. П., Бурцев М. С., Митин Н. А., Редько В. Г. Модель многоагентной интернет-системы, предназначенной для предсказания временных рядов // «Нейроинформатика-2003». – М.: МИФИ, 2003. – Ч. I. – С. 53 6) задачи распознавания образов и обучения являются в этом смысле «междисциплинарными» и имеют представительство как в ИИ, так и в НК, причем, практически на всех рассмотренных уровнях соответствия160,161. Неудовлетворенность получаемого при помощи концепции ИИ, звучащую в приведенных словах А. Эндрю пытается разрешить НК, которую можно представить как движение в обозначенном им предельном направлении. Действительно, возможные ограничения ИИ могут лежать в изначально ограниченных методологических представлениях, ориентированных на воспроизведение психологизма, как внешнего проявления оторванного от своей субстанциональности, а потому мыслимого лишь как частичного, далеко не полного, выражаемого логикой и оставляющего за пределами большую часть бытия. Таким образом, ИИ мыслится нами как идеальные представления об идеальном, в то время как НК выражается как раз в попытке углубить уровень детальности воспроизведения сущности объекта с переходом на его структуру. Подчеркивается, что здесь нельзя проводить какой-либо параллели с таким направлением ИИ, как разработка новых архитектур. В этом плане ИИ представляется как проблема чисто вычислительной техники информатики, или как наука о методах ее использования, т.к. создание новых архитектур не направлено собственно на получение «биологических» свойств, а служит искусственным техническим нуждам, которые на самом деле могут быть никак не связаны с мышлением и интеллектом, по крайней мере непосредственно или телеологически. В частности, это могут быть задачи механического повышения производительности систем «неприродными» путями, а потому, возможно, громоздкими и трудоемкими, как например, параллельные архитектуры, систолические процессоры и т.д. Не случайно поэтому в последнее время в интеллектуальных технических системах обозначилась тенденция к упрощению системы команд. ИИ представляется как попытка вписать его в категорию рациональности, в то время как НК пытается расширить проблемное поле и получить новые, недостижимые с позиций ИИ свойства путем обращения к витальному за счет попыток воспроизведения его структуры. Это уже опредмечивание одной половины ИИ, обозначенное нами как идеальные представления о материальном и уже через него к новому уровню идеального. Сущностные взаимоотношения НК и ИИ напоминают и как бы являются современной «информационно-бытийной» трансформацией отношений материалистической и идеалистической традицией в философии и представляют собой сегодняшнее воплощение сосуществования этих идей. 177-184. 160 Kohonen T. Self-Organizing Maps. – Berlin-Heidelberg: Springer, 1997. – 217 p. 161 Bishop C. M. Neural Networks for Pattern Recognition. – Oxford Clarendon Press, 1995. – 482 p. 54 Таким образом, НК не следует рассматривать как частный случай проблемы ИИ. Как следует из проведенного анализа, это не очень сравнимые два параллельных направления: относительно каждого из них можно заключить, что одно из них является более общим по отношению к другому, что подтверждает их параллельность. Кроме того, наличие того и другого, а также вновь активизирующийся в наши дни интерес к моделированию разума, стремительное развитие биоинформатики, свидетельствует о назревающей необходимости смены парадигмы в информационных и биологических науках. Выводы по первой главе 1. Аналитический обзор основных направлений нейрокомпьютинга позволил выделить ряд типичных решаемых им задач. Большое внимание было уделено истокам и направлениям отечественного НК. С учётом этого ретроспективный обзор направлений и генезиса НК позволил сформулировать основные проблемы НК технического и философскометодологического планов. Это дало возможность проанализировать связи с информатикой, и отметить, что важнейшей характерной чертой информационных технологий является стремление к количественному совершенствованию, а именно, миниатюризация, практически не затрагивающая качественных сторон, оставляя неизменным базовые концепции, лежащие в её основе — машину Тьюринга, фоннеймановскую архитектуру, булеву алгебру. Сделан вывод, что одной из главных попыток преодоления этого является НК. 2. Выявлено, что пересечение понятий НК и информатизации происходит через категорию информации, которая в наше время начинает становиться чуть ли не всеобщей философской категорией наряду с материей162. Однако, отмечен и исследован тот факт, что при переходе в новое качество само понятие информации может измениться («нейроинформация»), то есть показана взаимная зависимость определения информации от способа её обработки. Это может дать появление принципиально новых неизвестных ранее эффектов и сильно модифицировать понятие НК относительно ИН вплоть до наполнения его совершенно иным содержанием. 3. Проанализированы вопросы соотношения НК и философии как в прямом, так и обратном смыслах. Утверждается, что подобно тому, как это многократно происходило в нейронауках, методы философии также могут играть роль инструмента генерации 162 Дубровский Д. И. Проблема «сознание и мозг» : Теоретическое решение. — М.: Канон+, 2015. — 208 c. 55 концептуального аппарата НК. И наоборот, рассмотрена возможность применимости идей нейрокомпьютинга в философии для осмысления новых направлений науки и обеспечения возможности развития философских выводов с использованием новейших данных постоянно изменяющейся реальности. В связи с этим рассмотрена роль философии нейрокомпьютерных исследований (НКИ) в связи с вопросами аксиоматики, как верификационные критерии научности НКИ, правомерности результатов и защиты от неизбежных отрицательных сторон, связанных с прогрессом информационноинтеллектуальных технологий. 4. В плане воспроизведения свойств интеллекта, что особенно характерно для ИИ проанализировано и сделаны выводы, что в смысле расширения понятия рационального и определение иррациональным, интеллекта как упирается в диалектического сочетания эпистемологическую рационального проблему ИИ, с которую охарактеризовал А. Эндрю163: «Любая попытка создать интеллектуальную или думающую машину автоматически подразумевает самоотрицание… Пока разработка ИИ не достигнет своей высшей цели – дублирования каждого аспекта человеческого интеллекта (что, по-видимому, неосуществимо в обозримом будущем), ему обязательно будет присуще такое самоотрицание». 5. Сущностные взаимоотношения НК и ИИ напоминают и как бы являются современной «информационно-бытийной» трансформацией идеалистической в традиций философии отношений и материалистической представляют собой и сегодняшнее современное воплощение сосуществования этих идей. Кроме того, наличие того и другого, а также вновь активизирующийся в наши дни интерес к моделированию разума, видимо, свидетельствует о назревающей необходимости смены парадигмы в информационных, а может быть, и биологических науках. 6. Выделены масштабные типичные задачи нейрокомпьютинга и рассмотрена его значимость в свете соотнесения с перечнем критических технологий Российской Федерации и концепции НБИК-конвергенции. Отмечена большая роль НК для развития критических технологий и обеспечения прорывных условий прогресса. Для подготовки и осуществления следующего подъёма по всем направлениям необходимо переопределение и расширение понятия нейрокомпьютера. 7. С учетом проведенного анализа дано научное определение термина «нейрокомпьютинг», подразделяемое на слабый и сильный НК с обоснованием его семантического и синтаксического содержания и проанализирована степень и динамика научности 163 Эндрю А. Искусственный интеллект. — М.: Мир, 1985. — С. 18-32. 56 феномена, им обозначенного. С указанных позиций проводится анализ и уточнение ключевых понятий нейрокомпьютинга на общеметодологическом уровне, предпринята попытка их строгого определения и выявления общих и особенных признаков, что позволяет внести в них смысловую определенность и построить обоснование их как научного понятийного аппарата. Кроме того, разделение понятия НК на сильное и слабое понимание позволяет лучше проникнуть в суть базовых парадигм НК и даёт возможность дальнейшего формулирования новых концептуальных принципов, способствующих его расширению, большему терминологическому соответствию и выходу НК на принципиально новые уровни значимости, которые могут претендовать на глобальную парадигму информатики в недалёком будущем, а также способствовать пониманию и решению ключевых проблем нейробиологии. может 57 Глава 2. Концептуальные основания моделирования в нейрокомпьютинге В главе приведён теоретический анализ основных направлений, на которых базируется современное понимание нейрокомпьютинга – нейросетевой парадигмы и нейромоделирования. Базируясь на разграничении слабого и сильного нейрокомпьютинга, основываясь на предложенном и обоснованном в первой главе определении сильного нейрокомпьютинга, произведено расширение современного понимания его концептуальной основы. С этих позиций проанализирована природа сетевой парадигмы в динамике генезиса сетевой структуризации в общем смысле вне зависимости от материального субстрата на уровне общесистемных свойств. Произведена разработка сущности сетевых тенденций с анализом дифференциальной компоненты их содержания. Рассмотрение интегративной и сетевой парадигмы осуществлено с учётом симптоматичности, то есть обнаружены её свойства, позволяющие судить о симптоматичности развивающегося процесса, атрибутикой которого является сетевая структура на различных стадиях её развития. Предложены концепции расширения понимания сетевой парадигмы в виде принципа гиперсетевого построения элементов сетей, а также с преодолением стандартности элементов нейросетей расширением их функциональности и воспроизведением индивидуальных различий. Модификациями сетевой парадигмы могут быть также агломерация элементов сетей в комплексы с индивидуальной структурой и параметрами и композиция их в большие группы по признакам сходности свойств, например, динамических характеристик. Как альтернативный существующим также предлагается принцип взгляда на сетевую организацию как аналогичной организации общества. Выработаны общие принципы анализа теории нейромоделирования на основе теории репрезентаций М. Вартофского и определён ряд свойств, присущих как нейробиологическим, так и нейрокомпьютерным моделям, что позволяет производить сравнение их практических реализаций. §2.1. Нейросетевая парадигма нейрокомпьютинга Глобально доминирующим принципом посторения практически всех систем и явлений, относимых к НК на сегодняшний день считается сетевой принцип 164,165,166. Тенденции к 164 Тархов Д. А. Нейросетевые модели и алгоритмы. – М: Издательство «Радиотехника», 2014. – 352 с. Хайкин С. Нейронные сети: полный курс, 2-е издание. : Пер. с англ. – М. : Издательский дом «Вильямс», 2006. – 1104 с. 166 Cichy R. M. et al. Deep Neural Networks predict Hierarchical Spatio-temporal Cortical Dynamics of Human Visual Object Recognition // arXiv preprint arXiv:1601.02970. – 2016. 165 58 воспроизведению свойств и функций человеческого интеллекта существовали и ранее, в частности, они получили выражение в направлениях искусственного интеллекта, да и в самой автоматизации элементов мыслительной деятельности, нашедшей выражение в создании вычислительных машин167. Если посмотреть внимательнее, то можно заметить, что и цифровые вычислительные машины, построенные на принципах двоичной арифметики, также являются устройствами, моделирующими работу мозга, в частности, внешнее психологическое проявление работы мозга при выполнении простейших арифметических операций. Более того, простейшие вычислительные устройства типа арифмометра, логарифмической линейки, счетов, также выполняют те же функции, только моделирование, в этом случае, еще более грубое. И, наконец, сами математические операции 168 также моделируют работу мозга человека при простейших, определенным образом стандартизованных169, поведенческих актах. В параграфе произведена теоретическая разработка возможных новых принципов сетевой организации биосистем, более отражающих их сущность в отличие от взгляда на них как аналогичных технических искусственно сконструированных систем. Изложены основные положения нового, предложенного автором, принципа к оценке сложности многоуровневых систем, применительно к биологическим объектам, в частности, в нейробионическом аспекте. Приводятся результаты исследований, показывающие, что существующие оценки сложности нейросетей принципиально не адекватны их биологическим аналогам. На основе открытой гиперсложности биологических нейронов, превышающей сложность сетей из них и несводимой к ней, показана возможность обобщения теории нейросетей. Это может иметь следствием совершенно иной принцип организации архитектуры нейрокомпьютеров. 2.1.1. Природа сетевого принципа, нейрокомпьютинг как единство дифференциации и интеграции Как правило, все, что связано с информацией явным или неявным образом моделирует деятельность ц. н. с. человека (или вообще биообъектов). Кроме того, основополагающий принцип нейромоделирования на современном этапе – нейросетевой, совершенно не случаен и имеет довольно глубокие онтологические корни в окружающей нас развивающейся реальности. Поэтому, появление и распространение термина «нейрокомпьютер», «нейрокомпьютинг» 167 Lomova J.J., Savelyev A.V. Pythagorean syndrome and numerical nature of information // в сб. тр. I Всесибир. Конгресса женщин-математиков. – Красноярск, 2000. – С. 123-124. 168 Savelyev A.V. Mysterious Efficiency of Mathematics // International Congress of Mathematicians. – Madrid, Spain, 2005. – Section 17. 169 Микешина Л.А. Философия познания. Полемические главы. – М.: Прогресс-Традиция, 2002. – 624 с. 59 знаменует не столько онтологический факт, сколько эпистемологический факт осознания попытки, возникающей потребности перейти к некоему новому этапу в познании вообще и, в частности, в осмыслении концепций вычислительной техники, практически, совпадающий по времени с распространением сетевых компьютерных технологий, в частности интернета и телекоммуникаций. Случайно ли такое совпадение и каков эпистемологический статус этих явлений? Онтология сетевого принципа как избирательно-коммуникационная стратегия, вероятно, приобрела бытийный статус в глубокой древности. Источником его, видимо, можно считать деятельность субъекта, которая привела к началу материального производства, а именно, возникновению специализации в разделении труда. Разделение неизбежно, во избежании деструкции и элиминирования целого, ведет к повышению коммуникативности, то есть в полной мере реализуется сетевой принцип. Как только целое разделяют, оно начинает сопротивляться, возникают силы, препятствующие этому, в частности, проявляющиеся в усилении коммуникационной стратегии, сетевой структуризации. В физике это очень хорошо известно, например, в физике атомного ядра. Именно с этих позиций рассматривают технику и технические достижения Ю. Хабермас170, Х. Фрайер171, Г. Маркузе в кн. «Одномерный человек»172 (интегрирующее начало технической рациональности), Т. Адорно 173. Ю. Хабермас174 заключают, что причина в потребности коммуникативности лежит в родовом свойстве человека – обращению друг к другу, как условие жизни человеческого сообщества. Однако упомянутые исследователи рассматривают лишь одну внешнюю сторону общего процесса, а именно, коммуникативность, следствием которого является проявление сетевого принципа в организации жизненных, в том числе, когнитивных проявлений. В связи с этим остаются непонятными или неубедительными мотивы, каузальность самих коммуникативных стратегий. А отсюда остается неясным и их онтологический статус. Непонятно, зачем собственно человеку стала необходима коммуникация и зачем именно он стремится к расширению ее по всем возможным направлениям. Традиционное объяснение этого через удовлетворение возрастающих потребностей в кооперировании при развивающейся материальной деятельности человека является весьма призрачным, поскольку неясно, что причина, а что – следствие: материальная деятельность или коммуникация. По сути дела, в такой постановке проблема сводится к дихотомическим вопросам философии, что, по всей 170 Habermas J. Theory of Communicative Acts. – Boston, 1987. – P. 387. Freyer H. Soziologie als Wirklichkeitswissenschaft: Logische Grundlegung des Systems der Soziologie. – Lpz., Berlin, 1930. 172 Маркузе Г. Одномерный человек. – М.: АСТ, 2002. – 528 с. 173 Adorno Th.W. Kritik; kleine Schriften zur Gesellschaft. – Fr.a.M., 1971. 174 Habermas J. Technik und Wissenschaft als «Ideologie». – Fr.a.M., 1969. 171 60 видимости, указывает на некорректность постановки задачи 175. В этом смысле биологизаторские взгляды (например, Г. С. Шевяков 176) на природу информационной составляющей человеческого социума как на стремление удовлетворить «информационную потребность», представленную имманентными свойствами некоторых структур мозга человека (неокортекса), являются хоть и интересными, но, как нам кажется, односторонними. Объясняя, на первый взгляд, природу социальных свойств и процессов человеческого сообщества с биологических позиций (попытки чего, на самом деле, в истории философии 177 предпринимались бесчисленное число раз178) подобные подходы как раз и не содержат социального в причинах социального, сводя их к чисто биологическим. Однако, развитым неокортексом обладает не только человек, а например, дельфин, у которого неокортекс, может быть, развит даже более, чем у человека, в том числе, и на ультраструктурном уровне (Л.В. Крушинский и др.179). Почему же тогда у дельфинов отсутствует эта самая «информационная потребность», способствующая генерации искусственного мира? С нашей точки зрения, коммуникативно-деструктивная концепция и связь ее с сетевым принципом организации хорошо способны объяснить природу информации как с биологических, так и социальных позиций одновременно и взаимно-обусловлено. Информацию можно, таким образом, воспринимать как субстрат коммуникативности, как средство, направленное против деструкции системы, однако, в то же время, накапливаясь в элементах этой системы, именно информация способствует все большей их индивидуализации, то есть способствует деструкции системы как уже было показано на примере информационных сетей180. Таким образом, информация является и средством спасения и причиной распада организации одновременно, то есть не только биологическим, а биосоциальным свойством. Поскольку каждый организм представляет собой сообщество образующих его субъединиц 175 Чаттерджи С., Датта Д. Индийская философия. – М.: Селена,1994. – С. 122. Шевяков Г. С. О неокортексе и человеке // Философские науки. – 2002. – № 2. – С. 106-117. 177 Начиная с антропоморфизма Ксенофана (6 в. до н. э.), наделяющего природу и мифические существа человеческими свойствами, аристотелева учения об актуализации скрытых потенциальностей, что является почти в чистом виде биологизаторством в противовес механицизму милетцев и атомистов, к витализму Плотина (vivere facit – «животворящий дух»), получившему далее развитие вместе с анторопологизмом Б. Спинозы («Этика», Избр. Произв. – Т. 1, М., 1957. – С. 396), Д. Вико (Основания новой науки об общей природе наций. – М.- К., 1994. – С. 108), Н. Г. Чернышевского (С.с. в 2-х тт. – М.: Мысль, 1986. – Т. 2. – С. 146-230, 503-544) до социо-антропологонатуралистических школ Г. Ратценхофера (учение о «силе внутреннего интереса, присущего природе и обществу» в Die Kritik des Intellekts. – Lpz, 1902. – S. 131, 150), натуралистического дарвинизма У.Г. Самнера (The sciense of society. – New Haven, 1927. – V. 1-4), гуманистической философии П. Тейяра-де-Шардена, космонатуралистической философии В.И. Вернадского и др., а также, воплотившись в т. н. философии жизни, свойственной в той или иной степени неклассической и постнеклассической философии Ф. Ницше, А. Бергсона, В. Дильтея, Г. Зиммеля, О.Шпенглера, М. Шелера, У. Джемса, Х. Ортеги-и-Гассета, Г. Риккерта и др., в том числе, и в философии экзистенциализма К. Ясперса, М. Хайдеггера и др. 178 Всемирная энциклопедия: Философия. – М.: АСТ. 2001. – С. 59-63; Философская энциклопедия в 5-ти тт. Гл. ред. Константинов Ф. В., М.: Сов. Энциклопедия. 1960-1970. – Т. 1. – С. 77-78. – Т. 5. – С. 349-351. 179 Крушинский Л. В., Школьник-Яррос Е. Т. Некоторые пути изучения связи между рассудочной деятельностью млекопитающих и морфологией мозга // Общая биология. – 1982. – Т. 63. – С. 579-588. 180 Савельев А. В. Internet и нейрокомпьютеры как социотехнологические стратегии искусственного мира // Философские науки. – 2004. – № 6. – С. 100-113. – URL: http://www.sciteclibrary.ru/rus/catalog/pages/7759.html . 2005. 176 61 (клеток, микроорганизмов, макромолекул) информационно-коммуникативные процессы объединения и удержания их вместе продолжаются до тех пор, пока информационная индивидуальность компонентов, повышаясь ввиду этой генерации в них связующей информации, не превысит некоторого порогового уровня, после чего элементы становятся автономными и происходит распад всей системы как сети или сообщества вплоть до перерождения элементов. Сетевая структура, по сути дела, является мгновенным снимком двух параллельно и одновременно идущих процессов разъединения, распада системы на части и объединения частей как противодействия этому. Рассмотрение коммуникативности в совокупности с интегро-дифференционными и тенденциями как единого целого взаимообусловливающего комплекса, дает ключ к пониманию скрытой онтологии сетевого принципа, а также его смысл для системы как определенной стадии, симптоматичности ее пространственно-временного развития. По нашему мнению это действительно может быть связано с социальным уровнем человеческого существования, но скорее с его количественными характеристиками, причем, при превышении определенного порога численности популяции. Такой подход можно назвать суперконнекционизмом. Таким образом, из выше сказанного следует близость сетевого принципа к социальным технологиям и самому общественному структурированию. Вместе с тем можно отметить, что снижение популярности НК как вычислительной технологии происходит за счёт предельного абстрагирования от приставки «нейро-» и практически не связанности с ней изначально. С другой стороны наблюдается повышение интереса к теории НК, которое, как правило, происходит параллельно с падением интереса к практике вычислительного, слабого НК, что обусловлено именно надеждами на потенциальную возможность воспроизведения биологических свойств нервной системы. Из выше сказанного следует, что спасение нейрокомпьютинга — в оправдании первой части его названия, т.е. «нейро». Попытки этого известны и уже происходили не раз. Например, в единственном в России журнале на эту тему «Нейрокомпьютеры: разработка, применение» издательства «Радиотехника» существует рубрика «Нейрофизиологические модели нейронных сетей» и регулярно издаются по ней специализированные выпуски 181. Можно отметить плодотворность закономерностей 181 нейрокомпьютерной нейробиологии. парадигмы182 Однако, для открытия новых необходимо признать, что явлений и сближения с Нейрокомпьютеры: разработка, применение. – Спецвыпуск «Нейрофизиологические модели в нейрокомпьютинге» / под ред. А.А. Фролова. – Москва. – Радиотехника. 2008. – №5-6. 182 Чечкин А.В., Савельев А.В. Нейрокомпьютеры в 2012 году: новая парадигма // Нейрокомпьютеры: разработка, применение. – Москва. – Радиотехника. – 2012. – №12. – С. 69-76. 62 нейробиологией в массовом масштабе традиционного вычислительного нейрокомпьютинга при этом практически не происходит. Вполне возможно, что это осуществляется не только нежеланием нейрокомпьютерщиков изучать моделируемый объект, но и объективную сложность183 этого, показанную нами как гиперсложность. Поэтому гораздо проще заниматься традиционными проблемами, переименовав их согласно сиюминутной моде. Тем не менее, сложность обозначенной проблемы заставляет искать другие пути её решения. Известно, что, согласно теореме К. Гёделя, в любой формальной системе найдётся утверждение, неразрешимое в рамках этой системы. Поэтому, если выйти за пределы этой системы и расширить тем самым систему, можно решить и первоначально нерешаемую в предыдущей системе задачу. В соответствие с этим можно предположить, что нерешённую до сего дня задачу сопряжения нейрокомпьютинга с нейробиологией можно попробовать приблизить к решению, обратив свой взгляд на человеческое общество, его структуру и законы функционирования184. Возможность внедрения бионического подхода в нейрокомпьютинг существенно сдерживает «машинный» взгляд на мозг и нейробиологию вообще, то есть, так называемое, неявное «обратное конструирование мозга»185. В результате происходит подмена понятий и подходов, когда не биологические законы используются в технике, а наоборот, представлениям о биологической живой субстанции навязываются наши взгляды о функционировании и устройстве её подобно машине, что не только неправильно, но и в корне пресекает прогресс в совершенствовании самой техники, да и нейробиологии. В этом смысле плодотворным может быть иной взгляд на живую биосубстанцию и, прежде, мозг, нейросети, не как на машину, а как на живое человеческое общество. Невозможно не заметить, что вопросы, связанные с изучением функционирования природных био- и нейросистем и создания сложных186 многокомпонентных искусственных систем с биоподобием и нейроподобием, имеют фрактальное сходство со многими социогуманитарными проблемами187, от таких, как принципы организации и функционирования коммуникативности и различных социальных процессов до персоналистических направлений их личностных репрезентаций. 183 Янковская Е.А. Сложность структуры нейрона как препятствие к моделированию когнитивных процессов // Нейрокомпьютеры: разработка, применение. – 2014. – №4. – С. 67-68 . 184 Савельев А.В. Общество как глобальный нейрокомпьютер. Society as a Global Neyrocomputer // В материалах VI Российского философского конгресса. – Нижний Новгород. – 2012. – Т.3. – С. 142. 185 Дунин-Барковский В.Л. Нейроинформатика в России и мире. – Мозг: фундаментальные и прикладные проблемы (под редакцией академика А.И. Григорьева). – Москва. – Наука. – 2010. – С. 220-223. 186 Аршинов В.И. Синергетика: от нелинейности к сложности // Неизбежность нелинейного мира. К 100-летию со дня рождения В.С.Готта. − М.: Гуманитарий, 2012. – С. 60–73. − 472 с. 187 Аршинов В.И., Буданов В.Г. Парадигма сложностности и социогуманитарные проекции конвергентных технологий // Вопросы философии. – 2016. – №1. – С. 54­73. 63 Вполне возможно, что это даст новые горизонты бионических приложений за счёт другого взгляда на технические устройства. Кстати, на западе уже оценили ценность и важность изучения социоподобной связности структур мозга, в результате чего сейчас детальное исследование её и составление карты так называемого «коннектома» (проекты ДАРПА типа «Blue Brain»188 и др.) является одним из самых приоритетных направлений в современной западной нейронауке, на которое выделяются значительные суммы (Рисунок 2.1). Рис. 2.1. 3D визуализационная модель связей в мозге — «коннектом», составленная с помощью диффузионных МРТ-измерений humanconnectomeproject.org. Моделирование коллективной социоподобной не только структурной, как в упомянутом «Blue Brain» проекте, но и функциональной связанности может дать более реалистичный относительно машинного взгляд на мозг 189. Понятно, почему не получается это делать напрямую с использованием чисто биологических моделей — при попытках этого из-за особенностей 188 менталитета техногенной цивилизации, несмотря на провозглашаемые The Blue Brain Project EPFL. – URL: http://bluebrain.epfl.ch/ Анохин К.В. Когнитом: сетевое расширение теории функциональных систем [Электронный ресурс] // КВ Анохин / Современные проблемы системной регуляции физиологических функций. Материалы Конференции.-М.: ФГБHУ" НИИНФ им. ПК Анохина. – 2015. – С. 3-5. 189 64 постмодернистско-когнитивистские лозунги, биологические модели неизбежно конструируются исходя из доминирования технической парадигмы, то есть всё более машиноподобными. Применение для этих целей общественной парадигмы позволяет в большей мере отстроиться от этого. Другая сторона парадигмы «НК и общества» состоит в исследовании точными вычислительно-математическими методами социальных проблем. Даже традиционный НК в виде аппроксимационных технологий обработки данных может найти применение и находит его в решении трудноразрешимых другими методами задач исследования человеческого общества. К наиболее популярным задачам, непосредственным образом связанных с функционированием общества, относятся задачи прогнозирования — от демографической статистики и государственного управления до игровых реальностей и спорта 190, различные задачи политологии191 общественной этики, управление экономическими банковскими и налоговыми системами, логистика, управление телекоммуникациями и социальными сетями, системами видеонаблюдения и защиты информации192 и тд. Стоит отметить, например, разработку концепций и приложений мультиагентных нейроподобных систем, применяемых для анализа и управления экономическими и банковскими системами школой академика РАН В.Л. Макарова (ЦЭМИ РАН) 193, научную школу биометрической обработки социальной информации Л.Б. Куравского на базе МГППУ 194, школу криптографического анализа и защиты социальной информации Юго-Западного государственного университета под руководством проф. В.П. Добрицы 195, разнообразные политологические исследования Факультета государственного управления МГУ 196 проф. Ю.Ю. Петрунина и Пермской школы нейрокомпьютинга национального исследовательского политехнического университета под руководством проф. А.А. Южакова 197, экологические приложения школы нейросетевого моделирования Санкт-Петербургского государственного Петрунин Ю.Ю. Рязанов М.А. Как выиграть мировой чемпионат. Методы математической статистики в управлении национальным футболом. – М.: Макс Пресс, 2015. – ISBN 978­5­317­04963­8. – 56 с. 191 Петрунин Ю.Ю. Нейрокомпьютинг: между наукой и лженаукой // Нейрокомпьютеры: разработка, применение. – 2015. – №8. – С. 52­64. – http://www.radiotec.ru/catalog.php?cat=jr7&art=16837 192 Ларина Е.С., Овчинский В.С. Кибервойны XXI века: о чем умолчал Эдвард Сноуден. – М.: Книжный мир, 2014. – 351 с. 193 журнал «Искусственные общества» / гл. редактор академик В.Л. Макаров. – Москва. – ЦЭМИ РАН. – ©Лаборатория искусственных обществ. 194 Нейрокомпьютеры: разработка, применение. – Спецвыпуск «По материалам XII Всероссийской научной конференции «Нейрокомпьютеры и их применение» МГГППУ» / под ред. А.А. Куравского. – 2014. – №10. 195 Нейрокомпьютеры: разработка, применение. – Спецвыпуск «Школа нейрокомпьютинга Юго-Западного государственного университета» / под ред. В.П. Добрицы. – 2008. – №5-6. 196 Нейрокомпьютерная парадигма и общество / Под ред. Ю.Ю. Петрунина. – М.: Издательство Московского университета. – 2012. – С. 149­175. – НАУЧНАЯ МОНОГРАФИЯ.– 288 с. 197 Нейрокомпьютеры: разработка, применение. – Спецвыпуск «Адаптивные информационно-управляющие системы на основе нейронной технологии ПНИПУ» / под ред. А.А. Южакова. – 2013. – №11. 190 65 политехнического университета под руководством проф. Д.А. Тархова198 и др. Следует также отметить как значительное парадигмально задающее на международном уровне событие в НКИ, открывающее горизонты новых направлений НК, издание коллективной монографии в серии «Научные исследования» под ред. д.филос.н., проф. Ю.Ю. Петрунина «Нейрокомпьютерная парадигма и общество»199, осуществлённой издательством МГУ им. М.В. Ломоносова в 2012 г. Чрезвычайно интересными являются спортивные приложения от прогнозирования и нейросетевого анализа информации до управления игровой реальностью школой мирового уровня «Нейрокомпьютинг в новой науке о спорте» проф. Ю.Ю. Петрунина, Факультета государственного управления МГУ200. Отсюда очень хорошо видна мощнейшая глобальносистемная часть парадигмы «Нейрокомпьютеры и общество». Устанавливая мост между гуманитарными и естественными с инженерно-техническими науками, общественная парадигма в нейрокомпьютинге сама по себе является не только гуманитарной. Скорее, её можно охарактеризовать как междисциплинарную. Это можно понять, во-первых, оценив результаты её применения, которые могут быть получены в нейробиологической, инженерно-технической сферах, и даже в естественных науках 201. Также задачи управления обществом, его экономикой, банковской и телекоммуникационными системами и задачи соответствующей обработки сопутствующей информации не могут считаться чисто гуманитарными и имеют массу инженерно-технических составляющих, к которым может быть применён нейрокомпьютинг как в традиционном его понимании, так и в расширенном202. А, учитывая всё возрастающее значение и ценность информации в нашем мире, глобализацию информационного общества, возникает и расширяется новый рынок задач применения нейрокомпьютерных технологий, далеко выходящих за рамки гуманитарных дисциплин, как по сути, так и по приложению, и технологиям разработки. Поэтому концепцию «Нейрокомпьютеры и общество» можно считать гуманитарной настолько же, насколько гуманитарны задачи обработки информации. Из вышесказанного следует, что использование приставки «нейро-» для сохранения и дальнейшего существования нейрокомпьютинга как научной программы, изучающей биологически инспирированные модели нейронов и нейронных сетей — жизненно необходимо. 198 Нейрокомпьютеры: разработка, применение. – Спецвыпуск «Нейросетевое моделирование СПбГПУ» / под ред. Д.А Тархова. – 2014. – №2. 199 Нейрокомпьютерная парадигма и общество / Под ред. Ю.Ю. Петрунина. – М.: Издательство Московского университета. – 2012. – Научная монография.– 288 с. 200 Петрунин Ю.Ю. Нейрокомпьютинг в новой науке о спорте // Нейрокомпьютеры: разработка, применение. – 2013. – №8. – С. 66­71. 201 Savelyev A.V. Geometry brain fine structure model // 24­й Всемирный математический конгресс. – Китай, Пекин. – 20–28 августа 2002. 202 Савельев А. В. Расширение понятия нейрокомпьютера и нейрокомпьютинга // Нейрокомпьютеры: разработка, применение. – 2013. – № 7. – С. 58-68. 66 Но это может происходить не только непосредственным образом — погружением в биологию, но и приходом к этому же опосредованными путями, одним из которых является использование общественного коммуникативно-коллективного универсализма и всяческих его аналогий. Вполне возможно, что исследование и применение социального уровня организации человеческого и других сообществ для разработки технических устройств, поможет лучше понять загадку человеческого интеллекта и вписанность его в общий контекст природы. Кроме того, такие исследования всегда содержат одновременно конструктивную составляющую, как новый инструмент и методологию конструирования самого объекта исследования. Помимо всего прочего, это также позволяет усилить осмысленность нейрокомпьютинга, задаваясь не только методологическими вопросами «как» что-то сделать, но и более философскими вопросами типа «что» всё-таки мы делаем. Прежде всего, эти конструкции вероятно должны быть собраны или выращены из живых элементов и живой субстанции соответственно принципу необходимой потенциальности 203. Этот принцип очень хорошо можно наблюдать хотя бы на примере интернета или мобильных телекоммуникационных сетей. И в том, и в другом случае, техническое оснащение является лишь средством, осуществляющим коммуникативные функции. Разумность же коллективному разуму придаёт только разумность элементов-коммуникаторов, осуществляющих коммуникацию, то есть человеческие индивидуумы. Это и обозначено нами как принцип необходимой потенциальности, то есть элементы должны, вопреки системному подходу 204, применимому лишь к техническим системам 205 и не применимому к живым организмам 206, обладать главным свойством целостной системы, а, может быть, и перекрывать его (принцип перекрытия сложности — или принцип гиперсложности), а именно, быть сложнее самой системы207. Отсюда следует принцип построения сверхсложных систем, противоположный принципу системности, где система определяется как образование более сложное, чем каждый её элемент. 203 Савельев А. В. Применимость нейроинформационной методологии к живым системам // В сборнике материалов конференции «Искусственный интеллект. Интеллектуальные системы (ИИ2008)». – Донецк-Таганрог- Минск. 2008. – С. 223-227. 204 Уёмов А.И. Системы и системные параметры // Проблемы формального анализа систем. – М., 1968. – 272 c. 205 Берталанфи Л. фон. Общая теория систем – критический обзор // Исследования по общей теории систем: Сборник переводов / общ. ред. и вст. ст. В.Н. Садовского и Э.Г. Юдина. – М.: Прогресс, 1969. – С. 23–82. 206 Урманцев Ю.А. Поли- и изоморфизм в живой и неживой природе // Вопросы философии. – 1968. – №12. – С. 7788. 207 Савельев А. В. Системотехника в контексте нейрокомпьютинга / Выпуск под ред. Е.В. Лосевой, А.В. Савельева // Нейрокомпьютеры: разработка, применение. – 2015. – №11. – С. 15­27. 67 2.1.2. Нейрон как гиперсеть. Расширение функциональности элементов сетей Началом представления о сетевом строении нервной ткани можно считать основополагающие работы К. Гольджи208 и С. Рамон-и-Кахала209, которые в конце XIX – начале ХХ в. в. прекратили дискуссии относительно структурных принципов организации нервной системы. Эти постулаты остаются до настоящего времени практически в неизменном виде. Вслед за этим в конце XX в. в качестве основной парадигмы нейрокомпьютинга была априорно принята нейросетевая концепция, воплотившая, по сути дела, представления К. Гольджи и С. Рамон-и-Кахала, выразившаяся только в еще большем упрощении её и сверх-идеализации. Эту сверхидеализацию проделали В. Мак-Каллок и В. Питтс 210 в 1940-х годах XX в., предложив подобно машинам «собирать» нейросети из простых стандартных элементов, однако, практически ничего общего не имеющими с реальной нервной тканью. Это положение занимает до сих пор главенствующие позиции. Справедливости ради необходимо отметить, что в последнее время появились тенденции поворота к обращению большего внимания технических специалистов на природу самих биологических объектов, правда, это относится пока, в основном, к западным школам211. Однако, эти попытки находятся только в начальной стадии своего развития, поскольку захватывают пока еще недостаточно глубокие парадигмальные слои. Среди «нейрокомпьютерщиков» довольно распространено мнение о том, что нейрон, являющийся субъединицей искусственных нейронных сетей (ИНС), значительно проигрывает в сложности самой сети. Более того, некоторые исследователи считают, что чем фундаментальнее, то есть чем более развита наука, тем более крупными нервными образованиями она обязана заниматься212. В таком случае, насколько отсталыми и прикладными должны быть направления нейробиологии, «позволяющие» себе лишь молекулярно-биологические подходы, в частности, генная инженерия? Непосредственным следствием таких представлений является повышение веры исследователей в организацию, выражающуюся в попытке индуктивно вывести уникальные функциональные свойства нервной ткани из того или иного порядка соединений стандартизованных элементов — нейронов. Глобализация таких представлений в нейротехнике обязана весьма определённой, сложившейся ещё до появления нейрокибернетики (а потому, более фундаментальной), 208 Golgi C. Opera omnia. – Milano, Hoepli, 1903. – 1563 p. Cajal R.S. Histologie du système merveux de l’homme et des vertebras. – Paris, Maloine, 1909-1911. – T. 1-2. 210 McCulloch W.S., Pitts W.H. A Logical Calculus of the Ideas Immanent in Nervous Activity // Bull. Math. Biophysics. – 1943. – №5. – P. 115-133. 211 Tempesti G. The Embryonics Project: a machine made of artificial cells // Riv. Biol. – 1999. – V. 92 (1). – P. 143-188. 212 Субботин С. А. Нейрокибернетика в СССР – СНГ: аналитический обзор изобретений и патентов // в сб. IV Всероссийской НТК «Нейроинформатика-2002». – М.: МИФИ, 2002. – Ч. 1. – С. 52. 209 68 методологии системного подхода. Однако, возникновение самого системного подхода было стимулировано, прежде всего, усложнением технических объектов, так называемых, сложных систем. При этом, в дальнейшем произошло почти автоматическое перенесение концепций и методов исследования искусственных технических объектов, непосредственно для которых они и были разработаны, на изучение объектов биологической живой природы, в частности с целью их моделирования. Эти и подобные установки привели к современному отождествлению понятия сложности213 со сложной системой, что указывает на искусственность конструирования понятия сложности из потребностей искусственно конструируемой реальности. В то же время, такого рода привнесение конструктивного элемента в понятие сложности 214, одновременно вносит большую долю целеполагающего детерминизма, где телеологическим фактором выступает человеческая деятельность. Именно это, на наш взгляд, может способствовать всё большему отдалению построенного на таких методологических принципах аппарата описания нейросетей от реального содержания природных процессов, несмотря на достижение успехов в применении его к искусственно созданным человеком устройствам215. Здесь уместно отметить необходимость принципа расширения функциональности каждого элемента нейросетей. Такой подход является противоположным по направленности глобальной стандартизации элементов искусственных нейросетей и, тем более, стандартизации элементам традиционных вычислительных систем (двоичная ячейка). Такое построение с высокой степенью индивидуальности и высоким уровнем функционализма отмечается как раз в биологических системах, в отличие от технических, не созданных искусственно. Эти концептуальные построения через 20 лет были успешно подтверждены мировым научным сообществом, например, в известных открытиях полнофункциональности так называемых нейронов «Монро», «бабушки», «Эйфелевой башни»216 и т.д. Конечно, не нейрокомпьютерными стоит проводить задачами и прямых параллелей достижениями, между несомненно, вычислительными самими по себе представляющими высокую ценность217 вне какой-либо связи с биологическими объектами, с одной стороны, и, с другой стороны, реальными механизмами работы мозга. Тем не менее, 213 Аршинов В.И., Буданов В.Г. Квантово-сложностная парадигма. Междисциплинарный контекст. – Курск: Университетская книга, 2015. – 136 с. – Научная монография. 214 Аршинов В.И. Трансгуманизм в перспективе эволюции сложности // Философские науки. – 2013. – №8. – С. 1123. 215 Галушкин А.И. О перспективах разработок и применения нейрокомпьютеров // Нейрокомпьютеры и их применение. – М.: ИПРЖР, 2002. – С. 16-42. 216 Quiroga R.Q., Reddy L., Kreiman G., Koch C., Fried I. Invariant visual representation by single neurons in the human brain //Nature. – 2005. – Т. 435. – №. 7045. – С. 1102-1107. 217 Галушкин А.И. Теория нейронных сетей. – М.: ИПРЖР, 2000; «Нейроинформатика» (Коллективная монография / А. Н. Горбань и др.). – Новосибирск: СО РАН, Наука, 1998. – С. 44-46. 69 может быть, более широкое использование закономерностей функционирования и принципов построения биосистем в нейрокомпьютинге всё-таки могло бы помочь уменьшить ещё огромное несовершенство нейрокомпьютеров по сравнению с вычислительными и иными возможностями биообъектов. Является хорошо известным факт, что до того как родились обычно декларируемые «основоположники» общей теории систем – Г.Х. Гуд218, Р.Э. Макол, Л. Берталанфи219, была хорошо известна и даже более детально проработана общая теория систем в лицах В.М. Бехтерева, сформулировавшего ещё в 1907 г. 23 универсальных общесистемных закона220, А.А Богданова (Малиновского), 1913 г.221, Т. Котарбиньского222, П.М. Керженцева (Лебедева), 1921 г.223, А.К. Гастева224. Первые общесистемные представления восходят не совсем к Берталанфи, а к И.М. Сеченову и И.П. Павлову, а ещё раньше — к К. Марксу225 и ещё раньше — к М.В. Ломоносову226. Интересно, что Ломоносов сформулировал основные положения общей теории систем практически в современном виде, опередив на пару веков время (и «основоположника» Берталанфи). Однако, поскольку тогда не нашлось её реализации в виде сложных искусственных систем — технических и организационных, появление которых стимулировало развитие теории систем как организационной науки о всеобщих принципах организации в «Тектологии» Богданова (1913­1925 гг.), технических систем в «Общей задаче устойчивости движения» А.М. Ляпунова (1892 г.) или «Общей теории структуры и синтеза механизмов» П.Л. Чебышёва (1861 г.)227, а математических основ теории систем в его же «Общей теории сравнений» (1849)228. Также, как только состоялось достаточное продвижение в изучении биосистем и осознана их грандиозная сложность, была выработана методология работы с ними на уровне общесистемных свойств, практически не изменившаяся до настоящего времени, разве что, изрядно утратившая уже свои компоненты и упростившаяся в трудах Берталанфи и 218 Good H.H., Machol R.E. System Engineering / An Introduction to the Desighn of Large-Scale Systems. – New York, Toronto, etc. Mc-Graw-Hill Book Co. 1957. 219 von Bertalanffy L. An outline of general system theory // British Journal for the Philosophy of Science. – 1950. – V. 1. – P. 134-165. 220 Бехтерев В.М. Объективная психология. В 3­х т. – СПБ, 1907­1910. – 480 с. 221 Богданов А.А. Тектология: Всеобщая организационная наука. В 2­х т. – Пг., 1913. – 302+352 с. 222 Kotarbi'nski T. Elementy teorii poznania, logiki formalnej i metodologii nauk. Lwów, 1929. 223 Керженцев П.М. Принципы организации. – М., Гос. Изд­во, 1921. – 240 с. 224 Гастев А.К. Как надо работать. Основные правила, разработанные Институтом Труда ВЦСПС. – Пермь, 1921. – 397 с. 225 Кузьмин В.П. Принцип системности в теории и методологии К. Маркса. – М.: Политиздат, 1986. – 398 с. 226 Ломоносов М. В. Полное собрание сочинений / АН СССР; [Глав. ред.: С. И. Вавилов (гл. ред.), Т. П. Кравец (зам. гл. ред.), А. И. Андреев, П. Н. Берков, Г. П. Блок, А. А. Елисеев (зав. гл. ред.), Г. А. Князев]. – М.; Л., 1950­1983. / Т. 4: Труды по физике, астрономии и приборостроению, 1744­1765 гг. 227 Чебышёв П.Л. Теория сравнений. – СПб., 1849. 228 Чебышёв П. Л. Полное собрание сочинений. – М., 1944­1951 / Т. 4: Теория механизмов. 1948. – 255 с.. – URL: http://nasledie.enip.ras.ru/ras/view/publication/general.html?id=45188031 70 последователей. Первоначальный более богатый вариант этого прекрасно отображён хотя бы в программной работе И.М. Сеченова «Рефлексы головного мозга»229 положения которого блестяще применены И.П. Павловым в конце ХIХ — начале ХХ вв. В этом смысле также стоит обратить внимание на Теорию функциональных систем (ТФС) академика П.К. Анохина, разработанную им в 1925­1935 гг.230, которую не любят цитировать, особенно за рубежом, но явно или неявно до сих используют нейрофизиологи всего мира. Правда, опять же далеко не в полном объёме, поскольку в общей теории систем П.К. Анохина входит самоорганизация, так и не понятая последующими за ним «основоположниками» — Г.Х. Гудом, Р.Э. Маколом, Л. Берталанфи. Более или менее её начал осознавать бельгийский учёный, Нобелевский лауреат Илья Пригожин ещё 20 лет спустя относительно Берталанфи, за что и получил Нобелевскую премию по химии в 1977 г. Правда, впоследствии отказался от полученных результатов, поскольку полностью в тайне самоорганизации по П.К. Анохину до конца не разобрался, по его же признанию. Хорошо известно, что диссипативные структуры, открытые И. Пригожиным, основывались на реакции Б.П. Белоусова (1951 г.)231 и теории А.М. Жаботинского (1964 г.)232. Справедливости ради, необходимо заметить, что в обзоре, к сожалению, не упомянуты важнейшие западные основоположники математической теории систем — Р.Э. Калман (1964), разработавший оценку состояний систем на основе теории А.Н. Колмогорова (1922­25, 1946 гг.), и М. Месарович (1978 г.)233, бывший студент крупнейшего отечественного идеолога системного подхода и математической теории систем (системного анализа, с 1956 г.) классика академика Н.Н. Моисеева, впервые выполнившего на этой основе моделирование «ядерной зимы» в 1983 г. Р.Э. Калман в 1959 г. разработал знаменитый фильтр Калмана, являющийся частным случаем общего фильтра Р.Л. Стратоновича (1955 г.)234. 150 лет «Рефлексам головного мозга» / Отв. редакторы: А.Ю. Алексеев, Ю.Ю. Петрунин, А.В. Савельев Е.А. Янковская // Коллективная НАУЧНАЯ МОНОГРАФИЯ, посвящённая изданию статьи И.М. Сеченова. – Издательство М.: «ИИнтелл». – 2014. – С. 6­26 – 432 c. 230 Анохин П.К. Взаимодействие клеток условного и безусловного раздражителей в течение применения последнего // Тр. Физиол. лабораторий им. И.П. Павлова. – 1927. – Т. 2. – С. 107­115. Анохин П.К. Проблема центра и периферии в современной физиологии нервной системы // Проблема центра и периферии в вышей нервной деятельности. – Горький. 1935. – С. 9­70. 231 Белоусов Б.П. Периодически действующая реакция и её механизм / Сб.: Автоволновые процессы в системах с диффузией. – Горький: Изд­во ГГУ, 1951. – С.76. 232 Жаботинский А.М. Периодические реакции окисления в жидкой фазе / А.М. Жаботинский // ДАН СССР. – 1964. Т. 157. – С. 392–395. 233 Месарович М. Общая теория систем: математические основы / М. Месарович, Я. Такахара. Пер. с англ. Э.Л. Наппельбаума; под ред. В.С. Емельянова. – М.: «Мир», 1978. Месарович М. Теория иерархических многоуровневых систем. Пер. с англ. Под ред. И.Ф. Шахнова. Предисл. чл.­кор. АН СССР Г.С. Поспелова. – М.: «Мир», 1973. 234 Стратонович Р.Л. Избранные вопросы теории флюктуаций в радиотехнике. – М.: Сов. Радио. 1961. – 558 с. 229 71 Н. Винер так писал о А.Н. Колмогорове: «Вот уже в течение тридцати лет, когда я читаю труды академика Колмогорова, я чувствую, что это и мои мысли. Это всякий раз то, что я и сам хотел сказать»235. Хорошо известен американский основоположник инженерного подхода в системотехнике — Дж. Клир, который в 1989 г. ввёл термин «системология», явившийся названием книги, а до него этот термин ввёл Б.С. Флейшман (ИРЭ и Институт Океанологии АН СССР), также опубликовав книгу с таким же названием (только в 1971 и 2-е издание в 1984 гг.). Также следует упомянуть Дж. Форрестера, разработавшего в 1971 гг. теорию мировой динамики, и академика Г.И. Марчука, разработавшего на основе теории систем в 1962 г. математическую модель погоды. Также, собственно, как и главного системщика искусственных технических систем председателя Совета по комплексной проблеме «Кибернетика» при Президиуме АН СССР академика Б.Н. Петрова, благодаря общей теории технических систем которого, в частности, до сих пор осуществима стыковка на космической орбите. К сожалению, незаслуженно забыты выдающиеся вклады отечественных учёных — академиков Г.С. Поспелова, Д.А. Поспелова, Ю.А. Урманцева (ОТСУ — общая теория систем управления, созданная им в 1968 г.), Тюхтина, А.И. Уёмова, В.Т. Морозовского, М.В. Меерова, хотя и дела их говорят сами за себя. Не можем обойти стороной и великолепную украинскую научную школу теории систем в лице академиков В.М. Глушкова и Н.М. Амосова (онлайн сеть ОГАС — общегосударственная автоматизированная система управления, проект глобальной системы искусственного интеллекта236 на пути к полностью автоматическому общественному управлению в 50-60-х гг. ХХ в237., о котором написана рок-опера об искусственном интеллекте «2032» Виктора Аргонова238), Минскую научную школу академика Н.С. Мисюка (теория системной комбинаторной памяти, откуда берут начало все компьютерные архиваторы) и грузинскую научную школу академика В.В. Чавчанидзе, итогом системного подхода которой явилась модная сейчас мировая идеология квантовых компьютеров и квантовых вычислений. Значительный вклад в развитие общей теории систем на международном уровне внёс проф. В.А. Геодакян 239, впервые открыв таким образом новое направление теоретической биологии, признанное сейчас во всём мире. Винер Н. Я — математик. – М.: Наука, 1964. – С. 125. – 354 с. Китов А.И. Электронные цифровые машины. – М.: Советское радио, 1956. – 358 с. 237 Глушков В.М. Основы безбумажной информатики. – Наука, 1982. — 552 с. 238 Аргонов В. 2032. Легенда о несбывшемся грядущем. – Техно­опера. URL: http://argonov.ru/2032.html 239 Геодакян В.А. Теория систем и специальные науки / В кн.: Материалы по истории и перспективам развития системного подхода и общей теории систем. – М., Наука, 1971. – С. 17­70. Геодакян В.А. Системный подход и закономерности в биологии / В кн.: Системные исследования. – М., Наука, 1984. – C. 329–338. 235 236 72 Необходимо не забывать, что хотя как единичное явление нейрокомпьютинг и возник в 1832 г.240, востребованность и распространение он получил с появлением и распространением сложных электрических средств обработки информации, когда возникла необходимость работы со сложными многокомпонентными системами. Общая теория систем (ОТС), таким образом, явилась непосредственным теоретическим базисом нейрокомпьютинга. Не случайно многие из теоретиков ОТС были профессиональными биологами. Успехи ОТС и системного анализа в создании искусственных технических систем (БПЛА, стыковка на орбите, РВСН и ПРО, радиолокация, ядерная энергетика и т.д. и системы управления ими) настолько вскружили головы, что этот эффективнейший аппарат попытались применить и для описания биосистем. Так до сих пор, как известно, основным «разрешительным документом» нейрокомпьютинга является теорема А.Н. Колмогорова, решающая 13-ю проблему Гильберта 241. Она утверждает, что любая непрерывная функция f, определенная на n-мерном единичном кубе, может быть представлена в виде суммы 2n+1 суперпозиций непрерывных и монотонных отображений единичных отрезков: Слева в этой формуле стоит произвольная непрерывная функция, определенная на многомерном кубе, справа функции определенные на отрезках [0, 1]. Собственно, в этой формуле и помещается нейрокомпьютинг в слабом его понимании. Однако, эта же теорема явилась и существенным ограничительным фактором нейрокомпьютинга, ограничив его рамки вычислительной математикой и, конкретно, решением задачи аппроксимации данных, в которые попали и схема МакКаллока — Питса, и перцептрон Розенблатта, и перцептроны Цыпкина. Задача аппроксимации хоть и является достаточно универсальной, но чрезвычайно мало приближает нейрокомпьютинг к биологическим объектам и нисколько не оправдывает приставки «нейро-». Тем не менее, ОТС сыграла важнейшую роль в становлении самой концепции нейрокомпьютинга и искусственного интеллекта. Таким образом, именно применение системного подхода, которое, так или иначе, присутствует, к принципам организации архитектуры нейрокомпьютеров, на самом деле, в значительной степени снижает их принципиальную новизну относительно обычных Алексеев А.Ю. Протонейрокомпьютер Корсакова // Нейрокомпьютеры: разработка, применение. – 2013. – № 7. – С. 6­17. 241 Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного и сложения // ДАН СССР. – 1957. – Т. 114. – Вып. 5. – С. 953­956; Нейрокомпьютер. – 1994. – № 1­2. – С. 51­55. 240 73 компьютеров, реализующих методологию машин Тьюринга и фон Неймана 242. Основным постулатом организации архитектур и в том, и в другом случаях является сборка сложной системы из простых элементов — «кирпичиков». Отсюда и происходит обычно бытующее пренебрежительное отношение к исследованиям самих «кирпичиков»-нейронов, проистекающее якобы от недостатка возможностей изучения «более сложной» сети, собранной из этих элементов. В то же время, как это ни парадоксально, именно такой «машинный» подход предельного абстрагирования от объекта изучения исключает возможность обобщения нейросетей как структурно-функционального принципа организации биоткани. Неадекватная сколько-нибудь оценка сложности биологического нейрона и представление его в виде простейшей стандартной машинной ячейки не позволяет разглядеть его двойственную сложнейшую организацию и разобраться в принципах построения этой организации. В связи с этим обобщением теории нейросетей следует считать, прежде всего, «восстановление в правах» нейрона не только как сложной системы, но и как гиперсистемы. Термины «подсистема» или «надсистема» то есть с указанием направленности иерархии, не хотелось бы использовать, поскольку в биообъектах эта направленность носит довольно условный характер. Аналогично Л. фон Берталанфи, определившего предмет общей теории систем как изучение наиболее фундаментальных универсальных законов для систем любой природы243 или по М. Месаровичу, столь же универсальных законов для отношений объектов, независимо от их природы244 или «установлению единства законов развития и законов функционирования на основе биотического круговорота» (общая теория жизни по Г. А. Югаю245) на пути к теоретической биологии246, можно говорить об общей теории нейросетей 247 (ОТНС) как о расширении принципов организации нервной ткани на различные уровни, прежде всего, её же структурно-материально-функциональных образований и проявлений. Нетривиальные представления о сложности реальных, а не абстрактных биологических объектов, в частности, нервных клеток и нейросетей дает фактуальную возможность такого обобщения, поскольку, как это далее будет показано, в отличие от формальных нейросетей, биологические объекты имеют, практически, не ограниченную глубину сложности, как в морфологическом, так и в поведенческом смыслах. 242 Энциклопедия кибернетики. – Киев, 1975. – С. 2. – С. 444-446. Bertalanffy L. von General Systems Theory. – N.Y., 1968. 244 Месарович М, Такахара Я. Общая теория систем: математические основы. – М.: Мир, 1978. 245 Югай Г. А. Общая теория жизни (Диалектика формирования). – М. Мысль, 1985. — 256 с. 246 Геодакян В. А. Теоретическая биология. Эволюционные хромосомы и эволюционный половой диморфизм // Известия РАН. Серия биологическая. – 2000. – № 2. – С. 133-148. 247 Савельев А. В. На пути к общей теории нейросетей. К вопросу о сложности // Нейрокомпьютеры: разработка, применение. – 2006. – №4-5. – С. 4-14. 243 74 2.1.3. Онто-эпистемологические аспекты гиперсложности в нейрокомпьютинге Глубокое исследование понятия сложности абстрактных систем было проведено Л. Лофгреном248. Он ввел два типа сложности – сложность описания и сложность интерпретации, что отражает упорядочение систем по эпистемологическим типам. С более высоким эпистемологическим типом связано понятие описательной сложности, в то время как сложность интерпретации относится к более низким эпистемологическим типам. Наряду со сложностью систем множество работ посвящено исследованию сложности задач и информационной сложности. Сюда следуют отнести фундаментальные результаты, начиная с результатов А.М. Тьюринга, С. Клини, Е.Л. Поста, А. Чёрча, К. Шеннона, А.А. Маркова, Ю. Манина до теории NP-полноты С.А. Кука, Р.М. Карпа, Л. Гудмана и работ А.Е. Фердинанда, П. Мадди, Дж. Бургеса, Г. Розена, А.В. Коллинза. Оценка сложности на основе господствующих в настоящее время представлений о сложных системах включает выделение в исследуемом объекте совокупности составляющих его подсистем и связей между ними, т.е. прямое применение методологии системного подхода249, базирующегося полностью лишь на искусственных системах (либо понятиях). Заключение о сложности производится, как правило, в чисто количественном аспекте по величинам размерности пространства параметров, числу связей и количеству составляющих систему элементов, их взаимосвязей, и также числу уровней возможного дробления250. Всё это делается в ограниченном объёме геометрического пространства, независимо от того, как рассматривается эта система – как открытая или замкнутая. При этом открытость системы воспринимается также как целостное образование, соединённость с внешним миром которого осуществляется лишь посредством потоков вещества и энергии, либо информации, либо всего вместе в различных сочетаниях. В то же время, качественная включенность любой рассматриваемой системы в целостный мир может быть совершенно различной. Несмотря на признание факта открытости систем, рассмотрение их структурной организации происходит всегда внутри самой системы. Это объясняет тот факт, что, независимо от достаточно глубокой проработанности вопроса о сложности искусственных систем, применение аналогичных подходов к оценке живых биологических объектов, в 248 Lofgren L. Complexity of description of systems:a foundation study // Inter. J. of General Systems. – 1977. – V. 3. – № 4. – P. 197-214. 249 Литвинов Е. Г. Пакет программ «Нейроимитатор» для имитационного моделирования нейронных сетей биологических объектов // Нейрокомпьютеры: разработка, применение. – 2002. – № 1-2. – С. 21-36. 250 Николис Г., Пригожин И. Познание сложного. – М.: Мир, 1990. – 338 с. 75 частности, к естественным (а не искусственным) нейросетям, не дает должных результатов и, более того, является, как правило, некорректным. Нами предложен251 приём расширения границы рассмотрения системы как таковой с охватом геометрически более обширной области с целью исследования степени включенности в неё данной системы. Это своего рода, индуктивная сторона подхода. Дедуктивная же его составляющая предусматривает переход в гиперпространство в любой точке исследуемой системы с целью равноценной (относительно индуктивного приёма) смены масштаба и исследование полученной, таким образом, гиперобласти, как целостной системы. При этом часто оказывается, что сложность наблюдаемых систем как при движении по индуктивному пути в сторону расширения исследуемой пространственной области, так и при движении по дедуктивному пути, наоборот, в сторону её сжатия, может возрастать. В этом случае, оценивание сложности отдельно взятого иерархического уровня организации в абсолютном плане является весьма проблематичным, а, скорее всего, некорректным. Вполне возможно даже, что сложность в абсолютном смысле вообще не существует как понятие (не должно существовать). А поскольку в биосистемах дело так и обстоит, то можно говорить исключительно об относительной сложности вложенных друг в друга уровней. Пересмотр понятий о сложности архитектурой организации может повлечь за собой принципиально другие подходы в построении нейросетей. Рассмотрим сказанное на некоторых примерах. Микроархитектоника реальной нейронной сети даже эволюционно древних организмов представляет собой довольно сложное образование (Рисунок 2.2). Рис. 2.2. Участок мозга мухи с сетью нервных клеток, обрабатывающих входной сигнал от омматидиев252. 251 Савельев А. В. Закон сохранения сложности и его применение в задачах моделирования неравновесных систем // В сб.: Моделирование неравновесных систем (МНС-98). – Красноярск, 1998. – С. 100-101. 252 Strausteld N. Atlas of an Insect Brain. – N. Y.: Springer, 1976. 76 Несмотря на это, очень важным является не абсолютная сложность нейронной сети, а именно относительная сложность по отношению к отдельным нейронам и даже их структурным элементам253. На микрофотографии 2.3 также видно, что система микротрубочек цитоскелета (которыми чрезвычайно богаты дендриты нейрона) даже простейшей эпителиальной клетки при её ближайшем рассмотрении и оценки ее по тем же критериям, что и нейросети на рисунке 2.2, представляет собой очень сложную систему, значительно превосходящую по сложности нейронную сеть, например, изображенную на рисунке 2.2. Рис. 2.3. Расположение микротрубочек на электронной микрофотографии периферического микроучастка эпителиальной клетки в культуре ткани. Стрелками указаны отдельные микротрубочки254. Ведённые нами термины в 2000-2006 гг. «гиперсложность» «гиперсетевой нейрон», «гиперсетевой мозг», «гиперсетевой подход»255 уже начали использоваться научной общественностью (К.В. Анохин256, Ю.И. Александров, Ю. Бужаки257,258, И.Ф. Михайлов259 и др.) и даже приобрели некоторое распространение, однако, пока только, к сожалению, на терминологическом уровне. 253 Базарова Д. Р., Демочкина Л. В., Савельев А. В. Парадоксы морфологической сложности // В сб.: Нейроинформатика и ее применение. – Красноярск, 2003. – С. 12-15. 254 Osborn M., Webster R., Weber K. J. Cell Biol. – 1978. – V. 77. – R27 – R34. 255 Савельев А. В. На пути к общей теории нейросетей. К вопросу о сложности // Нейрокомпьютеры: разработка, применение. – 2006. – №4-5. – С. 4-14. 256 Анохин К.В. Гиперсетевая модель мозга. – URL: http://neuroinfo.ru/conf/Content/Presentations/Anokhin2015.pdf 257 Интервью с Юрием Бужаки. – URL: http://www.neuroscience.ru/articles//публикации/87129­интервью­с­юрием­ бужаки 258 Buzsáki G. Hippocampal sharp wave­ripple: A cognitive biomarker for episodic memory and planning. Hippocampus. – 2015. – 25. – P. 1073–1188. 259 Михайлов И.Ф. К гиперсетевой теории сознания // Вопросы философии. – 2015. – №11. – URL: http://vphil.ru/index.php?option=com_content&task=view&id=1291&Itemid=52 77 §2.2. Теория моделирования в нейрокомпьютинге. Анализ систем отношений концепций нейрокомпьютинга и нейробиологии В параграфе проведено исследование философского содержания проблем соотношения нейробиологии и нейрокомпьютинга. Отмечается, что, со времен доклада Лайтхилла и появления методологии М. Месаровича в теории сложных систем 260, до сегодняшнего дня принято считать, что основной причиной неудач является отсутствие общего языка для этих наук. На основе авторских разработок в философии моделирования рассматривается нетрадиционный взгляд на вопросы диалога нейробиологии и нейромоделирования, позволяющий приблизиться к разрешению проблемы Лайтхилла о языке. Проанализированы исторические причины одностороннего понимания моделирования как репрезентации, получившего детальную разработку М. Вартофским. Сделаны выводы, что моделирование включает не только репрезентацию, но и деятельность, направленную на стимулирование этой репрезентации, замыкающуюся через внешний по отношению к субъекту мир. Это утверждение иллюстрирует неразрывную связь моделирования и деятельности, откуда следует, что любое моделирование является деятельностью, следствия которой обязательно выражаются в изменениях, а любая деятельность обязательно является моделированием и подразумевает его под собой. Именно исключением из рассмотрения этого и объясняется существующая неудовлетворенность и неопределенность в онтологическом статусе лингвистических выражений, что обусловливает трудности феноменологической философии. Согласно рассмотренной выше двойственности модельных отношений, в которых репрезентации представляются лишь как одна сторона органично и неразрывно связанного процесса, становится понятным, что лингвистический подход как раз представляет лишь одну сторону в направленности от объекта к субъекту, т.е. репрезентацию. Лингвистические выражения было бы неправомерным считать моделями, поскольку они не содержат деятельностного компонента, направленного от субъекта к объекту, хотя и могут быть формой представления модели, но никак не содержательной ее стороной. Показано, что при восхождении к более общим видам описания, существует такая ступень общности, при которой языки описания практически совпадают, и определена эта ступень общности. Это осуществлено в работе двумя типами анализа — дедуктивным и индуктивным. Поэтому следует говорить не столько о внедрении методов моделирования в нейробиологию, сколько о частном проявлении в ней общей методологии научного исследования, сложившейся к определенному 260 Аршинов В.И. Наблюдатель сложности как модель искусственного интеллекта // Экономические стратегии. – 2014. Т. 16. – №2 (118). – С. 104-109. 78 нами времени и продолжающейся двигаться в том же направлении, практически, в неизменном своем содержании, меняя и трансформируя внешние черты и воплощения в различных лингвистических оболочках, проблемных областях и новых прикладных аспектах. Такой взгляд полностью отвечает представлениям о компоненте обратной направленности (от субъекта к объекту), присутствующей в моделировании в дополнении к репрезентации. С этих позиций становится понятным смысл трансформации представлений в нейробиологии с учетом деятельности человека по преобразованию окружающего мира, направленную на подтверждение именно таких его представлений 261. Облик нейробиологии начинает приобретать черты, соответственные общей методологии исследования, породившей искусственный интеллект, а затем и нейрокомпьютерные технологии 262. Бурный прогресс в области новых информационных технологий, происходящий в последние два десятилетия, а также значительные достижения в познании мозга продолжают все в большей степени стимулировать мечту человека о взаимном проникновении этих отраслей знания. Однако, несмотря на внешне достаточно широкое использование технических достижений в области медицины и биологии, все это практически касается не сущностной и, тем более, не парадигмальной стороны наук о живом, и в частности, о мозге, которая, попрежнему, определяется изнутри лишь самой биологией. В то же время, точные, в том числе, технические науки, хотя бы те же информационные технологии, до сих пор мало что получали и получают в смысле применения накопленных обширных материалов о принципах функционирования биосистем. Огромное количество публикаций, произведенных в последнее время по вопросам нейрокомпьютинга 263,264,265, задействование значительных ресурсов с целью стимулирования работ в этих направлениях свидетельствуют о новой второй волне (после искусственного интеллекта, пребывающего ныне в состоянии спада) возрастания интереса к нейробиологии со стороны точных, в том числе, технических наук. Тем не менее, практически все усилия, в основном, сводятся на самом деле лишь к модификации известных методов построения технических систем без осуществления обещанных революционных прорывов. Складывается мнение, что возникшие трудности носят принципиально методологический характер, в результате чего разрешить их и даже выяснить их разрешимость только средствами 261 Савельев А.В. Общая теория самоорганизационного нейроуправления // Нейрокомпьютеры: разработка, применение. – 2013. – № 5. – С. 3-13. 262 Петрунин Ю. Ю. От тайного знания к нейрокомпьютеру: очерки по истории искусственного интеллекта. — М, 1996. 263 Aebersold M. J. et al. Brains on a chip: towards engineered neural networks // TrAC Trends in Analytical Chemistry. – 2016. 264 URL: http://search.epnet.com 265 Almási A. D. et al. Review of advances in neural networks: Neural design technology stack // Neurocomputing. – 2016. – V. 174. – P. 31-41. 79 этих двух направлений не представляется возможным. Вероятнее всего, что эти трудности имеют достаточно высокий уровень общности, выходящий за сферу их компетенции, что требует фундаментального анализа проблемы на философско-методологическом уровне. В 1973 г. Лайтхилл266 выступил с докладом, посвященным обзору состояния дел в области ИИ по заданию Британского Совета научных исследований, в котором отметил, что существует разрыв между физиологическими нейронауками и ИИ. То же самое несколько позже утверждал и Месарович 267, подтверждая проблему, указанную Лайтхиллом, но, однако, также сводя ее к отсутствию достаточно строгого междисциплинарного языка268, одинаково понятного нейрофизиологам и кибернетикам, в качестве которого предлагалась теория систем, впоследствии усиленно им разрабатываемая 269. Однако, несмотря на эти и многочисленные дальнейшие попытки в этом и подобных ему других направлениях270, такое же положение дел, по мнению современных авторов 271,272, остается и до настоящего времени. Поскольку причинами этого опять-таки указывается отсутствие связующего звена между физиологическими нейронауками и НМ, и, учитывая огромные усилия, затраченные на устранение этого, позволим себе усомниться в правильности начальной постановки задачи в смысле выявления причинности неудач. Специфические языки и терминологический аппарат обеих дисциплин описывает достаточно глубокий уровень частностей, поэтому различия естественны. Постараемся показать, что при восхождении к более общим видам описания, существует такая ступень общности, при которой языки описания практически совпадают, и попробуем определить эту ступень общности. Эту процедуру необходимо проделать двумя возможными путями: дедуктивным, т. е. спускаясь от наиболее общей методологии моделирования к частному ее содержанию с понижением степени общности, и индуктивным – поднимаясь от частностей того и другого направления к более обобщенному их содержанию. 2.2.1. Дедуктивный анализ систем отношений концепций нейрокомпьютинга и нейробиологии 266 Тараканов А. О. Математические модели биомолекулярной обработки информации: формальный пептид вместо формального нейрона // Проблемы информатизации. – 1998. – № 1. – С. 46. 267 Месарович М. Теория систем и биология / Теория систем и биология. – М. Мир, 1971. – С. 90-128. 268 Алексеева И. Ю. О понятии как форме представления знаний // Философские исследования. – 1999. – № 1 (22). 269 Месарович М, Такахара Я. Общая теория систем: математические основы. – М.: Мир, 1978. 270 Искусственный интеллект. Справочник. П/р Попова Э.В. в 3-х тт. – М.: Радио и связь, 1990. 271 Садовский В. Н. К целостной концепции искусственного интеллекта // Сб. Трудов ВНИИСИ. – 1991. – Т. 8. – С. 4-5. 272 Петрунин Ю. Ю. Философские проблемы моделирования человеческого разума // Человеческая реальность: проблемы теории. – М. 1999. 80 Наиболее глубокая разработка отношений моделирующего и моделируемого осуществлена М. Вартофским. Им проведено обобщение теории репрезентативности моделей и выведено важнейшее понятие модельного отношения, опосредующего присутствие объективного в репрезентациях, что позволило проводить оценки меры репрезентируемости, начиная от самотождественности в тривиальном случае (по А. Розенблюту и Н. Винеру 273). Большое значение для нашего анализа имеют следующие основные и важнейшие положения М. Вартофского274: «1. Все, что угодно (в самом сильном и безусловном смысле этого словосочетания) может быть репрезентацией всего остального. Поэтому не существует внутренне присущих и реляционных свойств, которые делали бы некоторую вещь репрезентацией чего-то другого. Или, как отметил Н. Гудмен, все, что угодно обладает бесконечным множеством свойств, общих для него и чего угодно еще, и поэтому в силу этих общих свойств все можно рассматривать как репрезентацию всего остального. 2. Именно мы определяем нечто как репрезентацию чего-то другого. Поэтому чтобы нечто стало репрезентацией, оно обязательно должно рассматриваться как репрезентация. 3. Из п. п. 1 и 2 следует, что репрезентацией может быть все, что таковой считается: репрезентирование – это то, что делаем мы; ничто не может являться репрезентацией, если только мы не делаем или не считаем его репрезентацией, причем оно будет именно такой репрезентацией, какой мы его делаем или считаем». Отсюда делается важный вывод, что «...в парадигмальном плане репрезентации – это интенциональные объекты», а референция, т.е. соотнесение модели с объектом – есть интенциональная деятельность, эпистемологическим оттенком и формулируется определение модели как «...более или менее сознательная с явными метафизическая ориентация, заключающаяся не в общефилософских претензиях метафизики, а в ее попытках сделать вещи доступными для общего понимания, которое необходимо науке, как земля Антею»275. В соответствии с этим, модельное отношение является триадичным и представляется как: M (S, X, Y), т. е. субъект S рассматривает X как модель Y. 273 Rosenblueth A., Wiener N. Role of Models in Science // Philosophy of Science. – 1945. – V. 12. – №4. – P. 320. Вартофский М. Модели. Репрезентация и научное понимание. – М. Прогресс, 1988. – С. 18-19. 275 Ibid. – С. 61. 274 81 При этом вводится асимметрия этого отношения, подчеркивающая у модели именно модельные ее свойства. Чтобы оставаться моделью, модель не может быть в пределе столь же богатой свойствами, как и ее объект, т. е. в своих релевантных свойствах она должна быть беднее объекта. Именно это и имеется ввиду, когда говорится, что модель всегда является абстрактной. Или, соответственно М. Хессе276: «модель представляет собой фактуальные описания, если она демонстрирует позитивную аналогию и не демонстрирует отрицательной аналогии (свойства, которых нет у объекта – А.С.) применительно ко всем подвергнутым проверке свойствам и если у нее имеется принципиально проверяемое избыточное содержание». Однако, здесь нам необходимо не соглашаться с М. Хессе, заметив у него такой парадокс, что всякая модель не может не демонстрировать отрицательную аналогию, поскольку по причине нетождественности объекту не может не обладать свойствами, отсутствующими у объекта277. Поэтому об асимметрии модельного отношения M (S, X, Y) & R(X) < R(Y), где: R(X) и R(Y) - области релевантных свойств или степени богатства релевантными свойствами соответственно X и Y; можно говорить не в смысле R(X) < R(Y), и лишь в том смысле, что R(X) ∩ R(Y) < R(Y) , см. Рисунки 2.4, 2.5. Рис. 2.4. Рис. 2.5. Из Рисунка 2.4 видно, что незаштрихованная область R(X) как раз и является областью отрицательной аналогии (т. е. свойства, не совпадающие с R(Y)). На самом деле, учитывая 276 Hesse M. Forces and Fields. – London, 1961. – P. 27. Савельев А. В. Философия методологии нейромоделирования: смысл и перспективы // Философия науки. – 2003. № 1(16). – С. 46-59. 277 82 приведенные выше характеристики свойств репрезентаций, абстрактность моделей как их неотъемлемое свойство, тождественность («та же кошка»), предполагает, что область общих свойств (модели и объекта) R(X) ∩ R(Y) существует лишь в уме репрезентирующего субъекта, устанавливающего таким образом модельное отношение. В этой связи правильнее этот факт было бы изобразить так, как на Рисунке 2.6: Рис. 2.6. где: S – репрезентирующий субъект; R’(X), R’(Y) – мыслимые субъектом S релевантные свойства R(X) и R(Y) модели и объекта соответственно. Таким образом, становится понятным, почему модельные отношения исключают самоотнесение, т.е. ничто не может быть моделью самого себя 278. Именно ирреальность репрезентируемости, ирреальность модельного отношения обеспечивают это, а не «бедность» или «богатство» свойств279. Любой разговор о свойствах, определение их или выделение, является той самой внутренней средой субъекта, т.е. уже репрезентацией, поскольку сама категория свойства предполагает в основе своей соотношение с субъектом по отношению к субъекту и нечто нереальное, оторванное от объекта как целого – по отношению к объекту. В соответствии с этим, на наш взгляд, является не очень правомерным распространение отношений репрезентации на любые дескриптивные высказывания («высказывания можно считать минитеориями» – по Р. Брейсуэйту)280. Хотя эти тенденции все в большей мере прослеживаются в постнеклассических школах феноменологии Э. Гуссерля, М. Хайдеггера, Л. Витгенштейна и их последователей, в том числе в герменевтическом и деконструктивистском направлениях (Х.-Г. Гадамер, Ж. Деррида, М. 278 Савельев А.В. Эпистемология самопознания в нейрокомпьютерной парадигме // Философия науки. – 2007. – № 3 (34). – С. 41-59. 279 Вартофский М. Модели. Репрезентация и научное понимание. – М. Прогресс, 1988. – 507 с. 280 Braithwaite R.B. Scientific Explanation. A Study of the Function of Theory, Probability and Law in Science. – Cambridge, 1953. – 369 p. 83 Фуко, Р. Рорти и др.), оксфордской школы: Дж. Остин, С. Тулмин, С. Хэмпшир; кембриджской школы – Дж. Уиздом, Н. Малколм, Д. Серл; философии «здравого смысла» – Дж.Э. Мур; социального плана – П. Уинч, как подчеркивает М. Вартофский 281 остается неясным как лингвистические выражения «следует характеризовать онтологически или как их соотносить с состояниями дел других типов». При этом ему вынужденно приходится принять существование таких языковых выражений, которые « не соотносятся ни с чем» (артикли, глаголы-связки, союзы и т.д.) Игнорируя этот факт с помощью утверждения о том, что такие языковые конструкты не являются лингвистическими высказываниями, а только их частями, делается следующее важное заключение. Поскольку все лингвистические высказывания являются моделями, репрезентациями фактов, то все модели являются в той или иной форме лингвистическими высказываниями, что является характерным признаком философии нашего времени. Тем не менее, это нисколько не проясняет поставленный выше вопрос об онтологическом статусе лингвистических выражений, особенно в модельном их понимании282. В этих вопросах наиболее расставляет все на свои места принятие во внимание положения об объективности модельных отношений. Построение модели предполагает на самом деле не только репрезентацию объекта и построение пересечения свойств объекта и модели в сознании репрезентирующего субъекта, как на Рисунке 2.6. Кстати, этот факт именно конструирования модели был исключительно точно подмечен и использован идеологами интуитивистской математики в построении философских концепций, лежащих в ее основе и по сути дела, придавших ей современное направление (Л.Е.Я. Брауэр283, А.А. Марков284 и др.). Будучи, безусловно, прогрессивным как в области самой математики, философского ее осмысления и осмысления глобальной концепции моделирования, так и для общей философии, такой подход является, однако, неполным и представляет собой только одну сторону симметричности его воплощения в действительность. Для дополнения его до целого необходимо включить в рассмотрение также вторую его сопряженную часть, а именно, активные действия субъекта на внешний мир, и изменения его, способствующие возможности репрезентации, т.е. тому, чтобы субъект представлял в своем сознании пересечение свойств объекта и модели как на Рисунке 2.6. 281 Вартофский М. Модели. Репрезентация и научное понимание. – М. Прогресс, 1988. – 507 с. Савельев А. В. К вопросу эпистемологической адекватности нейрокомпьютеров // Философия науки. – 2000. – № 1(7). – С. 85-91. 283 Brouwer L.E.J. Philosophy and Foundation of Mathematics // Brouwer L.E.J. Collected Works. V. 1. – Amsterdam, Oxford, N. Y.: 1975. – 628 p. 284 Марков А. А. Элементы математической логики. – М.: МГУ, 1984. – 79 с. 282 84 Таким образом, моделирование включает не только репрезентацию, но и деятельность, направленную на стимулирование этой репрезентации, замыкающуюся через внешний по отношению к субъекту мир. Это утверждение иллюстрирует неразрывную связь моделирования и деятельности, откуда следует, что любое моделирование является деятельностью, следствия которой обязательно выражаются в изменениях, а любая деятельность обязательно является моделированием и подразумевает его под собой. Именно исключением из рассмотрения и объясняется существующая неудовлетворенность и неопределенность в онтологическом статусе лингвистических выражений, что обусловливает трудности феноменологической философии. Согласно рассмотренной выше двойственности модельных отношений, в которых репрезентации представляются лишь как одна сторона органично и неразрывно связанного процесса, становится понятным, что лингвистический подход как раз представляет лишь одну сторону в направленности от объекта к субъекту, т.е. репрезентацию. Однако, на наш взгляд, моделями их было бы считать неправомерным, поскольку они не содержат деятельностного компонента, направленного от субъекта к объекту, хотя и могут быть формой представления модели, но никак не содержательной ее стороной285. Одностороннее понимание моделирования, сводящееся лишь к репрезентации, вполне возможно, происходит из традиций античной философии, существовавший в условиях диспропорции между необычайным расцветом теоретического мышления и относительно низким развитием техники и конкретных наук, за исключением математики и астрономии, и, по всей видимости, детерминирующей такое положение вещей. Действительно, поскольку весь строй философской мысли древней греко-римской цивилизации был ориентирован на презрение к физическому труду (как рабскому виду деятельности), на отказ от практического применения научных достижений, на низкую оценку технических изысканий по сравнению с теоретическими286,287. По этому поводу достаточно известно выражение Аристотеля «...Из наук в большей мере мудрость та, которая желательна ради нее самой и для познания, нежели та, которая желательна ради нее самой и для познания, нежели та, которая, желательна ради извлекаемой из нее пользы»288 и менее известные его суждения, в которых он компетентного наставника ставит выше ремесленника, действующего механически, «по привычке» 289. По его словам «наиболее божественная наука также и наиболее ценима» 290, изучающая «первые начала 285 Петрунин Ю.Ю. Когнитивное моделирование нерациональных эпистемологических структур // Когнитивное моделирование переговорного процесса. – М.,1998. – С. 55-57. 286 Дильс Г. Античная техника. – Академия наук СССР М.-Ленинград ОНТИ. ГТТИ, 1934. – 214 с. 287 Sambursky S. The Physical World of the Greeks. – London, 1987. – P. 226. 288 Аристотель. Собр. Соч. В 4-х тт., Серия ФН. – М.: Мысль, 1976. – Т.1, «Метафизика», I, 2, 982а 15 I, 2, 982а 15. 289 Ibid. I. 1.981а 30 – 981в. 290 Ibid. I. 2. 983а 5. 85 и причины всего сущего»291. Она же – наиболее «строгая» наука, т к., занимаясь «первыми началами», исходит «из меньшего числа предпосылок 292, в связи с чем «умозрительные науки (theoretikai) выше созидающих (poietiai)»293, поскольку «цель умозрительного знания – истина, а цель знания, касающегося деятельности – дело» и люди, занятые созидательной деятельностью, исследуют «не вечное, а вещь в ее отношении к чему-то и в настоящее время» 294. Кроме того, в античном мире сохранялись языческие принципы восприятия мира как «единое живое существо, заключающее в себя все остальные живые существа, как смертные, так и бессмертные»295, не допускающего грубое вмешательство в его божественно установленную целесообразность. Согласно С. Самбурски296, воззрение греков на космос как на живой организм предполагало изучение природы «природными» же средствами, т. е. наблюдением, отсюда отсутствие у них эксперимента и изобретений. Эти традиции, касающиеся приоритетов наук, правда, утратившие языческие представления, в полной мере унаследованы западноевропейской философией нашего времени. В частности, по этому поводу пишет Ф. Рапп 297: «...Со времен античности занятие теоретическими вопросами в смысле вios theoreticos («созерцательная жизнь») западно-европейской традиции считается высшей формой жизнедеятельности, превосходящей чисто практические занятия – ремесленного типа. В соответствии с этим техника вплоть до наших дней считалась темой в теоретическом и философском отношении более низкого ранга; исключение здесь составляет только марксизм». С другой стороны, М. Хайдеггер298 пишет: «У Платона есть места299, где философия противополагается практическому искусству, техне. Это противопоставление показывает, однако, какому контексту принадлежит платоновское понимание философии. С другой стороны, подлинная философия у Платона опять же техне особого рода, занятие чистой истиной, приносящее мало практической пользы300. У Аристотеля философия тоже техне301 и мышление рассматривается в контексте пойэсис, художественно-технического изготовления, и праксис, действий и поступков302». 291 Ibid. – 982в 5. Ibid. – 982а 25. 293 Ibid. – I, 1, 982а. 294 Ibid. – II, 1, 993в 20. 295 Платон. Тимей. Собр. Соч. В 4-х т.т. Серия ФН. – М.: Мысль, 1990. – Т. 2. – 69с. 296 Sambursky S. The Physical World of the Greeks. – London, 1987. – P. 226. 297 Рапп Ф. Перспективы философии техники // Философия техники в ФРГ. – М., 1989. – С.76. 298 Хайдеггер М. Бытие и время. Письмо о гуманизме. – М.: Республика, 1993. 299 Платон. Соперники. Собр. Соч. В 4-х т.т. Серия ФН. – М.: Мысль, 1990. – Т.2. – 137ab. 300 Ibid. – Филеб. – 58с. 301 Аристотель. Собр. Соч. В 4-х т.т. Серия ФН. – М.: Мысль, 1976. – Т.1. – Метафизика. – XII. – 8. – 1074b. – 11; Этика Никомахова. – I 1. – 1094 7; 18; Политика. – III 12. – 1282b 14. 302 Ibid. – Метафизика. – VII 7. – 1032b 15 слл.; Этика Евдемова. – II 11. – 1227b 30. 292 86 Таким образом, модель и моделирование не сводится только к репрезентации, к проведению субъективного отождествления одного объекта другим (моделируемого моделирующим) и даже не сводится только лишь к способу действия или же воплощению целей и инструменту их осуществления, хотя само по себе и это тоже имманентно присуще моделированию. Все это, безусловно, содержится в моделировании, но представляет собой лишь его одну сторону, а именно, характеризующую направленность от объекта к субъекту, от моделируемого к моделирующему. В то же время, необходимо отметить вторую неотъемлемую компоненту модельного отношения, обычно упускаемую из виду и направленную противоположно, т.е. от субъекта к объекту и от моделирующего к моделируемому. В этом смысле модель представляет собой не только способ действия, но именно план активного преобразования моделирующего объекта (т.е. налицо обозначенная нами направленность от субъекта к объекту) либо окружающего его мира, направленный на поддержание и подтверждение конструируемого субъективного образа. 2.2.2. Индуктивный анализ систем отношений концепций нейрокомпьютинга и нейробиологии На наш взгляд, положение в нейрофизиологии кардинально изменилось с 60-х г. г. позапрошлого века, начиная с выступления И.М. Сеченова 303 с развернутой критикой методологии исследования психической деятельности. Именно с этого времени нейрофизиология (НФ) приобрела черты, являющиеся определяющими ее облик до сего времени, хотя, конечно, и до периода реализации сеченовской программы существовала подготовленность к сделанным им шагам и соответствующая направленность хода развития всей науки, которые непосредственно и подвели нейрофизиологию к этим качественным изменениям. И.М. Сеченов, пожалуй, первый отметил, что психология, несмотря на то, что является одной из самый старых наук, остается неустановившейся, «непочатой», по его выражению, наукой, все еще неизмеримо далека от определения основных законов психики, характеризуется полным отсутствием единства практически по всем вопросам, не дает никакого руководства для практики жизни здорового человека и не объясняет закона болезненных психических нарушений. Сеченов указывал, что причина этого в использовании неточного, субъективного, 303 Сеченов И. М. Избранные философские и психологические произведения. – М.; Госполитиздат, 1947. – 648 с. 87 пристрастного метода. Тот способ, которым пользовалось человечество от Аристотеля до Канта, говорит Сеченов, — метод самонаблюдения и наблюдения над другими людьми, метод анализа собственных поступков и переживаний, догадок о мотивах поступков, мыслях и чувствах других людей — негоден, поскольку не свободен от личных предвзятых суждений, преувеличений, преуменьшений и прочих неточностей. Именно им было предложено изучение психической деятельности человека, сопоставляя ее с психофизиологическими явлениями животных, а также, сравнивая с достаточно хорошо изученными процессами, происходящими в низших отделах нервной системы. Эти положения, развитые впоследствии И.П. Павловым 304 и его школой, оказали громадное влияние на мировоззрение целого поколения естествоиспытателей. Проникновение деятельностного аналитико-синтетического подхода и применение методологии точных способов исследования породило метод моделирования, все более начинающий претендовать последнее время на тотальное господство. Поворот, происшедший в НФ после 60-х г. г. 19 века знаменует трансформацию общей методологии научного метода, начавшейся и продолжающейся и в др. частных науках с вариацией временных сдвигов и масштабов. Поэтому следует говорить не столько о внедрении методов моделирования в НФ, сколько о частном проявлении в НФ общей методологии научного исследования, сложившейся к определенному нами времени и продолжающейся двигаться в том же направлении, практически, в неизменном своем содержании, меняя и трансформируя внешние черты и воплощения в различных лингвистических оболочках, проблемных областях и новых прикладных аспектах. Такой взгляд полностью отвечает представлениям о компоненте обратной направленности (от субъекта к объекту), присутствующей в моделировании в дополнении к репрезентации, о которой говорилось выше. С этих позиций становится понятным смысл трансформации представлений в НФ с учетом деятельности человека по преобразованию окружающего мира, направленную на подтверждение именно таких его представлений 305. Облик НФ начинает приобретать черты, соответственные общей методологии исследования, породившей ИИ, а затем и нейрокомпьютерные технологии306. 304 Павлов И. П. Избранные труды по физиологии высшей нервной деятельности. – М. 1950. Савельев А.В. Учение об эпистемологической стратегии // Философия науки. – 2004. – № 2(21). – С. 3-17. 306 Петрунин Ю.Ю. От тайного знания к нейрокомпьютеру: очерки по истории искусственного интеллекта. – М, 1996. – 166 с. 305 88 2.2.3. Общие свойства моделей нейрокомпьютинга и нейрофизиологии В ходе исследований нами были выявлены следующие свойства моделей нейрокомпьютинга и нейрофизиологии. 1. Процессуальность – описание событий как динамических процессов, т. е. использующих длительность, разворачивающуюся во времени. 2. Процедуральность – как ряд процедур – цепочка, т.е. соблюдение причинно-следственных связей. 3. Концептуальность – построение на основе аксиоматических систем, базирование на общих аксиоматических принципах (например, использование сходных графических принципов в построении моделей и концепций, в частности, представление в виде блоксхем; принцип адаптации, не учитывающий включенность в общие внешние системы, в то время, как результат может и должен быть следствием не только субъекта, но также и внешних функциональных систем, и т.д.). 4. Технологичность – делание результата, конструирование концепции 307, 308. 5. Количественность – параметры результата как до построения модели, так и после при интерпретации выражаются в количественном отношении. В нейробиологии такая тенденция как раз четко обозначилась с момента упомянутого выступления И.М. Сеченова и была подготовлена возрастанием социальной роли технических достижений, проникающих в нейробиологию и используемых ею. 6. Интерпретируемость – обязательность специальной интерпретации как промежуточных выкладок, так и результата, т. е. необходимость в наличии интерпретатора (например, языка) – не предполагается непосредственное восприятие. На наш взгляд это положение иллюстрирует все больший захват аналитико-синтетическими принципами мышления сферы сознания и внедрение таких режимов работы мозга в сферу бессознательного, что как раз и проявляется в изменяющейся структуре восприятия 309. Достаточно сравнить с античными подходами, проявляющимися в большей акцентуации на созерцательном восприятие. 307 Алексеева И.Ю. Идея интеллектуальной технологии // Традиционная и современная технология / Под ред. В.М. Розина. – М.: ИФРАН, 1999. 308 Розин В.М. Социально-гуманитарные науки и проблема специфики синергетики как научной дисциплины // Философские науки. – 2004. – № 2. – С. 85-102. 309 Савельев А.В. К вопросу о причинах происхождения философии нейрокомпьютеризации сознания // РАН, Философия науки. – 2002. – № 1(12). – С. 51-62. 89 По мере дальнейшего конструирования мира под средства моделирования в перспективе будет наблюдаться еще большее сближение биологических теорий и НК 310. При этом движение происходит не только со стороны НК, как принято считать в силу явственности усилий, прикладываемых в этом направлении, но так и со стороны биологических теорий, неявно трансформируемых в сторону технических наук расширением внедрения инструментальных методов, так и преобразованием самой идеологической сути биологических теорий. Выводы по второй главе 1. Проведенный нами анализ позволяет утверждать, что традиционные подходы к оценке сложности биологических систем и перенесение их на нейрокомпьютеры во многом определяют их архитектуру и базируются исключительно на представлениях об организации искусственно созданных человеком объектов. В связи с этим, нейрокомпьютеры были призваны реализовать бионическое движение познания от биологического к техническому, но, на самом деле, воплощают схему движения от технического к биологическому и затем снова к техническому. То есть к биологическому осуществляется подход с технических позиций, а потому, зачастую, биологическое звено вообще опускается и проблемы нейрокомпьютеров на данном этапе представляют собой комплекс технических задач со всеми свойственными технике ограничениями в возможностях. Может быть, это было бы и неплохим, если бы не постоянно существующая потребность продвижения вперед и, в том числе, потребность выхода за ограничения, присущие технике, по крайней мере, существующему сейчас уровню ее развития. 2. В то же время, решение вопроса о биологической сложности оказывается в высшей степени проблематичным. В нервной системе вообще не всегда соблюдается принцип сложности: элемент (нейрон) может быть и часто бывает сложнее самой сети нейронов (точно так же, как вопрос, что сложнее – человек или группа людей?). Методология сборки сложной схемы из простых элементов для биологических систем является в высшей мере сомнительной. Именно такой принцип построения искусственных нейронных сетей резко ограничивает их принципиальную новизну, а потому мало отличает от построения архитектуры двоичных вычислительных систем. 310 Базарова Д.Р., Демочкина Л. В., Савельев А. В. Новая нейробионическая модель онтогенеза // «Нейроинформатика-2002». – М.: МИФИ, 2002. – Т. I. – С. 97-106. 90 3. Принципиально доказана, так называемая, гиперсложность реального биологического нейрона как элемента нейросетей, несводимая к сложности самой сети и принципиально несоизмеримая с ней. Это моделируется и объясняется возможностью многократной структурно-функционально-информационной вложенностью нейрона самого в себя как самоподобного или самоаффинного311 фрактального или квазифрактального объекта. 4. Нейрон имеет сложную гиперсетевую, фрактальную структуру. Все способы описания межнейронных соединений, как на вещественном уровне, так и на энергетическом и информационном уровнях, могут быть применены и к описанию самого нейрона, внутринейронным взаимодействиям, а также к элементам нейрона. Учет этого может дать совершенно новые гиперпространственные или гиперсетевые принципы построения нейросетей при которых каждый элемент представляет собой не тривиальную стандартную ячейку, а также полноценную нейросеть, подобную нейронной. 5. Именно этот факт позволяет распространить теорию нейросетей вверх и вниз по уровням организации нервной ткани и биоткани вообще при выходе в гиперпространства масштабов организованности структур и функций. Включение в рассмотрение собственно биологического компонента расширяет границы применимости и степень универсальности абстрактного аппарата формализованного описания нейросетей, что может дать возможность разработки новых принципов организации нейрокомпьютеров с использованием как известных, так и совершенно новых моделей. Это же позволяет говорить о возможности разработки общей теории нейросетей (ОТНС). 6. Предложенный подход может служить основой для создания нейросетей с повышенной функциональной нагрузкой на отдельные (или каждые) элементы сетей. Малому шагу именно в этом направлении нейрокомпьютинг и обязан своим появлением вместе со всеми его достоинствами, которые, фактически, и обусловлены пусть даже небольшим, но все же усложнением основного структурного элемента – нейрона по сравнению с двоичной ячейкой обычных компьютеров. Таким образом, наступает необходимость нового шага в дальнейшем его усложнении, ибо вполне возможно, что неудачи в получении сложного поведения сложной сети из простых элементов, кроются не в недостатке сложности сети соединений, а именно, в простоте самих элементов. Согласно полученным нами результатам моделирования, а также анализу того, как «устроена» природа реальной нервной ткани живых организмов, сложность поведения целостной 311 Федер E. Фракталы. – М.: Мир, 1991. – 261 с. 91 системы может быть обусловлена только способностью к равной или превосходящей сложности поведения отдельных ее элементов. Как альтернативный существующим также предложен принцип взгляда на сетевую организацию как аналогичной организации общества. 7. Важным следствием-аналогией этого является принцип возможности построения живой системы только из живых элементов. Это также может дать совершенно новую стратегию разработки концептуальных принципов построения нейрокомпьютеров. 92 Глава 3. Методологический анализ практических реализаций моделей нейрокомпьютинга В главе проведены философские исследования методологии НК путём анализа существующих масштабных инженерных проектов НК на основе разработанного в предыдущей главе методологического аппарата концептуального анализа. К таким проектам, объединяющим практически все современные направления нейрокомпьютинга в его слабом понимании относятся: нейросетевой принцип организации вычислительных сред на основе формальных нейронов, нейромоделирование и нейробионические модели. Изученные свойства модельных отношений применены к исследованию конкретных примеров основных концепций НК и НБ. Исследована диалектика соотношения технических и внетехнических компонентов НК и НБ. §3.1. Методологический анализ практической реализации аналогий между нейрофизиологическими и нейрокомпьютерными моделями В параграфе приведены результаты найденных методологических аналогий основных парадигмальных установок нейробиологии и нейрокомпьютинга и причин их взаимопорождения. На основе разработанных автором критериев сходства (процессуальность, процедуральность, концептуальность, интерпретируемость) нейрокомпьютинга исследуется во времени, явление а также технологичность, возрастания его количественность, подобия существенная нейробиологии и асимметричность. В проанализированных концепциях показано нарастание деятельностного компонента. Именно поэтому античные представления, в частности, ассоциативности, или условного рефлекса Р. Декарта были наименее схематично-конструктивными, а в большей части интуитивнообразными. Эволюция представленных схем идет по пути увеличения их конструктивности, что также роднит их с машинными схемами, т.е. взгляд человека на окружающий мир все в большей мере становится деятельностным. В приведенных примерах при движении к настоящему времени видно все большую схожесть структурных представлений нейробиологии именно с электрическими и электронными блок-схемами. Машинообразность их также доказывает тот факт, что рассматриваемые нейрофизиологические концепции становятся все более моделируемыми, т.е. все более удобными для имитационного моделирования их на компьютере. 93 По мере раскрытия и проникновения внутрь «черных ящиков» все меньше остается доля невоспроизводимого на компьютере компонента (например, в случае схемы А. М. Иваницкого по сравнению со схемами И. П. Павлова и П. К. Анохина). Это означает, что совместимость их с компьютером увеличивается, а это, в свою очередь, может значить только одно – что подобие возрастает. И не столько наши знания проникают «вглубь» предмета, сколько происходит переформирование самих знаний, их адаптация к сегодняшнему уровню развития 312 и, прежде всего, точных наук, техники и технологии. Сближение с точными науками объясняется тем, что именно они, в первую очередь, обслуживают технику и технологии, в том числе, и порождая их, т. е. по сути являются идейным содержанием техногенной цивилизации. Это позволяет реально оценить как взаимоотношение уровней развития нейробиологии и нейрокомпьютинга и влияния друг на друга, так и провести абсолютные оценки их эпистемологической адекватности относительно объектов исследования, а также сделать выводы о необходимой ориентации усилий для продвижения вперед в этих областях. Разработанные положения об анализе систем отношений концепций нейрокомпьютинга и нейробиологии отражены в нижеследующих примерах. 3.1.1. Концепция рефлекторной дуги И.П. Павлова Концепция рефлекторной дуги И.П. Павлова явилась практически одним из первых концептуальных принципов исследования н. с. с ярко выраженными процессуальнопроцедуральными чертами313. С ней нейрофизиология приобретает полностью и окончательно очерченный объектно-ориентированный характер, фактически все более повторяющий в ментальной сфере операции с предметами внешней среды обитания человека как естественного, так и искусственного происхождения. Концепция рефлекторной дуги явилась, по сути дела, выражением социо-культурных тенденций, которые привели в дальнейшем к глобализации использования принципа вход-выходных соотношений или «черного ящика», в наиболее явном виде обозначенного в кибернетике, с неизбежностью сосуществующего до настоящего времени и явно прослеживающегося в идеологии нейроинформатики. Достаточно вспомнить модель формального нейрона Мак-Каллока – Питса или перцептроны Розенблатта – Блюма, где основная парадигма функционирования строится на сигнальном конвергентном распространении от входов к выходу по принципу рефлекторной дуги, а также присутствуют 312 Савельев А.В. Нейрокомпьютеры и общество // Нейрокомпьютеры: разработка, применение. – 2015. – №7. – С. 314. 313 Павлов И. П. Лекции о работе больших полушарий головного мозга. – М.: АМН СССР, 1952. – 297 с. 94 настраиваемые параметры как аппроксимация состояния «черного ящика», характеризуемого вход-выходными соотношениями314,315. Принципы построения нейросетей 316,317, особенно со стохастически определяемыми параметрами, снижающими свою неопределенность в процессе функционирования сети и выполнения ею предписанных функций318, также во многом носят характер концепции рефлекторной дуги по принципу афферентно-эфферентных связей, где четко прослеживаются конвергентные пути типа вход-«черный ящик»-выход, характерные для рефлекторной дуги 319. Само по себе классическое структурное представление формального нейрона по Мак-Каллоку – Питсу, активно используемое по сегодняшний день 320, поразительно повторяет схему представления механизма образования условного рефлекса, предложенную И.П. Павловым в 1908-1909 гг321. И.П. Павлов писал относительно реализации рефлекторной дуги в концепции притяжения слабого возбуждения очагом более сильного возбуждения, созданного безусловным раздражителем: «раз в нервной системе возникают очаги сильного раздражения (в данном случае в рефлекторном слюнном центре), то индифферентные доселе раздражения, падающие из внешнего мира и приводимые в воспринимающие центры коры больших полушарий, направляются, концентрируясь, проторивая себе таким образом дорогу к этим очагам»322. К воплощению идеи рефлекторной дуги относится также множество представлений современных искусственных нейронных сетей (ИНС)323,324. Как правило, это, так называемые сети прямого распространения, в том числе, типа многослойных перцептронов, способных к формированию сколь угодно сложных границ принятия решения и реализации произвольных булевых функций, а также использующие принципы обратного распространения ошибки 325 для определения весов, что вполне согласуется с выше приведенным высказыванием И.П. Павлова. 314 Мак-Каллок У. С., Питс У. В. Логическое исчисление идей, относящихся к нервной активности // Сб. Автоматы, п/р К.Э. Шеннона, Дж. Маккарти. – М.: ИИЛ, 1956. – С. 363-384. 315 Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain.// Psychological Review. – 1958. – V 65. – P. 386-408. 316 Нейроинформатика (Коллективная монография / А. Н. Горбань и др.). – Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. – 296 с. 317 Миркес Е.Н. Нейрокомпьютер. Проект стандарта. – Новосибирск: Наука, 1998. – 337 с. 318 Нейронные сети. Statistica Neural Network. – М.: Горячая линия, 2000. – 172 с. 319 Савельев А.В. Нейросоциометодология проблемы диалога между нейробиологией и нейромоделированием // Нейрокомпьютеры: разработка и применение. – 2011. – № 1. – С. 47-63. 320 Галушкин А. И. Теория нейронных сетей. – М.: ИПРЖР, 2000. – 416 с. 321 Павлов И.П. Избранные труды по физиологии высшей нервной деятельности. – М. 1950. – С. 167. 322 Анохин П.К. Биология и нейрофизиология условного рефлекса. – М.: Медицина, 1968. – С.112. 323 Lipmann R.P. An Introduction to Computing with Neural Nets // IEEE ASSP Magazine. – 1987. – V. 4. – №2. – P. 4-22. 324 Watanabe O., Idesawa M. Computational model for neural representation of multiple disparities // Neural networks. – 2003. – Т. 16. – №. 1. – P. 25-37. 325 Горбань А.Н. Быстрое дифференцирование сложных функций и обратное распространение ошибки // Нейроинформатика и ее приложения. V Всерос. семинар. – Красноярск, 1997. – С. 54-56. 95 Рис. 3.1. Рис. 3.2 Более того, можно проследить сходство эволюции представления самой концепции рефлекторной дуги, развитой в ходе исследований, проводимых в лаборатории И.П. Павлова 326 с историческим развертыванием принципа построения архитектуры ИНС от единичной модели нейрона (Рисунки 3.1, 3.2). Согласно этому в лаборатории И.П. Павлова постепенно происходило выяснение, что контакт между индифферентным возбуждением и безусловным возбуждением образуется не по маршруту кора — продолговатый мозг (как на Рисунке 3.3), а по маршруту кора — кора. Более поздние открытия в области нейрофизиологии, проведенные, в том числе, Magoun, Moruzzi, П.К. Анохиным и в лабораториях его института нормальной физиологии, в частности, открытие коллатеральных путей распространения афферентных возбуждений через ретикулярную формацию ствола мозга, несколько изменили концептуальную схему замыкания условно-рефлекторной связи, уточнив ее внесением в рассмотрение возможности замыкания на различных уровнях подкорковых образований с участием ретикулярной формации и ассоциативных областей коры головного мозга (Рисунок 3.3). Можно заметить, что приведенная топология схемы очень напоминает классическую организацию многослойной ИНС327 из типовых нейронных элементов по Рисунку 3.4. 326 Павлов И. П. Лекции о работе больших полушарий головного мозга. – М., 1952. Дорогов А. Ю., Алексеев А. А., Пименов В. Е. Программная реализация алгоритма структурного синтеза быстрых нейронных сетей // В сб. тр. МИФИ: «Нейроинформатика-2000». – Ч. I. – С. 61-68. 327 96 Рис. 3.3. Рис. 3.4 Необходимо заметить, что структурное совпадение не случайно, поскольку в нем отражается также сходство принципов функционирования нейрофизиологической модели и ИНС. 3.1.2. Концепция функциональной системы П. К. Анохина Принципиально другой тип концептуальности может демонстрировать общая теория функциональных систем (ТФС), основанная П. К. Анохиным в 1925-35 гг. 328,329. Можно заметить, что возникновение ее и становление в нейробиологии осуществляется приблизительно параллельно с развитием и фактуализацией потребностей в автоматизации управления технико-технологическими объектами. Не случайно идеи, очень сходные с аксиоматической системой, предложенной П.К. Анохиным, начали приобретать характер глобализации лишь в 50-х г. г. при «переоткрытии» их в трудах Н. Винера и Л. фон Берталанфи. Философские основы, развитые Анохиным в ТФС были заложены еще раньше в начале ХХ века в трудах А.А. Богданова (Малиновского) 330. В частности, в книге «Эмпириомонизм: статьи по философии» он, анализируя онтологический вопрос о причинах существования двух различных сфер опыта – субъективной и объективной, приходит к достаточно эпистемологическому выводу: «если в едином потоке человеческого опыта мы и обнаруживаем два принципиально 328 Анохин П.К. // Российский физиологический журнал. – 1925. – Х. – 1. Анохин П.К. Проблема центра и периферии в современной физиологии нервной системы // Проблема центра и периферии в вышей нервной деятельности. – Горький, 1935. – С. 9-70. 330 Bogdanov A.A. Allgemeine Organisationslehre (Tektologie). Bd.1, 2. – Berlin: Hirzel, 1926, 1928. 329 97 различных типа закономерностей, то оба из них тем не менее в одинаковой степени проистекают из нашей собственной организации: они, по существу, выражают две тенденции, свойственные биологической организации...»331. Таким образом, мы обнаруживаем такое свойство, как технологичность 332, заложенное уже на концептуально-философской стадии, усиленное в дальнейшем в трудах П. К. Анохина и получившее ранг чуть ли ни главной аксиомы ТФС. Очень интересно, что этот упор на технологичность (делание результата) в ТФС в значительной мере прослеживается сильнее, чем в концепциях Р. Декарта и И. П. Павлова, хотя бы постольку, поскольку составляет основу всех теоретических построений (результат является главным системообразующим фактором – по П. К. Анохину). Теоретическим открытиям А. А. Богданова, наметившим основы принципа обратной связи и системно-структурного подхода в исследовании сложных систем333, предшествовала созданная необходимостью внедрения механизмов и машин с автономными энергетическими источниками, теория управления, развитая в трудах Ляпунова и Вышнеградского и практическое открытие и применение управления с обратной связью (ОС), реализованное впервые в регуляторе Уатта в 1845 г. 334 Видно, что открытия в теоретико-философских основах и в практике следовали взаимнорекурсивно волнами друг за другом, взаимостимулируя таким образом и взаимопорождая (Рисунок 3.5). Принцип ОС в явном виде примененный на практике в регулирующих устройствах видимо уже был обусловлен еще раньше менталитетом социума, нашедшим свое выражение в теоретических выкладках, в частности, у К. Маркса и Ф. Энгельса: «До сих пор философы пытались объяснить мир, но задача состоит в том, чтобы его изменить» 335. Поистине, чем это не системообразующее действие результата деятельности ФС по П.К. Анохину? Однако, Н. Винер и Л. фон Берталанфи, знаменуя собой переход мира на новый энергетический уровень от механической эры к электрической, повторили на новой ступени разработку принципа ОС, характерного для упомянутой стадии механического мира, но в сочетании с теорией информации К. Шеннона336, что уже явилось признаком перехода к электрической эре. Тем не менее, они не уловили всех тонкостей наступления будущего 331 Богданов А.А. Эмпириомонизм: статьи по философии. – М., 1907. – Т.3. – 169 с. Философия техники. История и современность. Розин В. М., Алексеева И. Ю. и др. – М.: ИФРАН, 1997. – С. 3841, 187-190. 333 Богданов А.А. Тектология: Всеобщая организационная наука. В 2­х т. – Пг., 1913. – 302+352 с. 334 Бесекерский В. А., Попов Э. П. Теория систем автоматического регулирования. – М. Наука, 1972. – С.19-31. 335 Маркс К. Тезисы о Фейербахе // Маркс К., Энгельс Ф. Соч. 2-е изд. – 1955. – Т.3. – С.1-4. 336 Шеннон К. Работы по теории информации и кибернетике. – М., 1963. – 832 с. 332 98 усложнения337, многие из которых были предвосхищены П.К. Анохиным в ТФС в 30-х г. г. 338, и нашли отголоски лишь с дальнейшим развитием электрического и, таким образом как следствие, информационного мира в возникновении идеологии самоорганизации или синергетики в работах Г. Николиса339, И. Пригожина340, М. Эйгена341, Г. Хакена342 и др. В 70-х г. г. Рис. 3.5. Самое интересное, что, несмотря на высокую плодотворность идей ТФС, последователи П.К. Анохина воспринимают его учение, прежде всего, как отображение только принципа ОС и практически мало используют его главный постулат о самоорганизации систем под действием производимого ими результатов их жизнедеятельности. Таким образом, речь идет более об информационном сигнальном содержании ТФС, в то время как основной упор в ней делается именно на возникновение, поддержание и развитие структурного компонента. Вполне возможно, что это объясняется недостаточной проработанностью П.К. Анохиным самих Аршинов В.И. Синергетика конвергирует со сложностью // Вопросы философии. – 2011. – №4. – С. 74­83. Анохин П. К. Проблема центра и периферии в современной физиологии нервной системы // Проблема центра и периферии в вышей нервной деятельности. Горький. – 1935. – С. 9-70. 339 Николис Г. Самоорганизация в неравновесных системах. – М.: Мир, 1979. – 512 с. 340 Пригожин И. От существующего к возникающему. – М.: Наука, 1985. – 328 с. 341 Эйген М. Самоорганизация материи и эволюция биологических макромолекул. – М.: Мир, 1973. – 224 с. 342 Хакен Г. Информация и самоорганизация. – М.: Мир, 1991. – 240 с. 337 338 99 конкретных закономерностей формирования структурного компонента и ограничение лишь общими положениями на аксиоматическом уровне. Относительно информационного содержания ТФС можно обнаружить в ней явные процессуально-процедуральные черты. Процессуальность ТФС как принцип ОС имеет однозначную аналогию с теорией управления, основой которой является математический аппарат дифференциальных уравнений, описывающих динамические системы. Известно 343, что представление системы дифференциальных уравнений (ДУ) в форме Коши в пространстве состояний автоматически предполагает ее имманентную интерпретацию в виде динамической системы с ОС. Известна и доказана теорема Л. Заде 344 о единственности и взаимной однозначности такого соответствия. А поскольку факт однозначности соответствия каждой динамической системе с ОС одного единственного ДУ n-го порядка (или одной единственной системы n ДУ), описывающей динамику событий, т.е. процессуальность, установлен, то можно считать, что функциональной системе, поскольку в наличии ее имеется ОС, также свойственна процессуальность. Процедуральность же можно наблюдать в самой сути формирования функциональной системы, подробно и наглядно описанной у Анохина 345 как последовательность формирования ряда шагов или событий, выражающихся в преобразованиях структуры функциональной системы346. Количественность ФС очень хорошо можно наблюдать сразу же как только дело переходит к эксперименту. Очень примечательным является также тот факт, что любое применение инструментальных методов, т. е. продуктов техно-технологии в физиологическом исследовании ведет за собой представление нейробиологических теорий в количественной форме, либо в виде, выводимом из количественных закономерностей. Это хорошо можно наблюдать в работах последователей П.К. Анохина, например, у Е.А. Умрюхина, начиная с работы 347 до348, К.В. Судакова349,350, так и других школ, не связанных непосредственно с методологическим базисом 343 Справочник по теории автоматического управления. Под ред А.А. Красовского. – М.: Наука, 1987. – С. 27-36. Заде Л., Дезоер Ч. Теория линейных систем. – М.: Наука, 1970. 345 Анохин П.К. Очерки по теории функциональных систем. – М.: Медицина, 1975. – 448 с. 346 Савельев А.В. Моделирование функциональной нейронной самоорганизации при посттетанической потенциации // Журнал проблем эволюции открытых систем. – Казахстан, Алматы. – 2004. – № 1. – С. 127-131. 347 Умрюхин Е.А. Системные механизмы подсознательной деятельности человека // Вестник АМН СССР. – 1982. – № 2. – С. 88-95. 348 Джебраилова Т.Д., Коробейникова И.И., Иванова Л.В., Умрюхин Е.А. Релаксирующие эффекты локального тепловоздушного воздействия в условиях стрессорных нагрузок студентов // Вестник РАМН. – 1998. – 2. – С. 14-18. 349 Судаков К.В. Голографический принцип системной организации процессов жизнедеятельности // УФН. – 1997. – Т. 28. – Вып. 4. – С. 3-32. 350 Функциональные системы организма: руководство. П/р К.В. Судакова. – М. Медицина, 1987. – 432 с. 344 100 ТФС351,352. Например, в работе353 полученные количественные данные преобразуются в графически визуализируемые формы, в последовательности которых обнаруживается логические цепочки, которые, в свою очередь, могут быть представлены в виде других мнемонических описаний, например, в виде блок-схемы, при этом неявно выделяются реципрокные отношения («например, торможение когнитивного компонента эмоциональным») – т.е. ОС. Можно отметить взаимно сводящиеся представления системно-теоретического описания, в частности, на основе ТФС, и количественных параметров, оценок и заключений. Фиксация каких-либо количественных показателей, так или иначе, приводит к системно-логическим построениям, которые чаще всего укладываются в концепции рефлекторной дуги (кольца) или же функциональной системы. Это очень хорошо можно наблюдать на примере школы Н.П. Бехтеревой, где постановка техники мультиэлектродных отведений привела к генерации ряда структурно-функциональных теорий функционирования мозговых механизмов, таких как открытие и фиксация гибких и жестких звеньев нейронной системы обеспечения психической деятельности (теория артифициальных стабильных функциональных связей), выделение эндогенных компонентов вызванных реакций нейронов при запоминании вербальных сигналов и роль в этом коллективных процессов, построение карт взаимодействия между структурами мозга в процессе его функционирования и т.д. 354. Процесс образования ментальных модельных структур на основе количественных измерений хорошо можно наблюдать практически в большинстве нейрофизиологических экспериментов даже в том случае, когда выводимые закономерности не предполагаются априорно, а план эксперимента является максимально общим, детерминируемым, в основном, даже не мыслью исследователя, а определяется спецификой применяемых инструментальных методик, т.е. неявно заложен их создателями. Во многих случаях это относится к выведениям корреляционных зависимостей и связей между различными компонентами функциональной активности мозга, что имеет довольно-таки широкое распространение в нейробиологии. В качестве примеров можно назвать работы той же Н.П. Бехтеревой и коллектива при изучении «кодирования» смысловой значимости стимулов в паттернах разрядов и в характеристиках взаимодействия нейронов, при выяснении пространственно-временной 351 Правдивцев В.А., Козлов С.Б., Ясенецов В.В. Эфферентно-афферентная конвергенция как структурнофункциональная основа аппарата акцептора результатов действия // УФН. – 1997. – Т. 28. – Вып. 4. – С. 33-43. 352 Русинова Е.В. Влияние «животного гипноза» на двигательную доминанту, созданную действием постоянного тока на кору левого полушария. // ЖВНД. – 1997. – Т. 47. – Вып. 3. – С. 109-115. 353 Свидерская Н.Е., Агаронов В.Р., Королькова Т.А. Пространственная организация электрических процессов коры головного мозга при патологическом влечении к алкоголю. // ЖВНД. – 1996. – Т. 46. – Вып. 6. – С. 999-1007. 354 Бехтерева Н.П., Гоголицын Ю.Л., Кропотов Ю.Д., Медведев С.В. Нейрофизиологические механизмы мышления. – Л.: Наука, 1985. – 272 с. 101 «организации» биоэлектрической активности функционирующего мозга, как например, в работе Л. С. Веденеевой355, И. С. Добронравовой356 и др. Сюда же можно отнести работы, анализирующие деятельность мозга при воздействиях на него, в том числе, с терапевтическими целями, как в 357 . Необходимо заметить, что аксиоматика возникающей таким образом организованной структуры в динамике функционирования ц. н. с., в основном заключена в самих методиках и принципах358, на основе которых производится установление каких-либо связей с чем-либо, в частности, в самой аксиоматике аппарата корреляционных функций. Можно сказать также, что она задает довольно жесткие априорно установленные рамки в построении подобных моделей, за пределы которых не может выйти ни одна модель, построенная подобным образом без привлечения каких-либо других дополнительных концептуальных установок359. 3.1.3. Ассоциативность и моделирование эффектов высшей нервной деятельности по А.М. Иваницкому в нейрокомпьютерах Концепция ассоциативности (А) как способ самоисследования человека, его личности, Яэго, а также как потребность в этом, на самом деле, была известна очень давно, возможно всегда, а скорее всего, столько, сколько существует общество. Традиционно принято считать, что впервые постулаты А. были сформулированы Аристотелем, выдвинувшим идею о том, что образы, возникающие без видимой внешней причины, являются продуктом ассоциации: «...Т. о., мыслящие мыслит формы в образах (pyfntasmata) и в какой мере ему в образах проясняется, к чему следует стремится и чего следует избегать, в такой же мере оно приходит в движение и в отсутствие ощущения при наличии этих образов. Например, восприняв вестовой огонь и замечая, что он движется, мыслящее [существо] благодаря общему чувству узнает, что приближается неприятель». И далее, на наш взгляд чрезвычайно важное: «Вообще ум в действии есть то, что он мыслит» 360. На самом деле, подобные умозаключения можно обнаружить во множествах сохранившихся философских и мифологических источниках гораздо 355 Веденеева Л.С. Формирование временной организации ЭЭГ детей школьного возраста // Автореферат канд. дисс. к. б. н., 03.00.13. – СПб, 1998. 356 Добронравова И.С. Реорганизация электрической активности мозга человека при угнетении и восстановлении сознания (церебральная кома). // Автореф. докт. дисс. д. б. н., 03. 00. 13. – М.: МГУ, 1996. 357 Крупицкий Е.М. Фармакологический, фармакотерапевтический и немедикаментозный подходы к стабилизации ремиссий при алкоголизме // Автореферат докт. дисс. д. м. н., 14.00.45. – СПб, 1998. 358 Kolesnikov A.A., Savelyev A.V. Philosophical principles of management by the special condition of a brain // Proceedings on «CAD-95». – Crimea, Yalta-Gurzuff, 1995. – V. 1. – P. 242-243. 359 Чечкин А.В., Алексеев А.Ю., Петрунин Ю.Ю., Савельев А.В., Янковская Е.А. Нейрофилософия // Нейрокомпьютеры: разработка, применение. – 2014. – №10. – С. 3-14. 360 Аристотель. Собр. Соч. В 4-х т.т. Серия ФН. – М.: Мысль, 1976. 102 более раннего происхождения. Например, в сравнении с последним высказыванием Аристотеля, в Махабхарате: «(Человек) есть сочетание тела, чувств, сознания (четана). Они обособлены, но в деятельности накладываются друг на друга» 361. А также: «Буддхи есть «я» человека, «я» в себе самом есть буддхи. Она превращается в ум (манас), когда производит существование. В силу обособленности состояний буддхи превращается затем в чувства. Слыша, становится ухом, касаясь, становится (органом) осязания, смотрит и становится глазом....Когда разум чего-либо желает, он превращается в ум (манас)» 362. То же в «Йога-сутре» Патанджали: «...Зритель пребывает в собственной форме. В этом случае энергия сознания, [или Пуруша], пребывает в своей собственной форме как в [состоянии] абсолютной обособленности. Однако при актуализированном сознании она не [представляется] таковой, хотя в действительности это так. Почему же тогда [это происходит]? В силу того, что объекты показывают себя [Зрителю]» 363. «...Наполнители сознания...служат взаимной опорой друг для друга... Пробуждение их происходит при актуальной встрече с объектом»364. Высочайшей утонченности ассоциативные механизмы мышления заложены в каноническом тексте китайской классической «Книге Перемен» – «И Цзине», относимой по датировке к I-II тысячелетию до н. э. Построение гексаграмм, их порядок следования, различные способы расположения (круговые, прямоугольные, мавандуйского порядка и т. д.), а также возникающие связи самоорганизующихся механизмов формирования циклов развития, закодированных в следовании и семантике гексаграмм, иллюстрируют различные вариации применения ассоциативных логических алгоритмов 365 Сам принцип системы Ба-гуа (кольцевого построения триграмм) с помощью которого выражалось все многообразие явлений природы и человеческого бытия (страны света, животные, части тела и т. д.) являет собой воплощение ассоциативного принципа. Многочисленные воплощения ассоциативного принципа и явные упоминания о нем можно найти в еще более древних дошедших до нас мифологических источниках, таких, например, как дрвнеегипетские «Тексты пирамид» (26-23 в. в. до н. э.), в самом построении системы богов, в описаниях мистерий, исполняемых во время религиозных праздников, а также в магических текстах и заговорах Атхарваведы, Яджурведы, в гимнах древнейшей Ригведы, датируемой от II до VI тысячелетия до н.э. и т.д. натуралистически-ассоциативные построения 361 Махабхарата. Мокшадхарма. вып. V. кн. 1. Пер. акад. Б. Л. Смирнова. – Ашхабад: Ылым, 1983. – С. 169-170. – Гл. 219. – Шл. 7930-7983. 362 Ibid. — С. 285-286. – Гл. 248. – Шл. 8999-9020. 363 Классическая йога («Йога-сутра» Патанджали и «Вьяся-Бхашья»). Памятники письменности Востока. СIX. – М.: Наука, 1992. – С. 88. – 260 с. 364 Ibid. — С. 113. 365 Щуцкий Ю. К. Китайская классическая «Книга Перемен». – М.: Наука, 1993. – 629 с. 103 во множестве используются в космогонической мифологии практически всех народов (арийской, китайской, древних индейцев Америки, африканской, например, догонов, баамбара и т.д.) 366,367. Таким образом, можно утверждать, что концепция ассоциативности существовала всегда и лишь трансформировалась из одной формы представлений в другую по мере выполнения определенной необходимой функциональной роли этих представлений в бытии человека. Учитывая изменения нового времени можно проследить направленность динамики этих трансформаций в сторону на-себя, т.е. когда объектом изучения все в большей мере становится субъект, его Я-эго. Концепция ассоциативности являет собой как бы непреходяще-неуходящий фон, по-разному проявляющий себя в зависимости от появления и смены методов познания от Дж. Беркли368, Д. Юма369, построивших связь ассоцианизма с сознанием, «ассоциации идей» Дж. Локка370, противопоставившего их «связям на основе разума», до настоящего времени. Проникновение методологии точных наук в представления об ассоциативности связано с упомянутым выступлением И. М. Сеченова в 60-х г.г. XIX века, когда он выступил с развернутой критикой существующей методологии изучения психической деятельности. Концепция ассоциативности получила свое выражение на языке моделирования в трудах И.П. Павлова о корково-корковом характере замыкания условного рефлекса 371, разработанных в дальнейшем в работах А.А. Ухтомского 372 о поглощении менее сильного очага возбуждения более сильным (доминанта), а также в трудах Э.А. Асратяна 373 и П.К. Анохина374. Однако, наиболее глубоко разработанной и интегрирующей предыдущие интерпретации концепции ассоциативности на сегодняшний день, на наш взгляд, является модель, разработанная А.М. Иваницким375, которая самым непосредственным и наглядным образом связана с парадигмой моделирования. Согласно этой концепции, возникшей на основе обобщения экспериментальных данных о различающихся величинах латентных периодов вызванных потенциалов головного мозга в ответ на дозированные световые стимулы, происходит не просто поступательная передача и преобразование афферентных возбуждений в эфферентные или же образование 366 Мифы народов мира. В 2-х тт. – М.: Российская энциклопедия, 1994. – Т. 1. – С. 420-427, 535-543, 129-132, 160161, 389-391. 367 Петрунин Ю.Ю. Ислам и рождение европейской науки: суфийские истоки компьютерных технологий // Мусульмане. – 1999. – № 2. – С 45-46. 368 Беркли Дж. Сочинения (сост., общ. ред., вступ. ст. Нарского И.С.; пер. Грязного А.Ф., Дебольской Е.Ф., Лагутина Е.С. и др.). Сер.: Классическая философская мысль. – М.: Мысль, 2001. – 260 с. 369 Юм Д. О человеческой природе Азбука. – 2001. – 315 с. 370 Локк Дж. Сочинения в 3-х тт. Серия: Философское наследие. – Т. 93. – М.: Мысль, 1985. – Т. 1. – С. 450-458. 371 Павлов И.П. Лекции о работе больших полушарий головного мозга. – М., 1952. – 297 с. 372 Ухтомский А.А. Избранные труды. Серия: Классики науки. – Л.: Наука, 1978. – 360 с. 373 Асратян Э.А. Избранные труды. Рефлекторная теория высшей нервной деятельности. – М.: Наука, 1983. – 327 с. 374 Анохин П.К. Очерки по теории функциональных систем. – М.: Медицина, 1975. – 448 с. 375 Иваницкий А.М. Информационные процессы мозга и психическая деятельность. – М.: Наука, 1984. – 200 с. 104 связей (ассоциаций) между двумя очагами возбуждения по типу условного рефлекса с возможностью поглощения одного другим (по типу доминанты). Рис. 3.6. Поступающий в проекционную зону афферентный стимул по выявленным А.М. Иваницким путям производит активацию всего мозга: коры, подкорковых центров условных и безусловных раздражений, центров других анализаторов и т. д. (Рисунок 3.6). Далее наблюдается возврат возбуждений из активированных участков мозга в первичную зону проекции данного стимула, что обеспечивает синтез сенсорной информации с информацией о значимости данного стимула (процедуральность). Фактически, каждый образ вызывает из памяти все накопленное и, так или иначе, связанное с ним. Таким образом, происходит как бы сканирование различных мозговых структур с различными временами задержек, в результате чего образ появляется не сразу, а последовательно развертывается во времени (процессуальность). Предполагалось, что данная схема позволит разрешить проблему сознания, сформулированную в XVIII в. Д. Юмом376 как «проблему гомункулюса» (гипотетический человечек внутри мозга, представляющий наше внутреннее «я», внутри которого тогда также 376 Юм Д. О человеческой природе Азбука. – 2001. – 315 с. 105 необходимо поместить такого же человечка и т. д., Ф. Крик «Мысли о мозге» 377). Рассмотренная же концепция А. позволяет представить психику как двуединство отражения объективной реальности и ее преломления через индивидуальный опыт, таким образом, внутреннее личное «я» создается взаимодействием (процедуральность) памяти и внешнего стимула: нельзя ощутить внешний сигнал без своего «я» и нельзя почувствовать своего «я» без внешнего сигнала. Однако, при всей простоте этой концепции А., она имеет существенный недостаток. Все элементы, этапы и шаги работы данной схемы не так уж сложно воспроизвести на любом компьютере. Тем не менее, никаких свойств, даже отдаленно напоминающих психику и сознание, не появляется. Отсюда следует вывод, что осуществляется воспроизведение именно схемы, а не повторение самого реального явления. О том же свидетельствует и необходимость интерпретируемости концепции, пусть даже самая привлекательная (казалось бы, объясняющая психические процессы), но все же необходимость. Это опять-таки говорит о схематичной, моделирующей природе концепции, не существующей без интерпретатора, в отличие от самого явления, т. е. психики и сознания 378. Нетрудно заметить также и неотъемлемую количественность, лежащую в основе рассмотренной концепции, выводы которой собственно и делаются из количественных сопоставлений времен задержек в активации различных зон мозга, а также предположений, построенных на основе увязывания распределенных очагов возбуждения мозга с активацией проекционной зоны сенсорным стимулом (корреляционные функции). Вместе с тем, при переходах от одной рассмотренной концепции к другой можно заметить усиление машинно-технологического подхода во взглядах на проблемы физиологии, проблемы «работы» биологической субстанции. Под машинно-технологическим подходом подразумевается также не только и не столько делание результата работы схемы ей самой (что является явным, т. е. сознательным по отношению к человеку-исследователю), но и делание самой схемы (что является по отношению к нему неявным, а потому, бессознательным). Таким образом, можно видеть, что любая построенная схема включает в себя неотъемлемый от нее деятельностный компонент человекасоздателя, незримо стоящего за ней, а потому не может существовать без него. 377 Мозг // Scientific American. – 09. 1979. – М.: Мир, 1982. Савельев А.В. Трудной проблемы сознания – нет! / 150 лет «Рефлексам головного мозга // Сборник научных трудов юбилейного симпозиума, посвящённого изданию статьи И.М. Сеченова / Отв. редакторы: А.Ю. Алексеев, Ю.Ю. Петрунин, А.В. Савельев, Е.А. Янковская / Тех. редактор А.В. Савельев. – Издательство М.: «ИИнтелл». – 2014. – С. 204-219. – 432 c. 378 106 В проанализированных выше концепциях деятельностный компонент явно нарастает, т. е. видно: чтобы построить последующую схему, нужно больше деятельности, чем в предыдущей. Именно поэтому античные представления, в частности, ассоциативности, или условного рефлекса Р. Декарта379 были наименее схематично-конструктивными, а в большей части интуитивно-образными. Эволюция представленных схем идет по пути увеличения их конструктивности, что также роднит их с машинными схемами, т. е. взгляд человека на окружающий мир все в большей мере становится деятельностным. В приведенных примерах при движении к настоящему времени видно все большую схожесть структурных представлений именно с электрическими и электронными блок-схемами и это, на наш взгляд, чрезвычайно примечательно. Машинообразность их также доказывает тот факт, что рассматриваемые нейрофизиологические концепции становятся все более моделируемыми, т. е. все более удобными для имитационного моделирования их на компьютере. По мере раскрытия и проникновения внутрь «черных ящиков» все меньше остается доля невоспроизводимого на машине (ЭВМ) компонента (как в случае схемы А.М. Иваницкого по сравнению со схемами И.П. Павлова и П.К. Анохина). Это означает, что совместимость их с компьютером увеличивается, а это, в свою очередь, может значить только одно – что подобие возрастает. И не столько наши знания проникают «вглубь» предмета, сколько происходит переформирование самих знаний, их адаптация к сегодняшнему уровню развития 380 и, прежде всего, точных наук, техники и технологии. Сближение с точными науками объясняется тем, что именно они, в первую очередь, обслуживают технику и технологии, в том числе, и порождая их, т. е. по сути являются идейным содержанием техногенной цивилизации. §3.2. Методологический анализ практической реализации нейросетевой парадигмы в нейрокомпьютинге В параграфе приведены особенности нейросетевого принципа, его ограничения и возможности, а также примеры классов задач на основе биомоделирования нейросетевого принципа в нейрокомпьютинге. Проведен методологический анализ практической реализации нейросетевой парадигмы в нейрокомпьютинге. Намечены возможные пути преодоления существующих ограничений. 379 Декарт Р. Избранные произведения. – М.: Госполитиздат, 1950. – 712 с. Савельев, А.В. Нейрокомпьютеры и общество // Нейрокомпьютеры: разработка, применение. – 2015. – №7. – С. 3-14. 380 107 3.2.1. Гиперсложность нейронов и нейросетей и гиперсетевая модель нейрона Нашими исследованиями, в том числе, методами нейромоделирования, установлено, что и сам единичный нейрон можно рассматривать, как структуру, подобную нейросетевой. В частности, такой принцип организации обнаружен у дендрионов нейронов, причём, как целого дендриона или его фрагментов, так и отдельного дендрита. Сетевые структуры последнего возникают, например, при воспроизведении электротонического распространения локальных вызванных постсинаптических потенциалов по дендриту с реальной геометрией 381, которая, на самом деле, является сложной и не сводится к обычно применяемым простейшим аппроксимациям382. Именно этим объясняется построение концептуальной схемы морфодинамического процессора383 в виде иерархической N-слойной нейросети (Рисунок 3.7, где N – число дендритных ветвей), учитывая возможность использования дендритных входов и самоконтактирование с их помощью электрическими и химическими синапсами (т.н. аутапсами) в дендритном дереве самого нейрона с развитым дендритным деревом (Рисунок 3.8). Такую сложную внутреннюю структуру нейрона в данном случае следует отнести более к морфо-функционально-гиперсетевой, чем к чисто функциональной, то есть функция следует из структуры в большей мере, чем наоборот. Сетевую структуру дендриона создает также мозаичное распределение на дендритах активных зон генерации локальных дендритных спайков. 381 Савельев А. В. Нейрокомпьютеры в изобретениях // Нейрокомпьютеры: разработка, применение. – 2004. – № 2-3. – С. 33-49. 382 Сотников О.С., Панин А.И., Праздникова В.П. Исследование с помощью математического моделирования морфофизиологических соотношений реактивных изменений живых нейронов // Архив анатомии. – М., 1984. – Т. 86. Вып. 1. С. 5-27; Соколов Е.Н., Шмелев Л.А. Нейробионика. – М.: Наука, 1986. – 195 с. 383 Патент SU № 1815658. Устройство для морфодинамического моделирования нейрона / Жуков А. Г., Лаврова Т. С., Савельев А. В. – 1993. – Бюлл № 18 108 Рис. 3.7. Нейросетевой процессор дендриона (дендритного дерева) нейрона (авторский патент SU№ 1815658): 1 – блок моделирования возбуждающих 2 и тормозящих 3 синапсов; 4 – согласующий элемент; 5 – накопительный элемент; 6 – элемент синаптической задержки; весовые резисторы; 7 – блоки моделирования дендритов; 9 – сумматор; 10 – пороговый блок; 11 – элемент сравнения; 12 – формирователь порогового значения; 13 – формирователь импульсов; 14 – блок обратной связи; 15 – блок синхронизации; 23 – сумматоры; 24, 31 – блоки морфодинамики; 34 – дендритные выходы. Рис. 3.8. Внутринейронные аутапсы униполярного нейрона, культивируемого без глии. Прижизненная микроскопия, интерференционный контраст, 1:100, фото О. С. Сотникова. Микрофотография иллюстрирует также представление о нейроне не только как о многовходовом, но и как о многовыходовом гиперсетевом элементе. 2– отросток нейрона; 3 – дендриты; 4 – аутапсы; 5 – возвратные веточки. 109 Дискретность спайка и возбудимых зон аксонного холмика нейрона. Микроструктура сомы и аксонного холмика нейрона также может быть представлена структурой, подобной нейросети384, как в случае активной, так и пассивной мембраны. Известно 385, что мембрана является в высшей степени неоднородной, причём, в ней можно выделить домены с большей или меньшей степенью возбудимости даже в случае, если порог возбуждения мембраны очень велик (т.е. она считается пассивной). При этом домены не являются стандартизованными как в случае сборки нейросети из элементарных нейроподобных элементов, и могут в значительной степени варьироваться как в смысле размеров (от областей сравнимых с размерами сомы нейрона в случае возбуждения активных зон, и до молекулярных размеров в случае пассивной мембраны), так и в смысле геометрии. В этом случае становится понятным, что размерность «нейронной» сети, моделирующей соматическую мембрану нейрона, может возрастать практически неограниченным образом (учитывая число молекул, из которых состоит мембрана сомы). В соответствии с показанной сложной объёмной структурой спайка он может быть представлен как суммарное образование, состоящее из элементарных дискретных компонентов. Условия генерации и распространения их не являются однородными по объёму аксона в связи с неоднородностью интрацитоплазматической среды распространения, тем более, если учитывать многочисленные включения в аксоплазме. Эти факты моделировались нами в нейромодели на Рисунке 3.9. Более того, расширение методологического подхода применения нейросетевой парадигмы дало возможность сделать дедуктивные выводы о том, что для получения спайка наблюдаемой нейрофизиологами формы, он должен представлять собой суперпозицию множества отдельных дискретных компонентов (Рисунок 3.10). Такие компоненты могут возникать независимо друг от друга только при условии доменной структурированности возбудимой зоны, что и было отрадено нами в нейросетевом представлении возбудимой зоны (сомы) нейрона. Здесь n блоков 1 моделирования синапса, каждый из которых состоит из согласующих элементов 2, масштабирующих коэффициентов 3 и элементов задержки 4; блок 5 моделирования сомы, в который входят весовые элементы 6 и входные сумматоры 7; m блоков 8 вызванных постсинаптических потенциалов; m формирователей 9 спайка, каждый из которых состоит из элемента сравнения 10, формирователя импульсов 11 и формирователя 12 порогового значения, выходной сумматор 13, выход которого является аксонным выходом 14. Соответствующие блоки 7-9 образуют m узлов возбуждения 15, а блок 8 выполнен в виде управляемого интегратора. 384 Патент SU № 1306368. Устройство для моделирования нейрона / Межецкая Т.А., Савельев А.В., Колесников А.А. – 1987. 385 Кагава Я. Биомембраны. – М.: Высшая школа, 1983. – 303 с. 110 Рис. 3.9. Аксо-соматический нейропроцессор по авторскому патенту SU1306368. На каждый из сумматоров 7 поступают сигналы от всех n выходов блоков моделирования синапса 1 с соответствующими весами. Это соответствует реальному нейрону, в котором сигнал от каждого синапса, распространяясь, достигает каждого возбудимого участка мембраны сомы или аксона. Причем его амплитуда в момент достижения какого-либо возбудимого участка определяется расположением последнего на мембране, что отражается в модели величиной коэффициента передачи соответствующего весового элемента 6. В то же время пути распространения возбуждения от синаптических контактов к одному возбудимому участку различны, следовательно, различны и параметры сигналов, приходящих на этот участок от различных синапсов при прочих равных условиях (параметры самих синапсов и условия их стимуляции), что отражается подбором весовых элементов 6 на входах каждого i-го сумматора 7. Каждый микрокомпонент спайка, сгенерированный локальной зоной соматической мембраны, суммируется во внутриаксонном пространстве, образуя, таким образом, результирующий спайк, распространяющийся по аксону к клеткам – мишеням. Число формирователей 9 спайка, одновременно генерирующих импульсы, определяется числом и конфигурацией активированных синапсов, а также количественными и качественными 111 показателями сигналов, приходящих на синаптические входы, и параметрами самого нейрона, в частности числом и локализацией на соме возбудимых узлов 15. Предложенная нейромодель может воспроизводить поперечный срез аксона, а неодновременность генерации микрокомпонентов спайка способствует несимметричности потенциально-токового поля в плоскости сечения аксона, что усиливает неоднородные условия ионно-электронного обмена и существенным образом определяет вычислительные свойства нейрона как сверхсложной системы. Рис. 3.11 Электрогенез потенциалов действия, вызванных применением А порогового и Б надпорогового деполяризационного внутриклеточного тока. А, Б – кинетика электрического процесса, развившегося на фоне применения деполяризационного тока силой 0,35 и 0,5 нА соответственно. 1-9 – локализация особых точек (по Т.Н. Греченко, В.А. Луцкому), доказывающее сложную организацию спайка. Рис. 3.10 Многокомпоненитный спайк нейропроцессора по патенту SU1306368. Далее, если рассматривать сам аксонный нервный импульс, генерируемый нейроном, установлено, что он обладает сложной информационной структурой, являющийся как бы отпечатком функционирующей области нейросети нейронов, контактирующей с нейроном, генерирующим данный аксонный спайк. Эту информационную структуру можно также рассматривать организованной подобно самой нейросети, с которой контактирует нейрон, но на информационном уровне (Рисунки 3.10-3.11). Видно, что возбуждение, возникающее при действии деполяризационных порогового и надпорогового стимулов, распространяется, охватывая примерно одинаковые участки мембраны. Об этом говорит локализация особых точек на графиках А и Б кинетики спайка (Рисунок 3.11). Применение повторных деполяризационных 112 импульсов тока также выявляет сходство в кинетике процесса возбуждения в смысле прохождения графика спайка через те же особые точки, что свидетельствует о матричнодоменной организации пространственного распределения величины порога возбудимости соматической мембраны. При этом такая виртуальная фрактально-«нейросетевая» организация спайка нейрона может осуществлять кодирование информации, позволяющее передавать множества данных из параллельных каналов по одному каналу связи без разделения во времени и без какого-либо частотного разделения. Функционально-сетевая возможность исключительно структурированность функционально-сетевой нейрона. Нами показана структурированности также нейрона, возникающей при рассмотрении некоторых его сторон жизнедеятельности и не связанной напрямую с его микроархитектоникой (то есть, когда структура следует из функции). Это хорошо видно, в частности, при влиянии накопления гиперполяризации на мембране на характер изменения скорости нарастания пессимума в зависимости от увеличения силы раздражения. Рис. 3.12. Нейропроцессор пессимума по авторскому патенту RU № 2024059. 1, 2 - тормозящие и возбуждающие входы; 3 - формирователи входных сигналов; 4 - преобразователи частоты в амплитуду; 5 - блоки задания коэффициентов; 6-8, 13, 18 – сумматоры; 9 - функциональный преобразователь; 10 - преобразователь амплитуды в частоту; 11 - управляемый формирователь спайков; 12 нелинейный элемент; 14 - пороговые элементы; 15, 19 - инерционные элементы; 16 - релейный элемент; 17 переключатель знака. 113 В концептуальном построении нейропроцессора 386 используются найденные совершенно детерминированные механизмы, порождающие качественно различные реакции на одинаковые стимулы в зависимости от накопленной гиперполяризации мембраны, свойственные живому нейрону. Получены условия, при которых диапазон этих изменений охватывает множество оттенков различий от минимально-различающихся до семантически противоположных. При этом для обеспечения такого функционирования необходима не менее трехнейронная структура нейрона в традиционном его понимании (Рисунок 3.12). Таким образом, здесь можно говорить о, своего рода, структурной рекурсивности, когда структура элемента представляет собой конечное множество самоподобных элементов. Известный парадокс «гомункулюса»387 в данном случае исключается, так как самоподобие носит здесь более терминологический характер (квазифрактальность). Кстати, такая логика нейросетевого построения модели нейрона позволяет подобно разрешить сам парадокс «гомункулюса» в его общей постановке: достаточно предположить неэквивалентность «гомункулюсов» на каждом шаге иерархии. Нейрокомпьютерное моделирование аксонов и нервных пучков. Аксон нейрона представляет собой также чрезвычайно сложную структуру, подобную нейросетевой, а значит, соизмеримой по сложности с любой нейросетевой структурой из нейроподобных элементов. Более того, является возможным показать, что одна лишь макроорганизация аксона (без рассмотрения его микромолекулярной структуры, метаболизма аксонного транспорта, системы аксонных нейрофиламентов и т.д.) уже превосходит сложность нейросетевой структуры, как минимум, на три порядка. Это связано с тем, что можно выделить несколько (не менее трех) гиперпространственных аксонных сетей сосуществующих параллельно друг с другом, сложность каждой из которых эквивалентна сложности нейронной сети: 1. нейристорная сеть, обусловленная наличием последовательно соединённых ячеек, разделённых перехватами Ранвье и способными к генерации активных спайков в зонах перехватов и электротонической передачи их от одного перехвата Ранвье к другому с учётом существенно неоднородной внутриаксонной среды распространения (см. Рисунок 3.13); 2. эфаптическое (полевое) взаимовлияние на соседние аксоны, благодаря генерации в каждой нейристорной ячейки мощного высокоамплитудного спайка. Это взаимовлияние оказывает особенно существенное воздействие на передачу нейронных импульсаций в нервном пучке 386 Патент РФ № 2024059. Устройство для моделирования нейрона / Жуков А. Г., Савельева Н. А., Савельев А. В., Лаврова Т. С. – 1994. – БИ № 22 387 The Brain. Hubel D., et al., – NY.: Scientific American. Sep., 1979. 114 при плотной упаковке отдельных аксонов (Рисунки 3.14-3.15), как нейромодель полевого аксонного процессора388; 3. антидромное распространение спайков по нейриту выявляет также независимую сетевую структуру, подобную нейросети, ответственную за динамическое взаимодействие прямых и обратных спайков на режимах реверберации нервного импульса. Это обусловливает безинерционные механизмы памяти нейрона на аксосоматическом уровне, не связанные с синаптическими перестройками, а также образует архитектуру универсального реверберационного процессора без операций умножения, реализующих их исключительно с помощью блоков задержки и операции суммирования. Рис. 3.14 Сегмент нервного пучка с астроцитарной оболочкой (А) вокруг группы миелинизированных (Му) и безмякотных (N) нейритов (Němeček). Рис. 3.13. Нейристорный процессор нервного пучка волокон по авторскому патенту SU1439632: 1 – нейристоры, 2 – нейристорные ячейки, 3 – масштабирующие блоки, 5 – блоки дифференцирования, 6 – элементы задержки. Показан фрагмент сети размерностью 3 х 2. Рис. 3.15. Зрительный нерв взрослой крысы. Мy – миелин. VM – внутренний мезаксон. Микроканальцы (Т) и микроволоконца (F) в аксонах различного калибра (1-4). Видно большое количество слоёв 388 Патент SU № 1439632. Устройство для моделирования нервного пучка / Савельев А.В., Колесников А.А. – 1988. – Бюлл. № 43. 115 миелина, явно избыточное для выполнения функции электрической изоляции. Увеличение 45 000, фото C. Nèmećek389. Нейросетевой метаболизм. Если перейти в гиперпространство метаболических реакций нейрона, можно также обнаружить сложнейшие пространственно-временные, а также информационные сетевые структуры. Таким образом каждую клетку («элемент») можно одновременно рассматривать и как грандиозный сетевой химический нейрокомпьютер 390,391. На Рисунке 3.16 изображена лишь упрощенная схема метаболических путей синтеза только некоторых малых молекул 392. Рис. 3.16. Упрощенный метаболический нейрокомпьютер клетки. Около 500 общих метаболических реакций расходятся в разных направлениях от гликолитического пути и цикла лимонной кислоты, показанного жирными линиями. Около 500 метаболических реакций расходятся в разных направлениях от гликолитического пути и цикла лимонной кислоты (показаны жирными линиями – функциональные «головной» и «спинной мозг», а точнее их структурно-функциональные аналоги на молекулярном уровне). Типичная клетка млекопитающего синтезирует более 10000 389 Němeček S. Immunohistochemical detection of cells labeled with bromodeoxyuridine after neural transplantation / Mokrý J., Němeček S. // Molecular and chemical neuropathology. – 1995. – V. 25. – №. 2-3. – P. 235-245. 390 Либерман Е.А. Изучение диффузионной моделирующей системы молекулярной вычислительной машины нейрона // Биофизика. – 1980. – № 3. – С. 455-461. 391 Либерман Е.А. Квантовый биокомпьютер // Биофизика. – 1990. – № 1. – С. 132-135. 392 Newsholme E. A., Start C. Regulation in Metabolism. – N. Y. Wiley, 1973. 116 белков, большая часть из которых ферменты. Кроме того, для каждой реакции требуются различные ферменты, которые сами являются продуктами целого ряда реакций переноса информации и синтеза белка. При этом системе метаболической сети присуща высокая степень параллельности и неоднозначности. Для любой малой молекулы имеется одновременно несколько ферментов, способных химически видоизменять её различными путями. Например, аминокислота серин может связываться с АМФ (аденилирование), расщепляться до глицина, превращаться в пируват до окисления, может быть ацетилирована с помощью ацетил-СоА, может переноситься на жирную кислоту с образованием фосфатидилсерина – и всё это ещё до стадии включения серина в биосинтез белков. Все эти возможные метаболические пути конкурируют за одну и ту же молекулу серина как и аналогично за тысячи других малых молекул. При всём этом системе присуща парадоксальная, с точки зрения техники, стабильность, так что значительные колебания внешних условий, а также внутренние нарушения, изменения и даже уничтожения режимов или отдельных последовательностей или областей реакций не приводят к нарушению её функционирования. Вопросы нейрокомпьютерного моделирования генетического кодирования. При переходе на микромолекулярный уровень нейрона можно также наблюдать множество сложнейших вложенных друг в друга и параллельно сосуществующих гиперпространственных сетей различных топологий грандиозной сложности, каждая из которых близка к нейросетевой по конфигурации и принципу построения и не уступает ей в сложности, в том числе, в предельных случаях полносвязности. Так, например, аминокислотные последовательности полипептидных сетей глобулярных белков с учетом пространственных водородных связей, которые образуют контакты между слоями, практически совпадают с нейросетевой структурой. В ДНК дезоксирибонуклеотиды связаны между собой ковалентными фосфодиэтилэфирными связями, соединяющими 5’- атом углерода одного остатка с 3’- C следующего остатка, и присоединены к монотонной сахарофосфатной цепи, образующей остов ДНК. При этом на Рисунок 3.17 видно, что основания нуклеотидов вместе с самими нуклеотидами образуют сложную объемную сеть, подобную нейросети. О простейшей количественно-геометрической оценке сложности можно судить по следующим соображениям. В ДНК 1 млн. нуклеотидов располагается на отрезке прямой, длина которого равна 3,4·10 5 нм (0,034 см) и занимает объем 10-15 см3. Вся генетическая информация, заложенная в 3·10 9 нуклеотидов, содержащаяся в гаплоидном геноме типичной клетки человеческого организма, имеющей в диаметре 20 мкм, теоретически может быть упакована в куб с ребром 1,5 мкм. В то же время, 3·10 9 букв заняли бы 1 млн. страниц печатного текста393. В растянутом состоянии длина двойной спирали ДНК, 393 Richardson J. S. The anatomy and taxonomy of protein structure // Adv. Protein Chem. – 1991. – V. 34. – P.167-339. 117 содержащейся в каждой хромосоме человека (Рисунок 3.18), составила бы в среднем 5 см. С помощью гистонов такая длинная молекула упакована в клеточном ядре, диаметр которого равен лишь нескольким мкм394. Рис. 3.17. Объемная Рис. 3.18. Электронная компьютерная модель двойной микрофотография около половины спирали ДНК, высвободившейся из ДНК в наиболее стабильной B-форме спирали разрушенной хромосомы человека. J. (Sung-Hou Kim). Paulson, U. Laemmli. Молекула белка среднего размера содержит около 400 аминокислотных остатков и имеет молекулярную массу около 50000. Для кодирования аминокислотных последовательностей такого белка требуется последовательность ДНК длиной около 1200 нуклеотидов. Так как на каждые 200 пар оснований ДНК приходится 1 нуклеосома хроматина, эти 1200 нуклеотидов кодирующей ДНК упакованы в 6 нуклеосом, а весь гаплоидный геном человека – 1,5·10 7 нуклеосом395. Дальнейшая компактизация (структурное усложнение) ДНК в составе хроматина связана с образованием нуклеосомных структур, также напоминающих нейросетевую организацию. Выписанная наследственная информация генетического кода в виде текста 394 Gall J. G. Chromosome structure and the C-value paradox // J. Cell. Biol. – 1999. – V. 91. – P. 3-14. Jones D. T. Protein secondary structure prediction based on position-specific scoring matrices // J. Mol. Biol. – 1999. – V. 292. – № 2. – P. 195-202. 395 118 последовательностей оснований нуклеотидов396, учитывая информационные связи между ними по идентичности оснований, наделена геометрией, образующей 4 типа (по количеству типов оснований) довольно регулярных семантических нейросетей, одна из которых показана на Рисунке 3.19. GAG●●●A●CGC●●CCA●GACGCAGAAG●●AACAC●●●CGGA●A●●●C●GA●GAG●CGAA●A AA●●A●C●●GA●AAAGCAGGAA●●AC●AC●GC●●G●●●ACGAA●●AAA●CGAAG●GGAC●● GC●GGCGGAAAA●GAGAAAA●●CGACC●A●CC●●GCGCAGC●CGAGAAGC●C●●AC●●●●G CGACC●●●CGCCA●CAAC●AACGA●●C●G●CAAAAAC●GACGCG●●GGA●GAGGAGAAG●● GGC●●AA●A●GC●●GGCACG●●CG●CAAGGAC●GG●●●AGA●A●GAG●CACA●●●●G●●●C A●GG●AGAGA●●C●C●●G●●GACA●●●●AAAAGAGCG●GGA●●AC●A●C●GAG●CCGA●●G C●G●●CAACCAC●AA●AGG●AAGAAA●CA●GAG●CAAG●●AC●GAACAA●CCG●ACG●●●● CCAGACCGC●●●GGCC●C●A●●AAGC●CA●●CAGGC●●C●GCCG●●●●GGA●●●AACCG●A AGA●GA●●●CGA●●●●C●GACGAG●AACAAAG●●●GGA●●GC●AC●GACCGC●C●CG●G●C ●CG●CGC●GCG●●GAGGC●●GCG●●●A●GG●ACGC●GGAC●●●G●GGGA●ACCC●CGC●●● ●CC●GC●CC●G●●GAG●●●A●●GC●GCCG●CA●●GC●●A●●A●G●●CA●CCCG●CAACA●● ●CAAACGGCC●G●C●CA●CA●GGAAGGCGC●GAA●●●ACGGAAAACA●●A●●AA●GGCG●● CGAGCG●CCGG●●AAAGCCGC●GAA●●G●●CGCG●●●ACC●●GCG●G●ACGCGCAGGAA●A CAC●GACG●●C●●AC●GACGCAGAAGAAAACG●GCG●CAAAAA●●ACG●GCGGAAGGAG●● GA●G●AA●G●C●AAAGG●AAAAAACG●●C●GGCGC●CGCCC●GG●CG●CCGCAGCCG●●●G CGAGG●AC●AAAGGCAAGCG●AAAGGCGC●CG●C●●●GG●A●G●AGG●GG●CAACAA●●●● ●AA●●GCAGGGGC●●CGGCCCC●●AC●●GAGGA●AAA●●A●G●C●AA●A●●CAAAC●GG●C GCCGAGCG●A●GCCGCA●GACC●●●CCCA●C●●GGC●●CC●●GC●GG●CAGA●●GG●CG●● C●●A●●ACCA●●●CAAC●AC●CCGG●●A●CGC●GGCGAC●CC●●CGAGA●GGACGCCG●●● GGCGC●C●CCG●C●●●C●CCA●●GCG●CG●GGCC●●GC●A●●GAC●C●AC●G●AGACA●●● ●●●AC●●●●●A●G●CCC●CA●CG●CACG●●●A●GG●GAACAG●GGA●●AAG●●CA●GAA●G GA●GG●G●●AA●GCCAC●CC●C●CCCGAC●G●●AACAC●AC●GG●●A●A●●GACCA●GC●C GC●●●●C●●GGCACGA●●AACCC●GA●ACCAA●AAAA●CCC●AAGCA●●●G●●●CAGGG●● ●A●●●GAA●A●C●A●AACAAC●A●●●●AAAGCGCCG●GGA●GCC●GACCG●ACCGAGGC●● AACCC●AA●GAGC●●AA●CAAGA●GA●GC●CG●●A●GG●●●CCG●●GC●GCCA●C●CAA●A AACA●●●GGAC●GC●CCGC●●CC●CC●GAGAC●GAGC●●●C●CGCCAAA●GACGAC●●C●● ACCACA●C●A●●GACA●●A●GGG●C●GCAAGC●GC●●A●GC●AA●●●GCA●AC●GACCA●A GAACG●GA●●AC●●CA●GCAGCG●●ACCA●GA●G●●A●●●C●●CA●●●GGAGG●AAAAC●C ●C●●A●GACGC●GACAACCG●CC●●●AC●●G●CA●GCGC●C●AA●C●C●GGGCA●C●GG●C ●A●GA●G●●GA●GGAAC●GACCAAACG●CG●●AGGCCAG●●●●C●GG●CG●G●●CAACA●G ACC●A●AAACA●●C●G●GCCGCG●●●C●●●G●●CC●GAGCA●GGCAC●A●G●●●AC●C●●● GCGC●●G●●CG●●●●CCGCC●AC●GCGAC●AAAGAGA●●CAG●ACC●●AACGC●AAAGG●● GC●●●GAC●●A●ACCGA●A●●GC●GGCGACCC●G●●●●G●A●GGCAAC●●GCCGCCGCG●● GAAA●●●C●A●GAAGGA●G●●●●CCG●●C●GG●GA●●CG●C●AAGAAG●●●AAGA●●GC●● GAGGG●CAG●GG●A●CG●●A●GCGCC●●CG●A●G●●●C●CC●GC●●A●CACC●●C●●GA●A GGC●●CCCA●●CA●●CAGGAACCGCC●●C●GG●GA●●●GCAAGAACGCG●AC●●A●●CG●C CACCA●GA●●A●GACCAG●G●●●CCAG●CCG●●CAG●●G●●GCAG●GGAA●AG●CAGG●●● AAA●●●AA●G●GACCG●●●A●CGCAA●C●GCCGACCAC●CGCGA●●CAA●CA●GAC●●C●G ●GA●AAAAGA●●GAG●G●GAGG●●A●AACGCCGAAGCGG●AAAAA●●●●AA●●●●●GCC●G C●GAGGGG●●GACCAAGCGAAGCGCGG●AGG●●●●C●GC●●AGGAG●●●AA●CA●G●●●●C AGAC●●●●A●●●C●CGCCA●AA●●CAAAC●●●●●●●C●GA●AAGC●GG●●C●CAC●●C●●G ●●AC●CCAGC●●C●●CGGCACC●G●●●●ACAGACACC●AAAGC●ACA●CG●CAACG●●A●● A●●●●GA●AG●●●GACGG●●AA●GC●GG●AA●GG●GG●●●●C●●CA●●GCA●●CAGA●G●G A●ACA●C●G●CAACGCCGC●AA●CAGG●●G●●●C●G●●GG●GC●GA●A●●GC●●●●GA●●G CCGACCC●AAA●●●●●●GCC●G●●●GG●●CGC●●●GAG●C●●C●●CGG●●CCGAC●ACC●C ●CCCGAC●GCC●A●GA●G●●●A●CC●●●GAA●GG●CGCCA●GA●GG●GG●●A●●A●ACC●G ●CAAGGAC●G●G●GAC●A●●GACG●CC●●CCCCG●ACGCCGGGCAA●AACG●●●A●G●●●G G●●●CA●GG●●●GG●C●AAC●●●ACCGC●AC●AAA●GCCGCGGA●●GG●●●CGC●GAA●●C AGG●●A●●AAAGAGA●●A●●●G●C●CCAGCCAC●●AAG●GAGG●GA●●●A●G●●●GG●G●C ●A●●GC●GGCGG●A●●GC●●C●GC●C●●GC●GG●GGCGCCA●G●C●AAA●●G●●●GGAG●G CGG●CAAAAAGCCGCC●CCGG●GGCA●●CAAGG●GA●G●GC●●GC●ACCGA●AACAA●A●C ●G●AGGCA●GGG●GA●GC●GG●A●●AAA●C●GCCA●●CAAGGC●C●AA●G●●CC●AACC●C ●GA●GAGGCCGCCCC●AG●●●●G●●●C●GG●GC●A●GGC●AAAGC●GG●AAAGGAC●●C●● ●GAAGG●ACG●●GCAGGC●GGCAC●●C●GCCG●●●C●GA●AAG●●GC●●GA●●●GG●●G●G AC●●GG●GGCAAG●C●GCCGC●GA●AAAGGAAAGGA●AC●CG●GA●●A●C●●GC●GC●G●C A●●●CC●GAGC●●AA●GC●●GGGAGCG●GC●GG●GC●GA●GC●●CC●C●GC●GG●A●GG●● ●GACGCCGGA●●●GAGAA●CAAAAAGAGC●●AC●AAAA●GCAAC●GGACAA●CAGAAAG●A GA●●GCCGAGA●GCAAAA●GAGAC●CAAAAAGAGA●●GC●GGCA●●CAG●CGGCGAC●●●C ACGCCAGAA●ACGAAAGACCAGG●A●A●GCACAAAA●GAGA●GC●●GC●●A●CAACAGA●A GGAG●C●AC●GC●CGCG●●GCG●C●A●●A●GGAAAACACCAA●C●●●CCAAGCAACAGC●A GG●●●CCGAGA●●A●GCGCCAAA●GC●●AC●CAAGC●CAAACGGC●GG●CAG●A●●●●A●C CAA●GACCAAA●CAAAGAAA●GAC●CGCAAGG●●AG●GC●GAGG●●GAC●●AG●●CA●C●A GCAAACGCAGAA●CAGCGG●A●GGC●C●●C●CA●A●●GGCGC●AC●GCAAAGGA●A●●●●C ●AA●G●CG●CAC●GA●GC●GC●●C●GG●G●GG●●GA●A●●●●●CA●GG●A●●GA●AAAG●C ●G●●GCCGA●AC●●GGAACAA●●●C●GGAAAGACGG●AAAGC●GA●GG●A●●GGC●C●A●A ●●●G●C●AGGAAA●AACCG●CAGGA●●GACACCC●CCCAA●●G●A●G●●●●CA●GCC●C●C AAA●C●●GGAGGC●●●●●●A●GG●●CG●●C●●A●●ACCC●●C●6AA●G●CACGC●GA●●●A ●●●●GAC●●●GAGCG●A●CGAGGC●C●●AAACC●GC●A●●GAGGC●●G●GGCA●●●C●A●C ●C●●●C●CAA●CCCCAA●GC●●GGC●●CCA●AAGCAGA●GGA●AACCGCA●CAAGC●C●●● GGAAGAGA●●C●G●C●●●●CG●A●GCAGGGCG●●GAG●●CGA●AA●GG●GA●A●G●A●G●● ●GACGGCCA●AAGGC●GC●●C●GACG●●CG●GA●GAG●●●G●A●C●G●●AC●GAGAAG●●● AA●GGA●GAA●●GGCACAA●GC●ACAA●G●GC●CCCCCAAC●●GA●A●●AA●AACAC●A●● AGACCACCGCCCCGAAGGGGACGAAAAA●GG●●●●●AGAGAACGAGAAGACGG●●ACGC●A G●●●●GCCGCAAGC●GGC●GC●GAACGCCC●C●●AAGGA●A●●CGCGA●GAG●A●AA●●●A CCCCAAAAAGAAAGG●A●●AAGGA●GAG●G●●CAAGA●●GC●GGAGGCC●CCAC●A●GA●A A●CGCG●AGAGGC●●●GC●A●●CAGCG●●●GA●GAA●GCAA●GCGACAGGC●CA●GC●G●A ●GG●●GG●●●A●CG●●●●●GACAC●C●CACG●●GGC●GACGACCGA●●AGAGGCG●●●●●A ●GA●AA●CCCAA●GC●●●GCG●GAC●A●●●●CG●GA●A●●GG●CG●A●GG●●C●●GC●G●C CGAG6G●CGCAAGGC●AA●GA●●CACACGCCGAC●GC●A●CAG●A●●●●●G●G●GCC●G●A G●A●GG●ACAGC●AA●GGCCG●C●●CA●●●CCA●GCGG●GCAC●●●A●GCGGACAC●●C●C ●ACAGG●AGCG●●GACCC●AA●●●●GG●CG●CGGG●ACGCAA●CGCCGCCAG●●AAA●A●G C●●GCAAAA●ACG●GGCC●●A●GG●●ACAG●A●GCCCA●CGCAG●●CGC●ACACGCAGG●A CGC●●●●●CACG●●C●GG●●GG●●G●GGCC●G●●GA●GC●AAAGG●GAGCCGC●●AAAG●C ●ACCAG●●A●A●GGC●G●●GG●●●C●A●G●GGC●AAA●ACG●●AACAAAAAG●CAGA●A●● GGACC●●GC●GC●AAAGG●C●AGGAGC●AAAGAA●GGAACAAC●CAC●AAAAACCAAGC●● G●CGC●AC●●CCCAAGAAGC●G●●CAGAA●CAGAA●GAGCCGCAAC●●CGGGA●GAAAA●● GC●CACAA●GACAAA●C●G●CCACGGAG●GC●●AA●CCAAC●●ACCAAGC●GGG●●ACG●A CGCGACGCCG●●CAACCAGA●A●●GAAGCAGAACGCAAAAAGAGAGA●GAGA●●GAGGC●● GGGAAAAG●●AC●G●AGCCGACG●●●●GGCGGCGCAACC●G●GACGACAAA●C●GC●CA●A A●●●A●GCGCGC●●CGA●AAAAA●GA●●GGCG●A●CCAACC●GCA 396 Wu C.H., McLarty J.W. Neural Networks and Genome Informatics // Methods in Biology and Biochemistry. – Elsevier. 2000. – V. 1. 119 Рис. 3.19. Генетический код наследственной информации простого бактериального вируса фХ174. Структурное подобие нейросети образовано информационными связями по основанию Т (тимин), каждое из которых для увеличения контрастности обозначено черной точкой. Подобное выделение сети из обычного текста (последовательности букв языкового алфавита) не получается, в связи с чем можно считать, что нейросетевые свойства присущи только тексту генетического кода. Подобные технологии перевода линейной генетической последовательности в пространства других размерностей с применением нейрокомпьютинга были использованы для визуализации и идентификации особенностей генетического кода различных организмов 397. Такое решение вопросов биоинформатики с помощью нейрокомпьютинга позволило открыть ряд важных закономерностей более тонких различий характерных биологических свойств 398, что было невозможно сделать обычными методами. 3.2.2. Нейрокомпьютинг и суперконнекционистская парадигма В качестве одного из примеров можно рассмотреть предложенный новый принцип организации нейросетей, элементами которых служит не нейрон, а комплекс мотонейрон – клетка Реншоу399. Это очень иллюстративный пример, когда чисто структурные особенности, «подсмотренные» в обществе, на основе проведения аналогий с организацией нейросетей реального биологического вычислений. Системы объекта, клеток позволили Реншоу получить активизируются совершенно новое коллатеральными качество волокнами мотонейронов, однако, их активизация не ограничивается только ими: нейроны могут приводиться в действие, или наоборот тормозиться, и другими вставочными нейронами в рефлекторной цепи первичных афферентных волокон. Поскольку на Рисунке 3.20 блоки 24 единых комплексов «мотонейрон – клетка Реншоу» имеют внутренние обратные связи (ОС), при соединении таких комплексов в сеть образуются двух, трех и т. д. кратно вложенные друг в друга петли ОС в зависимости от размерности сети. 397 Stepanyan I. An example of the stochastic dynamics of a causal set / Alexey L. Krugly and Ivan V. Stepanian // arXiv: 1111.5474 [gr-qc]. – http://arxiv.org/abs/1111.5474 398 Степанян И.В. Гиперболические матрионы в нейрокибернетике, биомеханике и биоинформатике // Нейрокомпьютеры: разработка, применение. – 2015. – №5. – C. 57­68. 399 Патент SU № 1292494. Устройство для моделирования нейрона / Савельев А.В. – 1987. 120 На этом примере можно проследить реализацию суперконнекционистского принципа, рассмотренного нами теоретически в главе 2. В данном случае принцип суперконнекционизма воплощается в возможности агломерации сетевых элементов в комплексы или пулы, в данном случае, в комплексы «мотонейрон — клетка Реншоу» , причём, параметры таких комплексов могут варьироваться относительно других комплексов, что обусловливает их относительную индивидуальность в отличие от традиционных нейросетей из стандартных элементов. Рис. 3.20. А — нейросеть комплексов 24 «мотонейрон – клетка Реншоу» по патенту SU № 1292494: 1 – возбуждающие входы; 9 – выходы мотонейронов; 14 – выходы клеток Реншоу; 15 – тормозящие входы. В — эквивалентное соединение для мотонейронов и С — композиция их в сеть по предложенной схеме. Видно на Рисунке 3.20, что каждый из комплексов 24 имеет кроме внутренней ещё и nкратно вложенные петли ОС по числу их в слое сети, а слой представляет собой композицию таких комплексов. Такие архитектуры нейросетей являются распространенными в нервной системе, однако, обычно не рассматриваются в нейрокомпьютинге, хотя в то же время обладают уникальными вычислительными свойствами 400 далеко не только в традиционном смысле реверберации сигналов возбуждения или торможения. Функционирование таких многократно вложенных друг в друга петель ОС способствует многократному ускорению функциональных процессов с вычислительной точки зрения, что подтверждено модельными экспериментами и 400 Патент SU № 1425731. Устройство для моделирования нейрона / Колесников, А. А.; Жуков А. Г., НовосёловаСавельева Н. А., Савельев, А.В. – 1988. – БИ № 35. 121 является социоподобным. О множественных включениях в рефлекторную дугу вставочных нейронов предполагалось, учитывая регистрируемые на живом объекте повторяющиеся явления ИПСП (изменения полярности тормозного постсинаптического потенциала), что на наш взгляд, и свидетельствует о трансформации полярности ОС. Кроме того, с помощью этих разработанных моделей нами исследовались возможности формирования иерархий вставочных нейронов Реншоу, что еще ждёт своего нейрофизиологического подтверждения. Интересно, что рассмотрение соединения массива клеток Реншоу с мотонейронами и друг с другом 401, отстранившись от машинной парадигмы с точки зрения функционирования подобного коллективной социальной организации, дало возможность решить чисто машинные технические задачи, например, управления в реальном времени системой «самолёт – двигатель» (Рисунок 3.21). Рис. 3.21. Аппаратная реализация нейроконтроллера реального времени с использованием изобретений по патентам SU1292494, SU1425731. В результате исследований, проведенных автором частично в Ростовском институте нейрокибернетики им. А.Б. Когана в 1985-1986 гг., были определены динамические характеристики синаптической передачи α-мотонейронов поясничного отдела спинного мозга кошки, нейронов Пуркинье мозжечка крысы и пирамидных нейронов неокортекса крысы и человека. Были определены области вариаций структурно-коррелированных динамических параметров синаптической передачи, что позволило проводить сравнительные исследования. На основе этого было предложено существенно модифицировать модель формального нейрона Мак-Каллока – Питса, используемую повсеместно для организации нейросетей и в 401 Патент SU № 1515938. Устройство для моделирования системы возвратного торможения мотонейронов клетками Реншоу / Савельев А.В., Валиева Н.Э. и др. – 1989. 122 нейровычислениях. Предложенная модель402 не только воспроизводила реальные динамические свойства синаптической передачи, но и вносила обнаруженную нами существенную асимметрию в динамических свойствах возбуждения и торможения, присутствующую в любом реальном нейроне. Это могло бы дать возможность при небольшом увеличении аппаратных затрат значительно повысить интеллектуальные свойства искусственных нейронных сетей (ИНС), а также использовать в имитационно-моделирующих системах типа «Нейроимитатора», САПР «Neurox» компании «Интеллект»403,404 или модели аллостатической нейронной сети является модель автономного адаптивного управления (ААУ) А.А. Жданова405. Рис. 3.22. Патент SU №1515938, моделирующий систему α-мотонейронов в виде сложной суперпозиции многосвязных систем. Композированная нейросеть системы возвратного торможения мотонейронов имеет входы 1, 2, 3 и содержит каналы 4,5,6 соответственно первого, второго и третьего уровня возбуждения, моделирующих подгруппы мотонейронов, воздействующих на медленно сокращающиеся, не подверженные уставанию, двигательные единицы мотонейронов, воздействующих на быстро сокращающиеся, не подверженные уставанию, двигательные единицы, и мотонейронов, воздействующих на быстро сокращающиеся, подверженные уставанию, двигательные единицы, каждый из каналов содержит сумматоры 7, пороговые элементы 8 и динамические звенья 9 мотонейронов, модель 10 группы клеток Реншоу, которая, в свою очередь, состоит из статической модели 11, образованной блоками 12, сумматорами 13, подключенными через динамические звенья 14 к управляемой динамической модели 15 к элементам задержки 16, два компаратора 17 и 18. 402 Патент SU № 1329449. Устройство для моделирования нейрона / Межецкая Т. А., Савельева-Новосёлова Н. А., Савельев А. В., Колесников А. А. – 1987. 403 http://neurocomp.ru/ 404 http://neurox.intellect-labs.com/ 405 Жданов А.А. Автономный искусственный интеллект. – Москва: Бином. Лаборатория знаний, 2008. – 359 с. 123 Нами была осуществлена динамическая композиция популяции α-мотонейронов на основании однородности динамических свойств эффекторных приводов по трем группам различного уровня быстродействия и депрессирования. Таким образом, в нейропроцессоре по патенту SU1515938 реализован новый принцип построения нейросетей, заключающийся в моделировании ансамбля нейронов со сходными динамическими свойствами одним звеном, охватывающим область динамических реакций ансамбля, идентификация структуры и параметров которого проводится на основании ответов реальной нервной ткани. Такой подход может быть одним из перспективных направлений снижения сложности искусственных нейронных сетей путем предложенного понижения их размерности. Использование его в устройстве управления эффекторами может значительно повысить гибкость, плавность и точность движений робота-манипулятора путем приближения логики его работы к биологическому прототипу при приемлемой затрате вычислительных ресурсов (Рисунок 3.22). Видно, что пул клеток Реншоу, обладающих сходными динамическими свойствами объединён и структурирован в более крупные единицы, составляющие многосвязную систему третьего порядка. Таким образом применён предложенный и проанализированный нами принцип суперконнекционизма, который состоит в акцентировании не только деструктивных тенденций дробления и объединения системы разъединённых таким образом элементов, но и противоположных сил объединения и частичного слияния элементов в группы. 3.2.3. Перспективы развития нейрокомпьютерной парадигмы До сих пор остаются совершенно открытыми концептуальные вопросы коллективного взаимодействия нейродинамики с социальным уровнем, хотя движение мировой мысли направлено в сторону осознания важности и необходимости изучения этого, например, работы Н. да Косты и С. Френча о соответствии мыслительных структур различным типам социальной организации. Определённый шаг в этом направлении сделан с открытием зеркальных (отражательных) нейронов в 1958 г. академиком проф. Е.Н. Соколовым 406 и дальнейшим развитием и открытием их новых свойств нами в 1985 г.407. Зеркальные нейроны (а точнее, зеркальность нейронов) являются материальным субстратом межличностных взаимодействий, организующих субъекты в общество. Важнейшим 406 Соколов Е. Н. Восприятие и условный рефлекс. — М.: Изд-во Моск. ун-та, 1958. – 330 с. Англ. перевод: Sokolov E.N. Perception and the Conditioned Reflex. — Oxford: Pergamon Press, 1963. – 350 p. 407 Патент РФ № 1424575. Устройство для моделирования нейрона / Савельев А.В. – приор. от 1985. – 1988. 124 и революционным значением для радикального изменения облика общества будущего являются, несомненно, попытки научить человека разговаривать с себе подобными на языке мозгового кода408. Это сняло бы с человечества «проклятие богов» и отменило бы разобщённость языковых барьеров. В то же время, кардинальным образом преобразило бы цивилизацию, значительно повысив, с одной стороны, синхронизм работы разобщённых индивидуумов и увеличив, тем самым, деятельностный потенциал общества, максимально консолидировав его, но ценой другой стороны — ограничения свободы личности, возможно, такой, какой не была ещё известна в истории. Вопросы нейростимуляции и нейроуправления также имеют выход из сугубо личностного аспекта в социум и при определённом уровне развития неизбежно рассмотрение их на социальном уровне коллективных взаимодействий, что подтверждается многократными попытками выхода на него с самого начала исследования этих вопросов, в особенности, с работ 20-х гг. прошлого века — Б.Б. Кажинского, Л.Л. Васильева, А.В. Барченко, С.Я. Турлыгина и др.409 Более подробно о футурологии нейрокомпьютерной парадигмы в контексте общества см. в 410. Ввиду увеличивающейся общности и возможности оперирования подходами, парадигмами, концепциями и понятиями, НБ может дать мощный прогностический аппарат дальнейшего развития НК. При этом возможно предсказание не только концепций и направлений, но и конкретных нейрофизиологических и нейробиологических открытий нейрокомпьютерными методами. Достаточно хорошо проработанные математическая и нейроматематическая прогностика, основанная на аппроксимации и экстраполяции данных 411 обеспечивает предсказание, прежде всего, чисел, то есть количественных характеристик текущих изменений сигналов во времени. НБ является мощным методом извлечения знаний из нейробиологических данных не столько на уровне количественных значений, а на концептуальном уровне выдвижения гипотез, формирования новых концепций и, как было неоднократно продемонстрировано нами, новых нейробиологических открытий412. Перечислим некоторые основные перспективные нейрокомпьютерные технологии. 408 Медведев С.В. Что знает наука о мозге. – URL: http://wsyachina.narod.ru/biology/brain_1.html Савельев А.В. Рецензия на обзор С. Кернбаха «Высокопроникающее» излучение на Западе. Краткий обзор глазами инженера. Часть 2 // ЖФНН. – 2014. – №6. – С. 104­108. 410 Петрунин Ю.Ю.и др. От искусственного интеллекта к моделированию мозга. – М.: МАКС ПресС. 2015.– 108 с. – Научная монография. 411 Нейрокомпьютерная парадигма и общество / Под ред. Ю.Ю. Петрунина. – М.: Издательство Московского университета. – 2012. – С. 149­175. – НАУЧНАЯ МОНОГРАФИЯ.– 288 с. 412 Логвинов В.В. Все открытия и достижения науки и техники за последние 200 лет. Летопись. – Москва. – УРСС. Книжный дом «ЛИБРОКОМ».– 2014. – 448 с. 409 125 1. Представление и построение нейрокомпьютинговых систем, теории нейрокомпьютеров и нейрокомпьютинга с использованием закономерностей функционирования социальных образований в расширенном смысле, то есть не только социальных образований людей, но и коллективных взаимоотношений клеточных и субклеточных популяций, квантовых макро- и микроскопических взаимодействий и т.д. 2. Обратное исследование микро- и макропопуляционных взаимодействий и закономерностей их функционирования как аналогий с построением нервной системы, естественных нейросетей и представлений о них. 3. Исследование социума нейрокомпьютерных и социальных моделей и процессов и информационных явлений с применением нейрофизиологических и нейробиологических моделей, в том числе, с целями управления. 4. Исследование социальных последствий изучения коллективно-коммуникативности, анализ физического распространения сетевых отношений в обществе и трансформации их в сторону увеличения антропоподобности, в частности, фрактальной подобности архитектоническому и функциональному построению нервной системы. 5. Разработка нейрокомпьютерных систем на естественных материалах и субстратах и гибридных систем на основе нейротрансплантационных инвазивных технологий вживления в биообъекты от искусственных до естественных живых материалов (стволовые клетки, культуральные ткани, клеточные филаменты, трансфекция естественных и искусственных вирусоподобных субстанций и т. д. — Аналитический обзор в статье Лосевой Е.В.413). 6. Заполнению пробела взаимодействия нейродинамики с социальным уровнем до известной степени и заданию приоритетных направлений исследований посвящена статья Сергина В.Я. и Сергина А.В.414, содержащая фундаментальные разработки подходов к решению глобальной нерешённой до настоящего времени задачи связывания сенсорных восприятий в один целостный образ, осуществляющий субъективное самоотождествление человеческой личности, ведущий к долгожданному ответу на давний вопрос: как субъективное восприятие сенсорных событий, отражающих события мира, связано с нейронной активностью мозга? Предложена гипотеза объемлющих характеристик — универсального коллективного алгоритма, объясняющего уникальную морфологическую однородность мозга и возможность целостного восприятия и функционирования в отсутствии центрального управления, что может представлять большую ценность для конструирования новых Лосева Е.В. Стволовые клетки для коррекции нейродегенеративных расстройств // Нейрокомпьютеры: разработка, применение.– 2013.– № 7.– С. 32­44. 414 Сергин А.В., Сергин В.Я. Иерархия объемлющих характеристик как ключевой аппарат субъективного восприятия // Нейрокомпьютеры: разработка, применение.– 2013.– №2.– С. 20-29. 413 126 парадигм нейрокомпьютинга и основана на хорошо изученных нейробиологических фактах: увеличении размеров рецептивных полей нейронов в восходящих сенсорных путях и способности нейронных структур к обучению. 7. Уточнение базовых понятий нейросети и нейрона, в том числе, на уровне его молекулярного строения, с учётом данных о функционировании коллективных сообществ415. 8. Уточнение наиболее общего понятия искусственности по отношению к искусственному интеллекту, искусственным нейросетям и т.д. 9. Применение знаний, накопленных социофилософией, для методологического переосмысления оснований нейрокомпьютеров и нейрокомпьютинга с перспективой выхода на методологию построения новых архитектур и алгоритмов, например, сопьютера (социокомпьютера) или сонпьютера (социо-нейрокомпьютера) и т. д. 10. Расширение сферы применения и применимости нейрокомпьютинга в нетрадиционных направлениях, например, в государственном управлении, киноискусстве, в телекоммуникационных сетях связи, с возможностью выхода на новые методологии их построения, например, нейроинтернет, нейронет (нейроподобный интернет), нейросоциальные сети и т. д. и исследование их как социотехнологических стратегий. 11. Возможности использования существующего интернета и социальных сетей для моделирования на них в реальном времени когнитивных функций конфигурированием популяции пользователей, динамическим перераспределением функций и т.д. 12. Новые подходы к методологии построения супернейрокомпьтеров с использованием коммуникационных социокультурных аналогий. Наиболее близка по идеологии построения к концепции суперкомпьютера и супернейрокомпьютера социально-коммуникационная парадигма не только по внешне наблюдаемой структуре, но и по преобразованию внутренних информационно-трофических потоков, в связи с чем целесообразно изучение их закономерностей с целью применения. 13. Микро- и макрообъёмное nD-анимационное оживление информационных моделей нервной системы с использованием коммуникационных аналогий от общей социо-имитационной методологии моделирования сверхсложных систем, по терминологии авторов, частным случаем которых являются живые системы или, так называемые, витасистемы, до запатентованных нейрокомпьютерных моделей и программных реализаций анимационного комплекса, позволяющих воспроизводить эффекты структурно-функционального компьютерного «оживления» изображений реальной биологической ткани нервной системы с конкретными индивидуальными количественными параметрами. 415 Журнал «Искусственные общества» Лаборатории агентного моделирования.– URL: http://abm.center/magazine/ 127 14. Результаты разработанного авторами общего подхода к моделированию сверхсложных систем могут представлять собой новую нейрокомпьютерную методологию и, в более общем случае, новую методологию моделирования феномена жизни. Это может составить шаги вообще к новой методологии решения сверхсложных задач моделирования живых биосистем без нарушения их живого состояния, с применением предложенных авторами коллективноиндивидуальных информационных КИСК-технологий, основанных на разработанном авторами неаналитическом моделировании416. Эти технологии разрабатывались с использованием системы социоподобных коллективно-личностных взаимоотношений, составляющих основу социума и могут использоваться также как новая парадигма синтеза нейровычислений и построения нейрокомпьютеров нового поколения. 15. Разработка совершенно нового взгляда на необходимость перенаправления усилий в методологических установках и философии разработки искусственных интеллектуальных систем и искусственном интеллекте в общем. Согласно выводам Алексеева А.Ю. доминирующей и более плодотворной проблемой ИИ и нейрокомпьютинга должна стать проблема творчества, в отличие от общего мнения о приоритетности проблематики сознания. В отличие от репрезентативного компьютинга, креативный нейрокомпьютинг 417 обеспечивает несравнимо большие возможности имитации продуктивной деятельности в силу коннекционистской «свободы» организации квазиалгоритмических программ продуцирования оригинальных продуктов. 16. Гетерархическое построение когнитивных нейрокомпьютерных систем, предложенное Е.А. Янковской418, может способствовать открытию и применению неизвестных закономерностей функционирования и построения искусственных нейросетей с использованием новой, предложенной автором, оригинальной концепции организованности. 17. Концепция нейроуправления вплоть до обобщения её до общей теории управления и самоуправления с использованием понятия биологической конгруэнтности от применения как новой парадигмы компьютерных нейроисследований (Computation Neuroscience) до применении в организации управления и самоуправления человеческим обществом и вообще коллективных образований. В смысле соотношения с получающей сейчас распространение когнитивистикой, можно 416 Колушов В.В., Савельев А.В. Методология индивидуально-коллективного моделирования нейронной биовозбудимости как новая нейрокомпьютерная парадигма // Нейрокомпьютеры: разработка, применение.– 2010.– № 8.– С. 25-34. 417 Алексеев А.Ю. Нейрокомпьютинг в комплексном тесте Тьюринга / А.Ю. Алексеев, С.А. Игнатов, Т.А. Конькова // Нейрокомпьютеры: разработка, применение. – 2012. – № 5. – С. 41-48. 418 Янковская, Е.А. Некоторые аспекты онтологии живых систем // Биомедицинская радиоэлектроника. – Москва. – Радиотехника. – 2014. – № 4. – С. 86­88. 128 наблюдать хорошую согласуемость с ней нейрокомпьютерной парадигмы. Это обусловлено, прежде всего, трансцендентальностью искусственных нейронных сетей, представляющих собой не только самостоятельный объект, но и субъект знания, являющийся виртуализацией бытийной составляющей. Кстати, традиционное состояние нейрокомпьютеров уже априорно относится к трансцендентальному ввиду полного природного несуществования искусственных нейронных сетей. Также отношение их с мозгом может представлять область трансцендентального поскольку сами наши представления об устройстве и работе мозга уже относятся к области виртуального и являются только нашими представлениями сконструированными либо деконструктивистскими. Так, например, в работе 419 показана неединственность существования нейросетевого механизма мозга в виде альтернативной ему диффузной передачи сигнала. Наличие так называемого колончатого построения ткани мозга может быть не менее поставлена под сомнение в реальности, относя тем самым его к относительно транцендентальному 420. Мы видим, таким образом, совершенно когнитивистское исчезновение нейрокомпьютинга и нейросетей с переходом их в область виртуального с необходимостью разработки соответствующей этому методики исследования, сходной с методикой исследования сознания. Кроме того, нейрокомпьютерная парадигма удовлетворяет когнитивно-феноменологической редукции, поскольку сам предмет изучения является объектом самого себя, также, можно сказать, и субъектом самого себя, по всей видимости, в равной степени, что и предопределяет деконструктивизм данного феноменологического редукционизма. Всеобщность декларируемой в настоящее время информационной когнитивистики и, соответственно, когнитивизируемой информации более способствует абстрактному нейрокомпьютингу и является оправданием его самостоятельности и необязанностью какойлибо связи с реальностью, что детерминирует стремление лишь к слабому пониманию нейрокомпьютерной парадигмы. Однако, запросы познания и жизни не могут удовлетворить ограниченные результаты, достижимые нейрокомпьютерной парадигмой в слабом её понимании, что с неизбежностью требует выход за трансцендентализм, когнитивистику и феноменологический редукционизм, какими бы они современными не казались, поскольку только выход за их пределы ведёт к сверхсовременному дню завтрашнему. 419 Савельев А. В. Нейрофизика мозга и нейромоделирование // Журнал проблем эволюции открытых систем. – Казахстан, Алматы. – 2008. – № 1 (9). – С. 93-101. 420 Савельев А. В. Критический анализ функциональной роли модульной самоорганизации мозга // Нейрокомпьютеры: разработка, применение. – 2008. – № 5-6. – С. 4-17. 129 Выводы по третьей главе 1. С помощью применения теоретических принципов, сформулированных во второй главе проанализированы конкретные практические реализации нейромоделирования и применения нейробионических моделей в НК, в результате чего приведены найденные методологические аналогии основных парадигмальных установок нейробиологии и нейрокомпьютинга и причины их взаимопорождения. На основе разработанных автором критериев сходства технологичность, (процессуальность, количественность, процедуральность, интерпретируемость) концептуальность, исследуется явление возрастания подобия нейробиологии и нейрокомпьютинга во времени, а также его существенная асимметричность. Эволюция представленных схем идет по пути увеличения их конструктивности, что также роднит их с машинными схемами, т.е. взгляд человека на окружающий мир все в большей мере становится деятельностным. В приведенных примерах при движении к настоящему времени видно все большую схожесть структурных представлений нейробиологии именно с электрическими и электронными блок-схемами, все более удобными для имитационного моделирования их на компьютере. Это означает, что совместимость их с компьютером увеличивается, а это, в свою очередь, может значить только одно – что подобие возрастает. И не столько наши знания проникают «вглубь» предмета, сколько происходит переформирование самих знаний, их адаптация к сегодняшнему уровню развития и, прежде всего, к уровню точных наук, техники и технологии. Сближение с точными науками объясняется тем, что именно они, в первую очередь, обслуживают технику и технологии, в том числе, и порождая их, т. е. по сути являются идейным содержанием техногенной цивилизации. Причем, техника, как обладающая большим креативным потенциалом за счет значительно большей включенности в нее деятельностного компонента, соответственно, в значительно превосходящей мере оказывает воздействие на биологические концепции, чем наоборот, которые все более формализуются, исходя из образа и потребностей технической ментальности. 2. Одновременно с этим предлагается посмотреть на нейробиологию с позиций новых технических знаний и исходя из новейших ее потребностей, что также может быть плодотворным для обеих сторон. Это позволяет реально оценить как взаимоотношение уровней развития нейробиологии и нейрокомпьютинга и влияния друг на друга, так и провести абсолютные оценки их эпистемологической адекватности относительно 130 объектов исследования, а также сделать выводы о необходимой ориентации усилий для продвижения вперед в этих областях. 3. С точки зрения применения теоретических принципов, сформулированных во второй главе проанализированы конкретные практические реализации другого направления НКИ, глобального в слабом понимании НК — сетевого принципа. Показаны воплощения его возможных расширений с применением сформулированного понятия гиперсложности нейрона и возможности представления его не как простейшего элемента сети в машинном понимании, а как сетевой структуры. Это утверждение рассмотрено на примере морфо-функциональной организации дендритов нейронов в случае рассмотрения их реального сложного строения с неаппроксимированной конфигурацией. Показано, что наиболее адекватным представлением такой структуры является сеть, аналогичная нейросети, в результате чего образуется дендропроцессор. В качестве другого примера проиллюстрировано, что активная зона сомы нейрона также может быть представлена в виде сети, сложность которой может быть не менее сложности сети нейронов. Это проявляется не только в морфологическом, но и в информационном аспекте, поскольку доказательно продемонстрирована сложнейшая сигнальная организация спайка, т.е. нервного импульса, отражающая сетевое строение возбудимой сомы нейрона. Структурно-функциональная организация нервного пучка нейронных аксонов, с учётом их плотной синтициальной упаковки и эфаптических влияний друг на друга, также может рассматриваться как нейросеть, обнаруживающая гиперсетевые свойства. Функционально-сетевая структурированность нейрона показана на примере нейромодели пессимума, не связанной напрямую с его микроархитектоникой, а являющейся функционально-сетевой организацией. Показана структурная рекурсивность, обусловленная фрактальностью и квазифрактальностью нейрона и его микроскопического строения, что само по себе обнаруживает уникальные вычислительные свойства (например, точно решает дифференциальные и разностные уравнения). Это может дать возможность конструирования бионических управляющих устройств реального времени без погрешностей, что невозможно для традиционных вычислительнно-компьютерных методов. Далее, в качестве примеров гиперсетей рассмотрены метаболический сетевой «компьютер» нейрона на примере цикла лимонной кислоты и нейросетевая организация генетического кода, позволяющая визуализировать и распознавать тонкие различия генетических свойств организмов. 4. Предложенный во второй главе принцип суперконнекционизма, обобщающий коннекционизм и сочетающий в себе интеграционное и дифференциальное начала, 131 рассмотрен на примере запатентованного предложенного нового способа организации нейросетей, элементами которых служит не нейрон, а комплекс мотонейрон – клетка Реншоу. Здесь суперконнекционизм понимается как дополнительная возможность агломерации элементов в комплексы и группы, обладающие сильно индивидуализированными свойствами или, наоборот, объединение элементов сети по сходным свойствам. В качестве примера приведён управляющий в реальном времени системой «самолёт — двигатель» безинерционный нейропроцессор, разработанный на основе этих принципах и до сих пор используемый в некоторых образцах отечественной военной техники. 5. Из проведенного методологического анализа следует необходимость и возможность использования принципа расширения функциональности элементов нейросетей, что осуществлено в ряде отечественных нейрокомпьютеров и биологически доказано в предсказании за 20 лет до открытия полнофункциональных нейронов, т.н. нейронов «Монро», «бабушки», «Эйфелевой башни» и т.д. 6. Рассмотрены возможные перспективы дальнейшего развития нейрокомпьютерной парадигмы. Отмечено, что мощный прогностический аппарат нейрокомпьютингу может дать нейробиология ввиду их увеличивающейся общности и возможности оперирования подходами, парадигмами, концепциями и понятиями. При этом возможно предсказание не только концепций и направлений, но и конкретных нейрофизиологических и нейробиологических открытий нейрокомпьютерными методами. НК является мощным методом извлечения знаний из нейробиологических данных не столько на уровне количественных значений, а на концептуальном уровне выдвижения гипотез, формирования новых концепций и, как было неоднократно продемонстрировано нами, новых нейробиологических открытий. 7. Показаны и проанализированы пути выхода нейрокомпьютинга на передовые рубежи с помощью новых предложенных парадигм, и проиллюстрировано, что, в том числе, благодаря этому возможен и неизбежен близкий ренессанс нейрокомпьютинга на небывалом ранее уровне. 132 Заключение На основе проведённого ретроспективного и современного аналитического обзора генезиса и направлений НК произведена оценка современного состояния и проблем НКИ. Отмечено, с одной стороны, очередное повышение интереса к изучению ВНД, мозга и активизация попыток применения нейробиологических знаний в технике. С другой стороны наблюдается неспособность к этому ввиду отсутствия какой-либо научной методологической базы, что ведёт к разочарованию в нейрокомпьютинге в традиционном его понимании по установленной нами причине малой адекватности его содержания приставке «нейро-». С целью преодоления этого было произведено исследование феномена НК, позволившее сформулировать его строго научное определение, предполагающее выделение слабого и сильного НК. Также показано, что при решении трудных (или как казалось, неразрешимых) задач нейробиология, как правило, обращалась к философии, да и другие частные науки, например, физика при решении задач атомного проекта421. В связи с этим рассмотрены вопросы соотношения НК и философии как в прямом, так и обратном смыслах. Здесь имеется ввиду применимость методов философии в качестве инструмента генерации концептуального аппарата нейрокомпьютинга, что многократно происходило в нейронауках. В обратном смысле рассмотрена возможность применимости идей нейрокомпьютинга в философии как осмысление новых направлений науки и обеспечение возможности развития философских выводов с использованием новейших данных постоянно изменяющейся реальности. В связи с этим рассмотрена роль философии нейрокомпьютерных исследований (НКИ) в связи с вопросами аксиоматики, как верификационные критерии научности НКИ, правомерности результатов и защиты от отрицательных сторон, связанных с прогрессом информационно-интеллектуальных технологий. Поскольку, как проанализировано в работе, основная сущность моделирования 422 заключается в установлении ментальной связи между объектом и моделью, т.е. предполагает как неотъемлемую часть наличие субъекта 423, необходим метод, позволяющий выйти за пределы умственных сознательных операций. На это неявным образом направлен НК, объективизируя внутреннюю структуру самого познающего субъекта. На основе сформулированных, обоснованных и проанализированных в работе определений НК были выделены два базовых направления, на которых базируется современное понимание нейрокомпьютинга – нейросетевая парадигма и нейромоделирование. Благодаря разделению на слабый и сильный НК и предложенным определениям стал возможен их Савельев А.В. Нейроатомный проект и нейрокомпьютинг / Выпуск под ред. Е.В. Лосевой, А.В. Савельева // Нейрокомпьютеры: разработка, применение. – 2015. – № 4. – С. 69­70. 422 Вартофский М. Модели. Репрезентация и научное понимание. — М. Прогресс, 1988. 423 Савельев А В. Тёмная сторона силы или субъективность в эпистемологии // Философия науки. – 2010. – №3(46). – С. 3-22. 421 133 теоретический анализ, в ходе которого сформулированы и изучены теоретические концептуальные принципы расширения существующих парадигм НК. К ним относятся: принцип обратных репрезентаций, гиперсетевой принцип, принцип расширения функциональности нейрона, принцип супеконнекционизма, принцип биологизации моделей НК с привлечением данных нейробиологии, сформулирован ряд общих свойств НК и НБ моделей — процессуальность, процедуральность, концептуальность, технологичность, количественность, интерпретируемость. С опорой на них проведен сравнительный анализ классических примеров конкретной реализации общих свойств моделей НК и нейробиологии (рефлекторная дуга И.П. Павлова — схема В. МакКаллока — В. Питса, функциональная система П.К. Анохина — искусственная нейросеть Ф. Розенблатта и подходы к самоорганизации от И. Пригожина до Г. Эйгена, ассоцианизм — схема А.М Иваницкого). Это позволило показать ограниченность господствующей в настоящее время установки на технизацию языков описания биологических систем, приводящей к фактическому исключению из рассмотрения специфических биологических феноменов. На основании современных нейробиологических данных и достижений нейронауки сформулированные принципы применены к анализу конкретных нейробиологических моделей — морфо-функциональной организации дендритов нейронов, гиперсложной доменной структуры активных соматических участков, сложной информационной организации нервного импульса, гиперсетевого построения нервных пучков, агломерации нейросетей в комплексы мотонейрон — клетки Реншоу, иерархии вставочных нейронов и возможности их объединения в группы в соответствие с их динамическими свойствами, нейрорекурсивности и её вычислительных свойств. Также рассмотрена гиперсетевая организация метаболизма нейрона и нейросетевое представление генетического кода. Показана высокая степень нетривиальности интерпретации строения и принципов функционирования нервной ткани, значительно превосходящая по сложности и функциональности существующие НК подходы. Обосновано изучение мозга с обязательным привлечением биологических данных без их технизации, что позволит расширить применения и возможности нейрокомпьютинга, открыть новые биологические эффекты и применить их в технических системах, что позволит терминологически оправдать НК и поднять его достижения на небывалую ранее высоту. В работе сформулирован ряд новых направлений НК, требующих дальнейших исследований как в частно-научном, так и в философском аспектах. Вопросы психофизиологического здоровья являются одними из важнейших и актуальнейших в современном информационном мире. Огромные нагрузки на сознательную и бессознательную сферы мозга неизбежно связаны с дальнейшим развёртыванием информационного общества. Постоянное выстраивание виртуальной реальности в нашей жизни 134 поддерживает высокий уровень фонового трансового состояния сознания человека424 и требует колоссального напряжения мозговых ресурсов 425,426. Не случайно в последние два десятилетия наблюдается резкое увеличение заболеваемости нервной системы, количества нейродегенеративных расстройств, психических заболеваний, детских нейропатологий и статистика, к сожалению, свидетельствует только о неуклонном росте этих процессов 427. Становится модой воспитание толерантности к расширению и глобализации этих явлений как неизбежности и даже как якобы необходимому приложению к той форме цивилизации, которую ей придали в последнее время. Тем не менее, несмотря на трудности, наука не собирается мириться с таким положением дел. Нейрокомпьютинг может предложить множество путей и средств улучшения ситуации и, прежде всего, в сильном понимании нейрокомпьютинга на уровне нейробиологии человека как индивидуума, так и на уровне нейросоциальных подходов428. Возможности концептуального и технического развития нейрокомпьютинга и расширения его приложений также в нейробиологии, технике эксперимента, медицинской диагностической и терапевтической аппаратуре и методиках исследования нервной системы человека и животных находятся, в том числе, на переднем крае современного состояния нейронауки о здоровье мозга. Также с помощью дальнейшей разработка теории и практики нейрокомпьютинга много внимания может быть уделено чрезвычайно актуальным вопросам влияния электромагнитного излучения на здоровье человека в различных возрастных группах и психофизиологии его сосуществования в современном информационном мире. Поэтому дальнейшая разработка общих философско-методологических вопросов нейрокомпьютинга, как и взаимодействие специалистов, работающих в областях нейробиологии, психофизиологии, нейрокомпьютинга, медицины и медицинской техники, чрезвычайно важны в эпоху информационного общества для улучшения нейроздоровья населения, гигиены и медицины умственного труда. Новые знания в этих науках могут иметь решающее значение, в том числе, для разработки медицинской терапевтической, диагностической и вспомогательной аппаратуры новых поколений. 424 Умрюхин А.Е. Антитела к нейромедиаторам в механизмах стрессорных поведенческих реакций. – диссертация д.мед. н. – 03.03.01. – ГУ Научно-исследовательский институт нормальной физиологии РАМН. – Москва, 2013. 425 Умрюхин А.Е. Нейромедиаторные гиппокампальные механизмы стрессорного поведения и реакций избегания // Вестник новых медицинских технологий. — Электронное издание. — 2013. — № 1. — С. 55. 426 Savelyev A. Stress and Functional System Theory // In: Proceeding of Second World Congress on Stress. Melbourne. – 1998. 427 Бюллетень Всемирной организации здравоохранения ВОЗ. – 2014. – вып. 92. – URL: http://www.who.int/bulletin/volumes/92/ru/ 428 Нейрокомпьютеры и общество / Под ред. А.В. Савельева // Спец. выпуск журнала Нейрокомпьютеры: разработка и применение. – М: Радиотехника. – 2013. – № 7. – С. 3-4. 134 Приложение 1.Разработки нейрокомпьютеров 429,430 № Фирма Страна Направление работ l RAND Co. США ОДЕКС-военный робот для погрузки и разгрузки снарядов 2 Мерилендский Университет США АСПС-автономное сухопутное передвижное средство. 3 4 5 6 Огайский Университет Carnegie Mellon University (НАТО) GENERAIEIECTRIC ENERGY OPTICS INC. США США США США АСПС, в том числе шагающие ЭВМ ВАРП для АСПС ПО для ЭВМ АСПС Робот-пилот самолета перехватчика и ухода от 7 Центр им. Эймса США ракет Управление движением самолетом с ИИ и ЭС. 8 HECHT-NIEISEN NEUROCOMPUTER США Универсальный НК США США Специализированные НК Универсальный НК CORP.(HNC) 9 10 IBM SCIENCE APPLICATION INTERNATIONAL CORP. (SAIC) 11 12 13 14 TEXAS INSTRUMENT CORP. TRWINC. BEHAVIORISTICS INC. UNIVERSITY of CALIFORNIA США США США США Специализированный НК Специализированный НК Банковская нейросеть Нейросети, управление многопалой кистью руки 15 16 NESTOR INC. (шт. РодАйленд) Массачусетский технологический США США Нейросети Зрительный орган, параллельные машины США Робот, играющий в настольный теннис, ЭС США США США Система "Глаз-рука" Мобильные роботы Групповое взаимодействие подводных роботов США Совещание НАТО по мобильным роботам, в том институт (MIT) г. Кембридж 17 AT&T (Отдел исследования робототехнических систем) 18 19 20 STANFORD UNIVERITY NOSC(НАТО) DARPA (Служба военно-морской технологии Управления перспективных 21 исследований НАТО) PHILADELPHIA (НАТО) числе подводным. 1987. 22 ORNL (Лаборатория-координатор и США Роботы с ИИ для обслуживания ядерных установок 23 24 25 26 Министерство энергетики) Университет во Флориде Университет в Мичигане Университет в Теннесси Университет в Техассе США США США США —« — —«— — «— —«— 429 430 Цыганков В. Д. Нейрокомпьютер и его применение. – М.: СолСистем, 1993. – 117 с. Нейрокомпьютер как основа мыслящих ЭВМ. – М.: Наука, 1993. 135 27 28 COMBUSTION ENGINEERING MARTIN MARIETTA BALTIMORE США США — «— —<— США США США Япония Япония —«— —«— —«— НК для мобильных роботов Нейрокомпьютер Япония Япония Япония Япония Япония Япония Нейрокомпьютер Нейросеть распознавания Нейрокомпьютер Нейрокомпьютер Нейросеть для распознавания речи ИИиНК ФРГ Роботизированные войска, мобильные роботы — AEROSPACE 29 30 31 32 33 ODETICS REMOTEC TELEROBOTICS INTERNATIONAL FUJITSU TOSHIBA (Лаборатория систем и программных разработок) 34 35 36 37 38 39 ХИТАЧИ МИЦУБИСИ ДЕНКИ НИХОНДЕНКИ ОКИДЕНК ASAHI CHEMICAL Co. ETL (Электротехническая лаборатория) г. Ивараки 40 Центр оборонных исследований Института им. Планка танки 41 г. Карлсруэ (НАТО) ФРГ Мобильные роботы 42 НАТО ФРГ Зрение для АСПС (отслеживание дороги мобильным роботом) 43 Оксфордский Университет Великобри Мобильный робот 44 45 DISAM (НАТО) Институт биофизики АН СССР (г. тания Испания СССР Мобильный робот Нейрокомпьютер Пущине) 46 Национальная Академия наук (отдел ВТ и США Нейрокомпьютер технологии) 47 48 49 50 51 52 Wayne Stnate University г. Детройт Аризонский Университет Токийский технологический институт Newsweek Sciense Калифорнийский Университет г. Сан- США США Япония США США США - «-«• -«Программная модель мозга Нейрокомпьютер -«- Диего 53 Технологический институт (г. Пассадена, США Нейросети шт. Калифорния) 54 NEUROGEN НАСА (г, Бруклин, шт. США Роботизированная сборка в космосе Массачусетс) 55 SMITH-KETTLEMELL EYE RESEARCH США Нейрокомпьютер INSTITUTE (Сан-Франциско) 56 57 58 Антверпенский Университет Федеральное авиационное управление Иллинойский Университет Бельгия США США -«-«Супер-ЭВМ 136 59 Национальный компьютерный Центр США -«- США США США Япония США США -«-«Супер-ЭВМ -«-«-«- им.Дж. фон Неймана (г. Принстон, шт. 60 61 62 63 64 65 Нью-Джерси) Крей рисерч (шт. Миннеаполис) Контрол Дейта Корпорейшн (CDC) ИТЭ (Филиал CDC) Ниппон электрик корпорейшн Компания ЧЕНА Американ телефон энд телеграф (АТТ) Белл лаборатория 66 Американское физическое общество (шт. США -«- Нов. Орлеан) 67 Сандиа нешнл лабораториз (Альбу керк) США -«- 68 Ливерморская национальная лаборатория США - «- им. Лоуренса 69 Агенство национальной безопасности (г. США -«- Форт-Миде, шт. Мериленд) 70 Исследовательский Центр им. Эймса США -«- США США -«-«- (НАСА) 71 72 Северо-Западный Университет Лос-Аламосская лаборатория (Вычислительный отдел) 73 74 75 76 77 Чиппева-фолс, шт. Висконсин США O'-Клер, шт.Висконсин США Болт Беранек энд Ньюмен США Аметек компьютер рисерч США Национальная ускорительная лабораторияСША -«- «Параллельные машины Параллельные машины Параллельные машины им. Ферми (Сандиа) 78 79 80 81 82 83 84 85. 86. 87. DEC МИРЭА, Центр компьютерных систем ИАЭ им. Курчатова РАН, Москва ТРТИ (г. Таганрог) НПО Квант НейроКомп, (г. Красноярск) НИИ нейрокибернетики, РГУ | Центр НК, ИПУ, Москва МФТИ, кафедра нейрокомпьютеров Новости рынка НК, (Сайт: США Россия Россия Россия Россия Россия Россия Россия Россия Россия Экспертные системы НК-1,НК-2,НК-3, НК-4 Оптические НК Параллельные нейроструктуры Нейрокомпьютер -«Физиологические аспекты Прикладные аспекты НК Теоретические и образовательные аспекты Информация http://neurnews.iu4.bmstu.ru) МВТУ, 88. Москва Институт человека РАН, Лаборатория Россия Виртуальные реальности 89. виртуалистики, Москва Институт биофизики, институт Россия биофизические аспекты, применение математических проблем биологии РАН (г. Пущино, Моск. обл.) математических методов 137 90. Институт проблем передачи информации Россия теоретические и бионические аспекты информации 91. (ИППИ РАН), Москва МИФИ, г. Долгопрудный Теоретические, образовательные и прикладные 92. Институт прикладной математики (ИПМ) Россия аспекты Вычислительные аспекты, искусственная жизнь, 93. 94. им. М. В. Келдыша РАН, Москва ТРИНИТИ (г. Троицк, Моск. обл) ИОНТ (Институт оптико-нейронных Россия Россия самоорганизация НК Прикладные аспекты Оптические НК Россия Россия Вейвлет-анализ на нейросетях Координация исследований Россия Россия Украина Координация исследований Когнитивная нейрокомпьютерная визуализация Методология нейрокомпьютинга, бионейрокомпьютинг, вычислительный нейрокомпьютинг Нейрофизиологические и нейробиологические основания нейрокомпьютинга Нейрофизиологические и нейробиологические основания нейрокомпьютинга НЕЙРОФИЛОСОФИЯ 95. 96. 97. 98. 99. технологий РАН), Москва ФИАН, Москва Редакция журнала «Нейрокомпьютеры: разработка, применение» издательства «РАДИОТЕХНИКА», Москва НСМИИ РАН, Москва neurocomp.pro Институт искусственного интеллекта, Россия Донецк 100. Институт П.К. Анохина РАМН Россия 101. Институт ВНД и НФ РАН Россия 102. МГУ им. М.В. Ломоносова Россия 138 Приложение 2. Список сокращений и условных обозначений НК – нейрокомпьютинг. НКИ – нейрокомпьютерные исследования. НС – нейронные сети. НМ – нейромоделирование. НИ – нейроинформатика. ИН информатизация. ОТС – общая теория систем. ОТНС – общая теория нейронных сетей. НБ – нейробиология. НФ – нейрофизиология. НФС – нейрофилософия. ВНД, в. н. д. – высшая нервная деятельность. ЦНС, ц. н. с. – центральная нервная система. ЛПСП – локальные постсинаптические потенциалы. ВПСП — возбуждающие постсинаптические потенциалы. ТПСП — тормозящие постсинаптические потенциалы. ИНС – искусственные нейронные сети. ЕНС – естественные нейронные сети. САПР – системы автоматизированного проектирования. САУ – системы автоматического управления. 139 КИСК-технологии – коллективно-индивидуальные информационные технологии. ФС – функциональная система. ТФС – теория функциональных систем. ТВФС – теория виртуальных функциональных систем. АРД – акцептор результата действия. ИИ – искусственный интеллект. ИС – интеллектуальная система. ЕИ – естественный интеллект. ЭВМ – электронно-вычислительная машина. АВМ – аналоговая вычислительная машина. ААУ — автономное адаптивное управление. НБИК – «нано-био-инфо-когнитивный». НБИКС – «нано-био-инфо-когно-социо». ГТД – газотурбинный двигатель. FGCS — Future Generation Computer Systems. LISP — List Processing language. CISC — Complex instruction set computing. RISC — restricted (reduced) instruction set computer SCP — System Control Processor. VAL — Variable Assembly Language Id — Irvine Dataflow. FPS — Floating Point Systems. 140 Список литературы 1. 150 лет «Рефлексам головного мозга» / Сборник научных трудов юбилейного симпозиума, посвящённого изданию статьи И.М. Сеченова (коллективная НАУЧНАЯ МОНОГРАФИЯ) // Отв. редакторы: А.Ю. Алексеев, Ю.Ю. Петрунин, А.В. Савельев, Е.А. Янковская / Тех. редактор А.В. Савельев. – Издательство М.: «ИИнтелл». – 2014. – С. 204­219 – 432 c.: ил.; 21 см. – 500 экз. – ISBN 978­5­98956­006­6. – http :// www . aintell . info / elib /17. pdf; http://www.sciteclibrary.ru/texsts/rus/stat/st5984.pdf 2. Абдеев Р. Ф. Философия информационной цивилизации. – М., ВЛАДОС, 1994. – 336 с. – ISBN 5-87065-012-7. 3. Агасси Д. Революция в науке - отдельные события или перманентные процессы? // Современная философия науки. – М.: Наука, 1994. – С. 89-103. – 253 с. – ISBN 5-02-013589-5. 4. Албертс Б, Брей Д., Льюис Дж., Рэфф М., Робертс К., Уотсон Дж. Молекулярная биология клетки. В 5-ти т. – М.: Мир, 1986. – ISBN: 5-03-001985-5. 5. Алексеев А.Ю. Нейрокомпьютинг в комплексном тесте Тьюринга / А.Ю. Алексеев, С.А. Игнатов, Т.А. Конькова // Рецензируемый журнал ВАК, РИНЦ. – Нейрокомпьютеры: разработка и применение. – 2012. – № 5. – С. 4148. – ISSN1999-8554. – http://www.radiotec.ru/catalog.php?cat=jr7&art=10981 6. Алексеев А.Ю. Комплексный тест Тьюринга: философско-методологические и социокультурные аспекты / А.Ю. Алексеев. – М. : ИИнтеЛЛ. – 2013. – 304 с. – 20 см. – 500 экз. – ISBN 978-5-98956-007-3. – НАУЧНАЯ МОНОГРАФИЯ. 7. Алексеев А.Ю. Протонейрокомпьютер Корсакова // Нейрокомпьютеры: разработка, применение. – М.: Радиотехника. – 2013. – № 7. – С. 6­17. – http :// www . radiotec . ru / catalog . php ? cat = jr 7& itm =2013­7 . 8. Алексеев А.Ю. Философия искусственного интеллекта: нейрокомпьютерные реализаторы когниций // Нейрокомпьютеры: разработка, применение. – 2014. – № 4. – С. 5­7. – http://www.radiotec.ru/catalog.php? cat=jr7&itm=2014­4 . 9. Алексеев А.Ю. Нейрофилософия / А.В. Чечкин, А.Ю. Алексеев, Ю.Ю. Петрунин, А.В. Савельев, Е.А. Янковская // Рецензируемый журнал ВАК, РИНЦ. – Нейрокомпьютеры: разработка и применение. – Москва. – Радиотехника. – 2014. – №10. – С. 58­69. – ISSN1999­8554. – http://www.radiotec.ru/catalog.php? cat=jr7&itm=2014­9 10. Алексеев А.Ю. Коннекционизм как инженерная методология биомедицинской радиоэлектроники / А.Ю. Алексеев // Рецензируемый журнал ВАК, РИНЦ – Биомедицинская радиоэлектроника. – М.: Радиотехника. – 2014. – № 4. – С. 5­7. – ISSN1560­4136. – http://www.radiotec.ru/catalog.php?cat=jr6&itm=2014­4 11. Алексеев А.Ю. ЗD­семантика словаря когнитивной биомедицины и машина Корсакова–Тьюринга / Выпуск под ред. Е.В. Лосевой, А.В. Савельева // Биомедицинская радиоэлектроника. – 2015. – № 4. – С. 9­11. – http://www.radiotec.ru/catalog.php?cat=jr6&art=16333 12. Алексеев А.Ю., Савельев А.В., Янковская Е.А. Новейший философский поворот в нейронауках. Обзор юбилейного междисциплинарного симпозиума «150 лет "РЕФЛЕКСАМ ГОЛОВНОГО МОЗГА" И.М. Сеченова» // Философия науки. – 2014. – №1(60). – С. 114­135. ISSN: 1560­7488. http://www.sciteclibrary.ru/texsts/rus/stat/st5984.pdf 13. Алексеев А.Ю., Кузнецов В.Г., Петрунин Ю.Ю., Савельев А.В., Янковская Е.А. Актуальные вопросы нейрофилософии // Нейрокомпьютеры: разработка, применение. – Москва. – Радиотехника. – 2015. – №4. – С. 9-11. – http://www.radiotec.ru/catalog.php?cat=jr7&itm=2015­4 14. Алексеев А.Ю., Кузнецов В.Г., Петрунин Ю.Ю., Савельев А.В., Янковская Е.А. Нейрофилософия как концептуальная основа нейрокомпьютинга // Нейрокомпьютеры: разработка, применение. – Москва. – Радиотехника. – 2015. – №5. – С. 69­77. – http://www.radiotec.ru/catalog.php?cat=jr7&itm=2015­5 . – http://www.radiotec.ru/catalog.php?cat=jr7&art=16309 15. Алексеев А.Ю., Кузнецов В.Г., Савельев А.В., Янковская Е.А. Становление нейрофилософии в отечественной науке // Философские науки. – 2015. – № 11. – С. 48­66. – ISSN 0235­1188. – ИФ РИНЦ: 0,319. ВАК, РИНЦ, Web of Science (ISI), Scopus, Ulrich’s Periodicals Directory. – http://www.neurophilosophy.ru/elib/2015/FN/FN­11­ CONTENT.pdf http://www.neurophilosophy.ru/elib/2015/FN/FN­11­COVER­1.pdf http://www.neurophilosophy.ru/elib/2015/FN/FN­11­COVER­2.pdf 141 16. Алексеева И.Ю. Человеческое знание и его компьютерный образ. – М.,ИФРАН, 1993. – 215 с. 17. Алексеева И.Ю. Эпистемологическое содержание компьютерной революции. – Автореф. докт. дисс., 09.00.08. – М., 1998. 18. Алексеева И.Ю. Феномен знания и искусственный интеллект // Комплексные исследования: предмет, место, задачи. – М.:ИФАН СССР, 1987. – 250 с. 19. Алексеева И.Ю. Идея интеллектуальной технологии // Традиционная и современная технология / Под ред. В.М. Розина. – М.: ИФРАН, 1999. – 342 с. 20. Алексеева И.Ю. О понятии как форме представления знаний // Философские исследования. – 1999. – № 1 (22). – С. 126­147. 21. Алексеева И.Ю., Петрунин Ю. Ю., Савельев А. В. Герменевтическое дополнение к вопросу о природе виртуальных реальностей // Материалы Всероссийской междисциплинарной конференции "Философия искусственного интеллекта". – 2005. – С. 85-88. 22. Алексеева И.Ю., Петрунин Ю.Ю., Савельев А.В. Скрытый эпистемологизм в стратегиях искусственного интеллекта и нейрокомпьютеров // Материалы Всероссийской междисциплинарной конференции "Философия искусственного интеллекта". – 2005. – С. 243-246. 23. Алексеева И.Ю., Петрунин Ю.Ю., Савельев А.В. Философия моделирования как мета-методология в нейроинформационных технологиях и искусственном интеллекте // Вестник МГУ, Серия 7, "Философия". – 2007. – № 2. – С .47­61. – http://new.philos.msu.ru/vestnik/archive/2007/. 24. Американцы создают искусственные однослойные http://www.mednovosti.ru/news/2003/07/10/vessel/ органы. – 10.07.2004. – URL: 25. Амосов Н.М. Моделирование разума, сознания и подсознания // В сб.: Нейрофизиологические механизмы психической деятельности человека. – Л.: Наука, 1974. – С. 105-117. – 187 с. 26. Анохин П.К. Биология и нейрофизиология условного рефлекса. – М.: Медицина, 1968. – 547 с. 27. Анохин П.К. // Российский физиологический журнал. – 1925. – Х. – №1. 28. Анохин П.К. Взаимодействие клеток условного и безусловного раздражителей в течение применения последнего // Тр. Физиол. лабораторий им. И.П. Павлова. – 1927. – Т. 2. – С. 107­115. 29. Анохин П.К. Проблема центра и периферии в современной физиологии нервной системы // Проблема центра и периферии в вышей нервной деятельности. Горький. – 1935. – С. 9-70. 30. Анохин П.К. Очерки по теории функциональных систем. – М.: Медицина, 1975. – 448 с. 31. Анохин К.В. и др. Нейрофотоника: оптические методы исследования и управления мозгом //Успехи физических наук. – 2015. – Т. 185. – №. 4. – С. 371-392. 32. Анохин К.В. Когнитом: сетевое расширение теории функциональных систем [Электронный ресурс] // КВ Анохин / Современные проблемы системной регуляции физиологических функций. Материалы Конференции.М.: ФГБHУ" НИИНФ им. ПК Анохина. – 2015. – С. 3-5. 33. Анохин К.В. Гиперсетевая модель мозга. – URL: http://neuroinfo.ru/conf/Content/Presentations/Anokhin2015.pdf 34. Асратян Э.А. Избранные труды. Рефлекторная теория высшей нервной деятельности. – М.: Наука, 1983. – 325 с. 35. Аргонов В. 2032. Легенда о несбывшемся грядущем. Техно­опера. – URL: http://argonov.ru/2032.html 36. Аристотель. Категории. Собр. соч. в 4-х т. – М.: Мысль, 1978. – Т. 2. – С. 51-91. 37. Аристотель. Метафизика. Собр. Соч. В 4-х т.т. – М.: Мысль, 1976. – Т.1. – С. 63-364. 38. Аристотель. О душе. Собр. соч. в 4-х т. – М.: Мысль, 1978. – Т. 1. – С. 369-447. 39. Аршинов В.И. Синергетика: от нелинейности к сложности // Неизбежность нелинейного мира. К 100-летию со дня рождения В.С.Готта: приложение к журналу «Философские науки» / [А. Л. Андреев и др.; ред. кол.: В. Н. Шевченко (отв. ред.) и др.]; журн. «Философские науки»; Моск. пед. гос. ун-т; Ин-т философии Рос. акад. наук; О-во «Знание» России. − М.: Гуманитарий, 2012. – С. 60–73. − 472 с. 40. Аршинов В.И. Трансгуманизм в перспективе эволюции сложности // Философские науки. – 2013. – №8. – С. 1123. 142 41. Аршинов В.И. Наблюдатель сложности как модель искусственного интеллекта // Экономические стратегии. – 2014. Т. 16. – №2 (118). – С. 104-109. 42. Аршинов В.И., Буданов В.Г. Квантово-сложностная парадигма. Междисциплинарный контекст. – Курск: Университетская книга, 2015. – 136 с. – Научная монография. – ISBN 978­5­9907724­2­7. 43. Аршинов В.И. Синергетика конвергирует со сложностью // Вопросы философии. – 2011. – №4. – С. 74­83. 44. Аршинов В.И., Буданов В.Г. Парадигма сложностности и социогуманитарные проекции конвергентных технологий // Вопросы философии. – 2016. – №1. – С. 54­73. 45. Ахутин В.М. Бионические аспекты синтеза биотехнических систем. Информ. материалы. Кибернетика. – 4 (92). – М.: Сов. радио, 1976. – С. 3­26. 46. Ахутин В.М. Биотехнические системы: Теория и проектирование / Ахутин В.М., Немирко А.П., Першин Н.Н., Пожаров А.В., Попечителев Е.П., Романов С.В. – Л.: Изд-во Ленингр. Ун-та, 1981. – 220 с. 47. Базарова Д.Р., Демочкина Л.В., Савельев А.В. Парадоксы морфологической сложности // В сб.: “Нейроинформатика и ее применение”. – Красноярск, 2003. – С. 12-15. 48. Базарова Д.Р., Демочкина Л. В., Савельев А. В. Новая нейробионическая модель онтогенеза // «Нейроинформатика-2002». – М.: МИФИ, 2002. – Т. I. – С. 97-106. 49. Баксанский О.Е. Биотехнологии как стратегические цели NBICS-конвергенции // Биомедицинская радиоэлектроника. – 2015. – № 6. – С. 5­14. http://www.radiotec.ru/catalog.php?cat=jr6&art=16885 50. Баксанский О.Е., Пилюгина М.А. Управление процессом познания: нейро­когнитивный подход // Нейрокомпьютеры: разработка, применение. – 2014. – № 8. С. 8­16. http://www.radiotec.ru/catalog.php? cat=jr7&art=15158 51. Бакусов Л.М., Репкин И.С., Шосталь С.А., Савельев А.В. Техника трансовых воздействий // Медицинская техника. – 1997. – № 4. – С. 14-18. 52. Берг А.И., Бирюков Б.В., Новик И.Б., Спиркин А.Г. Кибернетика – методологические проблемы // Вестник АН СССР. – 1971. – № 9. – С. 45-54. 53. Беркли Дж. Сочинения (сост., общ.ред., вступ.ст. Нарского И. С.; пер. Грязного А. Ф., Дебольской Е. Ф., Лагутина Е. С. и др.), сер.: Класс. философская мысль. – М.: Мысль, 2001. – 260 с. – ISBN 5-244-00947-8. 54. Берталанфи Л. фон. Общая теория систем – критический обзор // Исследования по общей теории систем: Сборник переводов / общ. ред. и вст. ст. В.Н. Садовского и Э.Г. Юдина. – М.: Прогресс, 1969. – С. 23–82. 55. Бесекерский В.А., Попов Э.П. Теория систем автоматического регулирования. – М. Наука, 1972. – С.19-31. 56. Белоусов Б.П. Периодически действующая реакция и её механизм / Сб.: Автоволновые процессы в системах с диффузией. – Горький: Изд­во ГГУ, 1951. – С.76. 57. Бехтерев В.М. Объективная психология. В 3­х т. СПБ, 1907­1910. 480 с. 58. Бехтерева Н.П., Гоголицын Ю.Л., Кропотов Ю.Д., Медведев С.В. Нейрофизиологические механизмы мышления. – Л.: Наука, 1985. – 272 с. 59. Богданов А.А. Эмпириомонизм: статьи по философии. – М.: 1907. Т. 3. – 169 с. 60. Богданов А.А. Тектология: Всеобщая организационная наука. В 2­х т. Пг., 1913. 302+352 с. 61. Брянцев И.С., Савельев А.В. В защиту нейрокомпьютинга / Выпуск под ред. Е.В. Лосевой, А.В. Савельева // Нейрокомпьютеры: разработка, применение. – 2015. – № 4. С. 24­25. – http://www.radiotec.ru/catalog.php? cat=jr7&itm=2015­4 62. Брянцев И.С., Колушов В.В., Рязанов М.А., Савельев А.В. Моделирование нейропроцессорных свойств дендритов нейронов и системное решение проблемы дистальных синапсов // Нейрокомпьютеры: разработка, применение. – 2015. – №8. – С. 20­32. – http://www.radiotec.ru/catalog.php?cat=jr7&art=16834 63. Вартофский М. Модели. Репрезентация и научное понимание. – М. Прогресс, 1988. – 507 с. – ISBN: 5-01001033-Х. 64. Веденеева Л.С. Формирование временной организации ЭЭГ детей школьного возраста. – Автореферат канд. дисс. к. б. н., 03.00.13. – СПб, 1998. 143 65. Вейценбаум Дж. Возможности вычислительных машин и человеческийразум. От суждений к вычслениям. – М. Радио и связь, 1982. – 368 с. 66. Венда В.Ф. Семантические проблемы искусственного интеллекта. – Киев, 1977. – 304 с. 67. Вернадский В.И. Живое вещество и биосфера. – М. Наука, 1994. – 674 с. – ISBN 5-02-005754-1. 68. Вернадский В.И. Философские мысли натуралиста. – М. Наука, 1988. – 520 с. – ISBN 5-02-003325-1. 69. Вико Д. Основания новой науки об общей природе наций. – М.: Киев, 1994. – 656 с. 70. Винер Н. Я — математик. – М.: Наука, 1964. – 354 с. – тир. 50000 экз. – С. 125. http://grachev62.narod.ru/wiener/i_am_a_mathematician.html 71. Всемирная энциклопедия: Философия. – М.: АСТ, 2001. – 1312 с. – ISBN: 5-17-007278-3 . 72. Галушкин А.И. Нейрокомпьютеры. – М.: ИПРЖР 2000. – 528 с. – ISBN: 5-93108-007-4. 73. Галушкин А.И. Нейрокомпьютеры в Китае, в 2-х т. – М.: ИПРЖР 2004. – ISBN: 5-93517-170-8, 978-5-93517170-4. 74. Галушкин А.И. Теория нейронных сетей. – М.: ИПРЖР, 2000. – 416 с. – ISBN: 5-93108-007-4. 75. Галушкин А.И. О перспективах разработок и применения нейрокомпьютеров // В сб. докладов VIII Всероссийской НТК «Нейрокомпьютеры и их применение-2002». – М.: ИПРЖР, 2002. – С.157. – 1262 с. 76. Гастев А.К. Как надо работать. Основные правила, разработанные Институтом Труда ВЦСПС. Пермь, 1921. 397 с. 77. Гегель Г.В.Ф. Наука логики в 3-х т., М.: Мысль, 1970-1972. 78. Геодакян В.А. Теория систем и специальные науки / В кн.: Материалы по истории и перспективам развития системного подхода и общей теории систем. – М., Наука, 1971. – С. 17­70. 79. Геодакян В.А. Системный подход и закономерности в биологии / В кн.: Системные исследования. – М., Наука, 1984. – С. 329–338. – URL: http://www.geodakian.com/Articles/Art_ru_1965­1987/1984%20Syst%20Approach.doc 80. Геодакян В. А. Теоретическая биология. Эволюционные хромосомы и эволюционный половой диморфизм // Известия РАН, серия биологическая – М.: РАН, 2000. – № 2. – С. 133-148. 81. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы. – М.: ФИЗМАТЛИТ, 2010. – 320 с. – ISBN 978-5-9221-0510-1. 82. Глушков В.М. Кибернетика. Вопросы теории и практики. – М.: Наука, 1986. – 488 с. 83. Глушков В.М. Основы безбумажной информатики. – М.: Наука, 1982. — 552 с. 84. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. – Новосиб.: Наука, 1996. – 276 с. 85. Горбань А.Н. Быстрое дифференцирование сложных функций и обратное распространение ошибки // Нейроинформатика и ее приложения. V Всерос. семинар. – Красноярск, 1997. – С. 54-56. 86. Грейг О. Русская наука. Украденные открытия. – М., Белые альвы, 2014. – 434 с. – ISBN 978­5­91464­111­2. 87. Грязнов Б.С. Логика. Рациональность. Творчество. – М.: Наука, 1982. – 256 с. 88. Гурфинкель В.С., Малкин В.Б., Цетлин М.Л., Шнейдер А.Ю. Биоэлектрическое управление. – М.: Наука. 1972. – 246 с. 89. Гутман А.М. Биофизика внеклеточных токов мозга. – М.: Наука, 1980. – 184 с. 90. Джебраилова Т.Д., Коробейникова И.И., Иванова Л.В., Умрюхин Е.А. Релаксирующие эффекты локального тепловоздушного воздействия в условиях стрессорных нагрузок студентов // Вестник РАМН. – 1998. – №2. – С. 14-18. 91. Декарт Р. Избранные произведения. – М.: Госполитиздат, 1950. – 712 с. 92. Декарт Р. Рассуждения о методе, чтобы верно направлять свой разум и отыскивать истину в науках // Сочинения в 2-х т. – М.: Мысль, 1898. – Т.1. – 656 с. 93. Денисов Э.И., Пфаф В.Ф., Степанян И.В., Горохова С.Г., Сдвиг медико­биологической парадигмы: от гомеостаза к аллостазу / Выпуск под ред. Е.В. Лосевой, А.В. Савельева // Нейрокомпьютеры: разработка, применение. – 2016. – №2. – С. 28­35. 94. Дильс Г. Античная техника. – Академия наук СССР М.-Ленинград ОНТИ. ГТТИ, 1934. – 214 с. 144 95. Дильтей В. Введение в науки о духе. Опыт полагания основ для изучения общества и истории. пер. с нем В. В. Бибихина и др. // Собр. соч. – п/р А.В. Михайлова, Н.С. Плотникова. – М., 2000. – Т. 1. 96. Добронравова И.С. Реорганизация электрической активности мозга человека при угнетении и восстановлении сознания (церебральная кома). – Автореф. докт. дисс. д. б. н., 03. 00. 13. – М.: МГУ, 1996. 97. Дорогов А.Ю., Алексеев А.А., Пименов В.Е. Программная реализация алгоритма структурного синтеза быстрых нейронных сетей // в сб. тр. МИФИ: «Нейроинформатика-2000». – Ч. I. – С. 61-68. 98. Дубровский Д. И. Сознание, мозг, искусственный интеллект. — ИД Стратегия­Центр Москва, 2007. — ISBN 978­5­9900934­1­6. — 272 с. 99. Дубровский Д.И. «Трудная» проблема сознания (в связи с книгой В. В. Васильева «Трудная проблема сознания») // Вопросы философии. — 2011. — № 9. — С. 136-149. — URL: http://vphil.ru/index.php? option=com_content&task=view&id=385&Itemid=52 N 100. Дубровский Д. И. Проблема «сознание и мозг» : Теоретическое решение. — М.: Канон+, 2015. в пер., тир. 1000. – 208 с. – ISBN: 978-5-88373-452-5. 101. Дунин-Барковский В.Л. Нейроинформатика в России и мире. – Мозг: фундаментальные и прикладные проблемы (под редакцией академика А.И. Григорьева). – Москва. – Наука. – 2010. – С. 220-223. 102. Жаботинский А.М. Периодические реакции окисления в жидкой фазе / А.М. Жаботинский // ДАН СССР. 1964. – Т. 157. – С. 392–395. 103. Жданов А.А. Автономный искусственный интеллект. – Москва: Бином. Лаб. знаний, 2008. – 359 с. 104. Журнал «Искусственные общества» Лаборатории агентного моделирования. – URL: http://abm.center/magazine/ 105. Заде Л., Дезоер Ч. Теория линейных систем. – М.: Наука, 1970. – 704 с. 106. Захаров В.Н., Эйсымонт Л.К.Аппаратная реализация интеллектуальных систем // Искусственный интеллект. Справочник /под ред. Поспелова Д. А. в 3-х тт. – М.: Радио и связь, 1990. – Т. 3. – С. 168-181. 107. Иваницкий А.М. Информационные процессы мозга и психическая деятельность. – М.: Наука, 1984. – 200 с. 108. Иванов Е.М. Сознание и квантовые компьютеры // Философия науки. – 2000. – № 2(8). – С. 41-54. 109. Интеллектуальные процессы и их моделирование. – М.: НаукISBN 5-244-00737-8.а, 1987. – С. 39-66. 110. Искусственный интеллект. Справочник / под ред. Поспелова Д. А. в 3-х тт. – М.: Радио и связь, 1990. – Т. 1. – С. 5-6. – ISBN 5-256-00368-2. 111. Искусственные общества / гл. редактор академик В.Л. Макаров. – Москва. – ЦЭМИ РАН. – © Лаборатория искусственных обществ. – ISSN 2077-5180. – URL: www.artsoc.ru 112. Исторические типы рациональности, П/р В. А. Лекторского, П. П. Гайденко, т.т. 1-2. – ИФРАН, 1994. 113. Кагава Я. Биомембраны. – М.: Высшая школа, 1983.. – 303 с 114. Кант И. Критика чистого разума // Сочинения в 6 томах. – М., 1964. – Т. 3. – С. 582. 115. Кант И. Критика практического разума. Сочинения: В 8 т. – М., 1994. – Т. 4. – С. 409. – ISBN 5-244-00737-8. 116. Катречко С.Л. Логический анализ интеллектуальных систем с метапроцедурами. – Автореф. канд. дисс., 09.00.07. – М. 2000. 117. Керженцев П.М. Принципы организации. – М., Гос. Изд­во, 1921. – 240 с. 118. Китов А.И. Электронные цифровые машины. – М.: Советское радио, 1956. – 358 с. http://www.kitovanatoly.ru/naucnye-trudy/izbrannye-naucnye-trudy-anatolia-ivanovica-v-pdf/elektronnye-cifrovye-masiny 119. Классическая йога («Йога-сутра» Патанджали и «Вьяся-Бхашья»). Памятники письменности Востока. СIX. – М.: Наука, 1992. – С. 88. – 260 с. – ISBN 5-02-017601-Х. 120. Колушов В.В., Савельев А.В. Методология индивидуально-коллективного моделирования нейронной биовозбудимости как новая нейрокомпьютерная парадигма // Нейрокомпьютеры: разработка и применение. 2010. – № 8. – С. 25-34. – URL: http://www.ec-ai.ru/default.asp?article=3 . 121. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного и сложения // ДАН СССР. – 1957. – Т. 114. – Вып. 5. – С. 953­956; Нейрокомпьютер. – 1994. – № 1­2. – С. 51­55. 145 122. Крупицкий Е. М. Фармакологический, фармакотерапевтический и немедикаментозный подходы к стабилизации ремиссий при алкоголизме. – Автореферат докт. дисс. д. м. н., 14.00.45. – СПб, 1998. 123. Крушинский Л. В., Школьник-Яррос Е. Т. Некоторые пути изучения связи между рассудочной деятельностью млекопитающих и морфологией мозга // Общая биология. — 1982. — Т. 63. — С 579-588. 124. Кузьмин В.П. Принцип системности в теории и методологии К. Маркса. — М.: Политиздат, 1986. — 398 с. 125. Кузнецов В.Г. Диалектика точного и неточного в современном научном познании // Вопросы философии. — 1988. — №12. — C. 30-30. 126. Кузнецов В.Г. Проблема понимания и теоретическое наследие Людвига Витгенштейна // Вопросы философии. — 1985. — № 9. — С. 137-146. 127. Кузнецов В.Г. Предисловие к публикации “Работы по философии” Г.Г. Шпета // Вестник Московского университета. Серия 7. Философия. 1994. — № 2. — С. 19­22. 128. Кузнецов В.Г. Герменевтика и гуманитарное познание. — Издательство Московского университета Москва, 1991. — С.192. 129. Кузнецов В.Г. Герменевтика и ее путь от конкретной методики до философского направления // Логос. — 1999. — № 10. — С. 43­88 130. Кузнецов В.Г. Логика гуманитарного познания // Философия и общество. — 2009. — №4. — С. 22­63. 131. Кузнецов В.Г. Логика и логический анализ текстов. — Издательский дом АТИСО Москва, 2010. — ISBN 9785-93441-206-8. — 245 с. — http://istina.msu.ru/publications/book/3453985/ 132. Кузнецов В.Г. Классическая и неклассическая герменевтика: преемственность и трансформации // Вестник Московского университета. Серия 7. Философия.. — 2010. — № 3. — С. 51-64 133. Кузнецов В.Г. Вопрос обоснования нейрофилософии // Нейрокомпьютеры: разработка, применение. – Москва. – Радиотехника. – 2015. – №4. – С. 51-52. – http://www.radiotec.ru/catalog.php?cat=jr7&itm=2015­4 134. Ларина Е.С., Овчинский В.С. Кибервойны XXI века: о чем умолчал Эдвард Сноуден. – М.: Книжный мир, 2014. – ISBN: 978-5-8041-0723-0. – 351 с. 135. Лекторский В.А. Философия, познание, культура. – Канон+ РООИ «Реабилитация» М., 2012. – ISBN: 978-588373-325-2. – 384 с. 136. Либерман Е.А. Изучение диффузионной моделирующей системы молекулярной вычислительной машины нейрона // Биофизика. – 1980. – № 3. – С. 455-461. 137. Либерман Е.А. Квантовый биокомпьютер // Биофизика. – 1990. – № 1. – С. 132-135. 138. Литвинов Е. Г. Пакет программ «Нейроимитатор» для имитационного моделирования нейронных сетей биологических объектов // Нейрокомпьютеры: разработка, применение. – 2002. – № 1-2. – С. 21-36. 139. Логвинов В.В. Все открытия и достижения науки и техники за последние 200 лет. Летопись. – Москва. – УРСС. Книжный дом «ЛИБРОКОМ».– 2014. – 5000 экз. – 21,5 см. – 448 с. – ISBN 978­5­397­00175­5. 140. Локк Дж. Сочинения в 3­х тт. Серия: Философское наследие. – Т. 93. – М.: Мысль, 1985. – Т. 1. – С. 450­458. 141. Ломоносов М. В. Полное собрание сочинений / АН СССР; [Глав. ред.: С. И. Вавилов (гл. ред.), Т. П. Кравец (зам. гл. ред.), А. И. Андреев, П. Н. Берков, Г. П. Блок, А. А. Елисеев (зав. гл. ред.), Г. А. Князев]. – М.; Л., 1950­1983. / Т. 4: Труды по физике, астрономии и приборостроению. – 1744­1765 гг. 142. Лосева Е.В. Стволовые клетки для коррекции нейродегенеративных расстройств // Нейрокомпьютеры: разработка, применение. М.: Радиотехника. – 2013. – № 7. – С. 32­44. – URL: http://www.radiotec.ru/catalog.php?cat=jr7&art=13237 . 143. Лосева Е.В. и др. Изменение синтеза цитокинов, но не экспрессии c­fos в мозге крыс при интраназальном введении однослойных углеродных нанотрубок // Биомедицинская радиоэлектроника. – 2014. – № 8. – С. 38­ 43. – URL: http://www.radiotec.ru/catalog.php?cat=jr6&art=15121 144. Лосева Е.В., Савельев А.В. Материалы Международных междисциплинарных Конгрессов «Нейронаука для медицины и психологии» и научной школы «Достижения нейронаук в начале ХХI века», под ред. Лосевой Е.В., Савельева А.В // Биомедицинская радиоэлектроника. – 2014. – № 4. – URL: http://www.radiotec.ru/catalog.php? cat=jr6&itm=2014­4 2015. № 4. http://www.radiotec.ru/catalog.php?cat=jr6&itm=2015­4 146 145. Лосева Е.В., Савельев А.В. Материалы Международных междисциплинарных Конгрессов «Нейронаука для медицины и психологии» и научной школы «Достижения нейронаук в начале ХХI века», под ред. Лосевой Е.В., Савельева А.В. // Нейрокомпьютеры: разработка, применение. – 2014. – № 4. – URL: http://www.radiotec.ru/catalog.php?cat=jr7&itm=2014­4. – 2015. – № 4. – URL: http://www.radiotec.ru/catalog.php? cat=jr7&itm=2014­4 . http://www.radiotec.ru/catalog.php?cat=jr7&itm=2015­4 . 146. Лосева Е.В., Савельев А.В. Нейронаука для медицины и психологии. По материалам Международного междисциплинарного Конгресса (г. Судак), под ред. Лосевой Е.В., Савельева А.В. // Нейрокомпьютеры: разработка, применение. – 2014. – № 7. – URL: http://www.radiotec.ru/catalog.php?cat=jr7&itm=2014-7 147. Лосева Е.В., Савельев А.В. Нейронаука для медицины и психологии / Выпуск под ред. Е.В. Лосевой, А.В. Савельева // Биомедицинская радиоэлектроника. – 2015. – № 6. С. 3­5. http://www.radiotec.ru/catalog.php? cat=jr6&art=16884 148. Ляпунов А.А. Проблемы теоретической и прикладной кибернетики. – М.: Наука, 1980. – C. 320-323. 149. Мак-Каллок У. С., Питс У. В. Логическое исчисление идей, относящихся к нервной активности // Сб. Автоматы, п/р К. Э. Шеннона, Дж. Маккарти. – М. ИИЛ, 1956. – C. 363-384; 150. Марков А.А. Элементы математической логики. – М.: МГУ, 1984. – 79 c. 151. Маркс К. Тезисы о Фейербахе // Маркс К., Энгельс Ф. Соч. 2-е изд. – 1955. – Т.3. – С.1-4. 152. Маркс К., Энгельс Ф. Cочинения. – Изд. 2-ое. – М., 1974. – Т. 42. 153. Маркузе Г. Одномерный человек. – М.: АСТ, 2002. – 625 с. – ISBN: 5-17-011041-3, 9785170110413. 154. Махабхарата. Мокшадхарма. вып. V. кн. 1. Пер. акад. Б. Л. Смирнова. – Ашхабад: Ылым, 1983. – С. 169-170. – Гл. 219. – Шл. 7930-7983. 155. Медведев С.В. Что знает наука о мозге. – URL: http://wsyachina.narod.ru/biology/brain_1.html 156. Месарович М. Теория иерархических многоуровневых систем. Пер. с англ. Под ред. И.Ф.Шахнова. Предисл. чл.­кор. АН СССР Г.С. Поспелова. – М.: «Мир», 1973. – 344 с. 157. Месарович М. Теория систем и биология. – М. Мир, 1971. – 128 с. 158. Месарович М, Такахара Я. Общая теория систем: математические основы / Пер. с англ. Э.Л. Наппельбаума; под ред. В.С. Емельянова. – М.: «Мир», 1978. – 311 с. 159. Микешина Л.А. Философия познания. Полемические главы. – М.: Прогресс-Традиция, 2002. – 624 с. 160. Миркес Е.Н. Нейрокомпьютер. Проект стандарта. – Новосибирск: Наука, 1998. – 337 с. – ISBN 5–7262–0635–5. 161. Мифы народов мира. В 2-х тт. – М.: Российская энциклопедия, 1994. – Т. 1. – С. 420-427, 535-543, 129-132, 160-161, 389-391. – ISBN: 5-85270-032-0/ 162. Михайлов А.С. Теоретико­множественная интерпретация работы интеллектуальных машин С.Н. Корсакова // Нейрокомпьютеры: разработка, применение. – 2013. – №8. – С. 65­73. http://www.radiotec.ru/catalog.php? cat=jr7&art=16838 163. Михайлов И.Ф. К гиперсетевой теории сознания // Вопросы философии. – 2015. – №11. – URL: http://vphil.ru/index.php?option=com_content&task=view&id=1291&Itemid=52 164. Мозг. Scientific American. – 09. 1979. – М.: Мир, 1982. – 279 c. 165. Моисеев Н.Н. Расставание с простотой. — М.: АГРАФ, 1998. — С. 98. 166. Мосалов О. П., Бурцев М. С., Митин Н. А., Редько В. Г. Модель многоагентной интернет-системы, предназначенной для предсказания временных рядов // Нейроинформатика-2003. – М.: МИФИ, 2003. – Ч. I. – С. 177-184. 167. Нейроинформатика (Коллективная монография / А. Н. Горбань и др.). – Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. – 296 с. 168. НЕЙРОКОМПЬЮТЕРЫ И ОБЩЕСТВО. Научные достижения. Под ред. А.В. Савельева // спец. выпуски журнала – Нейрокомпьютеры: разработка, применение. – Москва: Радиотехника. – 2010. – № 8 – http://www.radiotec.ru/catalog.php?cat=jr7&itm=2010­8; 2011. – № 1 – http://www.radiotec.ru/catalog.php? cat=jr7&itm=2011­1; 2013. – № 7 – http://www.radiotec.ru/catalog.php?cat=jr7&itm=2013­7 . 147 169. НЕЙРОКОМПЬЮТЕРЫ НАУЧНЫЕ ДОСТИЖЕНИЯ: НЕЙРОНАУКА И НЕЙРОКОМПЬЮТИНГ В МЕДИЦИНЕ И ПСИХОЛОГИИ. Под ред. Е.В. Лосевой, А.В. Савельева // спец. выпуски журнала – Нейрокомпьютеры: разработка, применение. – Москва: Радиотехника. – 2014. – № 4, 7, 8; 2015. – № 4, 7, 8, 11; 2016. – № 2, 5. – URL: http://www.radiotec.ru/catalog.php?cat=jr7 . 170. НЕЙРОНАУКА В МЕДИЦИНЕ И ПСИХОЛОГИИ. Биомедицинская радиоэлектроника / Под ред. Е.В. Лосевой, А.В. Савельева // спец. выпуски журнала. – Москва: Радиотехника. – 2014. – № 4,8; 2015. – № 4, 6; 2016. – № 1, 4. – URL: http://www.radiotec.ru/catalog.php?cat=jr6 171. Нейрокомпьютеры: разработка, применение. – Спецвыпуск «Нейрофизиологические модели в нейрокомпьютинге» / под ред. А.А. Фролова. – Москва. – Радиотехника. 2008. – №5-6. – ISSN 1999-8554. – http://www.radiotec.ru/catalog.php?cat=jr7&itm=2008-5-6 172. Нейрокомпьютеры: разработка, применение. – Спецвыпуск «По материалам XII Всероссийской научной конференции «Нейрокомпьютеры и их применение» МГГППУ» / под ред. А.А. Куравского. – Москва. – Радиотехника. 2014. – №10. – ISSN 1999-8554. – http://www.radiotec.ru/catalog.php?cat=jr7&itm=2014­10 173. Нейрокомпьютеры: разработка, применение. – Спецвыпуск «Школа нейрокомпьютинга Юго­Западного государственного университета» / под ред. В.П. Добрицы. – Москва. – Радиотехника. 2008. – №5­6. – ISSN 1999­8554. – http://www.radiotec.ru/catalog.php?cat=jr7&itm=2014­6 174. Нейрокомпьютеры: разработка, применение. – Спецвыпуск «Адаптивные информационно-управляющие системы на основе нейронной технологии ПНИПУ» / под ред. А.А. Южакова. – Москва. – Радиотехника. 2013. – №11. – ISSN 1999-8554. – http://www.radiotec.ru/catalog.php?cat=jr7&itm=2013­11 175. Нейрокомпьютеры: разработка, применение. – Спецвыпуск «Нейросетевое моделирование СПбГПУ» / под ред. Д.А Тархова. – Москва. – Радиотехника. 2014. – №2. – ISSN 1999­8554. – http://www.radiotec.ru/catalog.php? cat=jr7&itm=2014­2 176. Нейрокомпьютерная парадигма и общество / Под ред. Ю.Ю. Петрунина. – М.: Издательство Московского университета. – 2012. – С. 149­175. – НАУЧНАЯ МОНОГРАФИЯ.– 288 с.: ил.; 22 см. – ISBN 978­5­211­06375­ 4. — Отзыв: В.А. Никонова: http ://державники21век.рф/? s =нейрокомпьютерная+парадигма. 177. Нейрокомпьютеры и их применение: учеб. пособие для вузов по направлению «Прикладные математика и физика». – М. : ИПРЖР, 2000. – Кн. 33: Биомолекулярные нейросетевые устройства: рекомендовано методсоветом по направлению / [Н.Г. Рамбиди, Е.П. Гребенников, А.И. Адамацкий и др.]; Под ред. Н.Г. Рамбиди ; [Российский фонд фундаментальных исследований]. – 2002. – 223 с.. – Библиогр.: с. 211-223. – ISBN 5-93108-014-7. 178. Нейронные сети. Statistica Neural Network. – М.: Горячая линия, 2000. – 172 с. – ISBN: 978-5-9912-00015-8. 179. Николис Г. Самоорганизация в неравновесных системах. – М.: Мир, 1979. – 512 с. 180. Островский М.А. От кванта света до зрения. – URL:http://neurobiology.ru/mfk/10_Vision.pdf 181. Охоцимский Д.Е., Платонов А.Н. Алгоритмы управления шагающим аппаратом, способным преодолевать препятствия // Известия АН СССР. Техническая кибернетика. – 1973. – № 5. – С. 3-10. 182. Павлов И.П. Лекции о работе больших полушарий головного мозга. – М.: АМН СССР, 1952. – 297 с. 183. Павлов И.П. Избранные труды по физиологии высшей нервной деятельности. – М. 1950. – 167 с. 184. Патент SU № 1292494. Устройство для моделирования нейрона / Савельев А.В. – 1987. 185. Патент SU № 1306368. Устройство для моделирования нейрона / Межецкая Т.А., Савельев А.В., Колесников А.А. – 1987. 186. Патент SU № 1329449. Устройство для моделирования нейрона / Межецкая Т.А., Савельева-Новосёлова Н.А., Савельев А.В., Колесников А.А.. – 1987. 187. Патент SU № 1406613 Устройство для моделирования нейрона / Савельев А.В. – 1988. – Бюлл. № 24. 188. Патент SU № 1425731. Устройство для моделирования нейрона / Колесников А.А., Жуков А.Г., НовосёловаСавельева Н.А., Савельев А.В. – 1988. – БИ № 35. 189. Патент РФ № 1424575. Устройство для моделирования нейрона / Савельев А.В. – 1988. – приоритет от 1985. 190. Патент SU № 1439632. Устройство для моделирования нервного пучка / Савельев А.В., Колесников А.А. – 1988. – Бюлл. № 43. 191. Патент SU № 1464181. Устройство для моделирования нейрона неокортекса / Жуков А. Г. НовосёловаСавельева Н. А., Савельев А.В. – 1989. – приоритет от 14.01.1987. – опубл. БИ № 9. 148 192. Патент SU № 1501101 Устройство для моделирования нейрона / Савельев А.В., Савельева Н.А., Колесников А.А., Жуков А.Г. – 1989. – Бюлл. 30. 193. Патент SU № 1585811 Устройство для моделирования нейрона / Жуков А.Г., Колесников А.А., СавельеваНовосёлова Н.А., Савельев А.В. – 1990. – Бюлл. № 30. 194. Патент SU № 1515938. Устройство для моделирования системы возвратного торможения мотонейронов клетками Реншоу / Савельев А.В., Валиева Н.Э. и др. – 1989. 195. Патент RU № 1815658 Устройство для морфодинамического моделирования нейрона / Жуков А.Г., Лаврова Т.С., Савельев А.В. – 1993. – Бюлл № 18. 196. Патент RU № 2024059 Устройство для моделирования нейрона / Жуков А.Г., Савельева-Новосёлова Н.А., Савельев А.В., Лаврова Т.С. – 1994. – Бюлл. № 22. 197. Патент RU № 2093889 Устройство для моделирования нейрона / Ильясов Б.Г., Лаврова Т.С., Савельев А.В. – 1997. – Бюлл. № 29. 198. Свид. о регистрации программы для ЭВМ № 2002612035. заявка 2002611769 / Нейросетевой алгоритм. Neural network algorithm / Колушов В.В, Савельев А.В. – 2002. 199. Свид. о регистрации программы для ЭВМ № 2003610307. заявка 2002612174. Нейроускоритель. Neural Network accelerator / Колушов В.В, Савельев А.В. – 2003. 200. Петрунин Ю.Ю. Информационные технологии анализа данных Data analysis. – Книжный дом «Университет». – 2008. – 292 с. – 20 см. – 1000 экз. – ISBN: 978-5-98227-416-8. 201. Петрунин Ю.Ю. От тайного знания к нейрокомпьютеру: очерки по истории искусственного интеллекта. – М, 1996. – 166 с. – ISBN: 5-88387-006-6. 202. Петрунин Ю.Ю. Некоторые нетрадиционные подходы в исследованиях по искусственному интеллекту // Рукопись. Деп. ИНИОН АН СССР N38639 от 30.06.89 г. в сб. Актуальные философские вопросы естественных и общественных наук. – М. 1989. 203. Петрунин Ю.Ю. Философские проблемы моделирования человеческого разума // Человеческая реальность: проблемы теории. – М. 1999. – С. 106-126. 204. Петрунин Ю.Ю. Искусственный интеллект: история, методология, философия. – М. Издательство Звездопад, 2000. – 247 с. 205. Петрунин Ю.Ю. Ислам и рождение европейской науки: суфийские истоки компьютерных технологий // Мусульмане. – 1999. – № 2. – С 45-46. 206. Петрунин Ю.Ю. Возможности Data Mining в государственном управлении // Материалы международной конференции «Государственное управление: новые технологии». – Москва, 2004. – 292 с. –ISBN: 978-5-98227701-5. 207. Петрунин Ю.Ю. Изучение методов интеллектуального анализа данных при подготовке управления // Вестник Московского университета, серия 21 Управление (государство и общество). – 2004. – №6. – С. 100-113. 208. Петрунин Ю.Ю. Нейрокомпьютинг в новой науке о спорте // Нейрокомпьютеры: разработка, применение. – 2013. – №8. – С. 66­71. – http://www.radiotec.ru/catalog.php?cat=jr7&art=13250 209. Петрунин Ю.Ю. Критический потенциал нейрофилософии // Философские науки. – 2015. – № 11. – С. 23­30. – ISSN 0235­1188. – ИФ РИНЦ: 0,319. ВАК, РИНЦ, Web of Science (ISI), Scopus, Ulrich’s Periodicals Directory. – http://www.neurophilosophy.ru/elib/2015/FN/FN­11­CONTENT.pdf http://www.neurophilosophy.ru/elib/2015/FN/FN­11­COVER­1.pdf http://www.neurophilosophy.ru/elib/2015/FN/FN­ 11­COVER­2.pdf 210. Петрунин Ю.Ю. Наследие И.М. Сеченова и современный прикладной нейрокомпьютинг // Биомедицинская радиоэлектроника. – 2015. – № 4. – С. 56­57. – http://www.radiotec.ru/catalog.php?cat=jr6&art=16402 211. Петрунин Ю.Ю. Нейрокомпьютинг: между наукой и лженаукой // Нейрокомпьютеры: разработка, применение. – 2015. – №8. – С. 52­64. – http://www.radiotec.ru/catalog.php?cat=jr7&art=16837 212. Петрунин, Ю.Ю. Астрология, нейронные сети и управление персоналом (Рецензия на статью Л.Н. Ясницкого, Ю.А. Михалевой, Ф.М. Черепанова «Возможности методов искусственного интеллекта для выявления и использования новых знаний на примере задачи управления персоналом») // ЖФНН. – 2015. – №7. – С. 118­121. – http://www.unconv­science.org/pdf/n7/petrunin­ru.pdf 149 213. Петрунин Ю.Ю. Рязанов М.А. Как выиграть мировой чемпионат. Методы математической статистики в управлении национальным футболом. М.: Макс Пресс, 2015. – ISBN 978­5­317­04963­8. – 56 с. 214. Петрунин Ю. Ю., Рязанов М.А., Савельев А. В. Философия искусственного интеллекта в концепциях нейронаук. (Научная монография). – М.: МАКС Пресс. 2010. – 80 с. – ISBN 978­5­317­03251­7. 215. Петрунин Ю.Ю., Рязанов М.А., Савельев А.В. От искусственного интеллекта к моделированию мозга. – М.: МАКС ПресС. 2015.– 108 с.; 21 см. – 500 экз. – Научная монография. 216. Петруня О.Э. Нейрофилософия как исследовательская программа // Нейрокомпьютеры: разработка, применение. — 2015. — №4. — С. 65-66. 217. Петруня О.Э. Димензиональная онтология В. Франкла как концептуальная основа междисциплинарного синтеза биомедицины, психологии и компьютинга // Биомедицинская радиоэлектроника. – 2015. – №4. – С. 58-59. 218. Платон. Собр. Соч. В 4-х т.т. Серия ФН. – М.: Мысль, 1990-1994.– ISBN: 5-244-00451-4. 219. Плотин. Эннеады. – URL: http://www.magister.msk.ru/library/babilon/greek/plotin/plotinus.htm 220. Поспелов Г.С. Искусственный интеллект – основа новой информационной технологии. – М.: Наука, 1988. – 280 с. 221. Правдивцев В.А., Козлов С.Б., Ясенецов В.В. Эфферентно-афферентная конвергенция как структурнофункциональная основа аппарата акцептора результатов действия // УФН. – 1997. – Т. 28. – №. 4. – С. 33-43. 222. Пригожин И. От существующего к возникающему. – М.: Наука, 1985. – 328 с. 223. Пружинин Б. И. Об одной особенности гносеологической проблематики // Познание в социальном контексте. – М.: ИФРАН, 1994. – С. 118-140. – 172 с. 224. Психологические аспекты буддизма. Алмазная праджняпарамита-сутра. – Н.: Наука, 1986. – 80 с. 225. Ракитов А. И. Философия компьютерной революции. – М. Политиздат, 1991.—287 с. ISBN 5­250­01308­2. 226. Рапп Ф. Перспективы философии техники // Философия техники в ФРГ. – М., 1989. – С. 76. 227. Риккерт Г. Науки о природе и науки о культуре. – СПб, 1911. 228. Розин В.М. Философия и методология: традиция и современность // Вопросы философии. – 1996. – № 11. – С. 57-64. 229. Розин В.М. Социально-гуманитарные науки и проблема специфики синергетики как научной дисциплины // Философские науки. – 2004. – № 2. – С. 85-102. 230. Розин В.М. Расколдовывание и деконструкция понятия «объект» (методологический анализ) // Вопросы философии. – 2015. – №6. – С. 41-52. 231. Русинова Е.В. Влияние «животного гипноза» на двигательную доминанту, созданную действием постоянного тока на кору левого полушария. // ЖВНД, 1997, т. 47, вып. 3, с. 109-115. 232. Савельев А.В. Об одном подходе к созданию кибернетической теории мозга // докл. на 8­й конф. по нейрокибернетике.– Ростов­на­дону, 1983.– программа, с. 10. 233. Савельев А.В. Internet и нейрокомпьютеры как социотехнологические стратегии искусственного мира // Философские науки.– 2004.– № 6.– С. 100-113; http://www.sciteclibrary.ru/rus/catalog/pages/7759.html, 2005. 234. Савельев А.В. Учение об эпистемологической стратегии // Философия науки.– 2004.– № 2(21).– С. 3-17. http://www.sciteclibrary.ru/rus/catalog/pages/8374.html, 2006. 235. Савельев А.В. Применимость нейроинформационной методологии к живым системам // В сборнике материалов конференции «Искусственный интеллект. Интеллектуальные системы (ИИ2008)».– Донецк — Таганрог — Минск, 2008.– С. 223-227. 236. Савельев А.В. Нейротехногенность – философия техники будущего // В сб.: Нейроинформатика и ее приложения.– Красноярск, 1999.– С. 126-127. 237. Савельев А.В. Философия методологии нейромоделирования: смысл и перспективы // Философия науки. — 2003. — № 1(16). — С. 46-59. http://www.sciteclibrary.ru/rus/catalog/pages/8764.html , 2007. 238. Савельев А.В. Нейрокомпьютеры в изобретениях // Нейрокомпьютеры: разработка, применение.– 2004.– № 23.– С. 33-49. 150 239. Савельев А.В. Эпистемология этики и этический релятивизм в цивилизационном процессе // Межд. Науч. Конф. «Человек, Культура, цивилизация на рубеже II и III тысячелетий».– Волгоград, 2000.– Т. II.– С.81-83. 240. Савельев А.В. Моделирование функциональной нейронной самоорганизации при посттетанической потенциации // Журнал проблем эволюции открытых систем.– Казахстан, Алматы, 2004.– № 1.– С. 127-131. 241. Савельев А.В. Искусственный интеллект или искусственный социум? // Материалы Всероссийской междисциплинарной конференции «Философия искусственного интеллекта».– М.: МИРЭА, 2005.– С. 210212. 242. Савельев А.В. К вопросу субстанциональности нейрокомпьютеров //В сб.: Нейрокомпьютеры и их применение.– М.:ИПУ, 2002.– С. 1247-1250. 243. Савельев А.В. К вопросу эпистемологической адекватности нейрокомпьютеров // Философия науки. – 2000. – № 1(7). – С. 85-91. 244. Савельев А.В. Модель нейрона как возможная мультицеллюлярная структура (К вопросу о том, что мы всетаки моделируем?) // Нейрокомпьютеры: разработка, применение.– М.: ИПРЖР, 2002.– № 1-2.– С. 4-20. 245. Савельев А.В. К вопросу о причинах происхождения философии нейрокомпьютеризации сознания // Философия науки.– 2002.– № 1(12).– С. 51­62.– URL: http://www.bogoslov.ru/library/text/228724/index.html 246. Савельев А.В. Закон сохранения сложности и его применение в задачах моделирования неравновесных систем // В сб.: Моделирование неравновесных систем.– Красноярск, 1998.– С. 67-70. 247. Савельев А.В. На пути к общей теории нейросетей. К вопросу о сложности // Нейрокомпьютеры: разработка, применение.– 2006.– №4-5.– С. 4-14. 248. Савельев А.В. Нейрофизика мозга и нейромоделирование // Журнал проблем эволюции открытых систем.– Казахстан, Алматы.– 2008.– № 1 (9).– С. 93-101. 249. Савельев А.В. Критический анализ функциональной роли модульной самоорганизации мозга // Нейрокомпьютеры: разработка, применение.– 2008.– № 5-6.– С. 4-17.– URL: http://neurones.ru/articles-article64.html 250. Савельев А.В. Тёмная сторона силы или субъективность в эпистемологии // Философия науки. – 2010. – №3(46). – С. 3-22. 251. Савельев А.В. Общество как глобальный нейрокомпьютер. Society as a Global Neyrocomputer // В материалах VI Российского философского конгресса. – Нижний Новгород. – 2012. – Т.3. – С. 142. 252. Савельев А.В. Нейросоциометодология проблемы диалога между нейробиологией и нейромоделированием // Нейрокомпьютеры: разработка, применение. – 2011. – №1. – С. 47-63. – URL: http://www.radiotec.ru/catalog.php?cat=jr7&itm=2011-1 253. Савельев А.В. Рецензия на обзор С. Кернбаха «Высокопроникающее» излучение на Западе. Краткий обзор глазами инженера. Часть 2» // ЖФНН. – 2014. – №6. – С. 104­108. – URL: http://www.unconv­ science.org/pdf/6/saveliev2­ru.pdf 254. Савельев А.В. Системотехника в контексте нейрокомпьютинга / Выпуск под ред. Е.В. Лосевой, А.В. Савельева // Нейрокомпьютеры: разработка, применение. – 2015. – №11. – С. 15­27. 255. Савельев А.В. Эпистемология самопознания в нейрокомпьютерной парадигме // Философия науки. – 2007. № 3 (34). – С. 41-59. – URL: http://www.sciteclibrary.ru/rus/catalog/pages/10237.html, 9.03.2010. 256. Савельев А.В. Метафорическая онтология нейрокомпьютерных технологий как социо-технологической стратегии // В материалах IV российского философского конгресса. – М.: МГУ, 2005. – Т. 1. – С. 740-742. 257. Савельев А.В. Расширение понятия нейрокомпьютера и нейрокомпьютинга // Нейрокомпьютеры: разработка, применение. – 2013. – № 7. – С. 58-68. – URL: http://www.radiotec.ru/catalog.php?cat=jr7&itm=2013-7. 258. Савельев А.В. Нейроатомный проект и нейрокомпьютинг / Выпуск под ред. Е.В. Лосевой, А.В. Савельева // Нейрокомпьютеры: разработка, применение. – 2015. – № 4. – С. 69­70.– http://www.radiotec.ru/catalog.php? cat=jr7&itm=2015­4 . 259. Савельев А.В. Трудной проблемы сознания – нет! / 150 лет «Рефлексам головного мозга // Сборник научных трудов юбилейного симпозиума, посвящённого изданию статьи И.М. Сеченова / Отв. редакторы: А.Ю. Алексеев, Ю.Ю. Петрунин, А.В. Савельев, Е.А. Янковская / Тех. редактор А.В. Савельев. – Издательство М.: «ИИнтелл». – 2014. – С. 204-219. – 432 c.: ил.; 21 см. – ISBN 978-5-98956-006-6. – URL: http://www.aintell.info/elib/17.pdf 151 260. Савельев А.В. Нейрокомпьютеры и общество // Нейрокомпьютеры: разработка, применение. – 2015. – №7. – С. 35­43. – URL: http://www.radiotec.ru/catalog.php?cat=jr7&itm=2015­7 . http://www.radiotec.ru/catalog.php? cat=jr7&art=16659 . 261. Савельев А.В. Цифровой нейроинтерфейс // Нейрокомпьютеры: разработка, применение. – 2015. – №11. – С. 41­55. – URL: http://www.radiotec.ru/catalog.php?cat=jr7&art=17055 262. Садовский В.Н. К целостной концепции искусственного интеллекта // Сб. Трудов ВНИИСИ, 1991. – Т. 8. – С. 4-5. 263. Самнер У. Протекционизм, или теория происхождения богатства от непроизводительного труда // В кн.: Самнер У., Новиков Я. А. Заблуждения протекционизма. – М., Челябинск: Социум, Экономика, 2002. 264. Свидерская Н. Е., Агаронов В. Р., Королькова Т. А. Пространственная организация электрических процессов коры головного мозга при патологическом влечении к алкоголю // ЖВНД. – 1996. – Т. 46. – Вып. 6. – С. 9991007. 265. Сергин А.В., Сергин В.Я. Иерархия объемлющих характеристик как ключевой аппарат субъективного восприятия // Нейрокомпьютеры: разработка, применение. – 2013. – №2. – С.20-29. 266. Сергин В.Я., Лосева Е.В., Савельев А.В. Научная школа «Психофизиология и нейрокомпьютинг сенсорных систем» ИМПБ РАН / Выпуск под ред. В.Я. Сергина, Е.В. Лосевой, А.В. Савельева // Нейрокомпьютеры: разработка, применение. – 2015. – №11. – С. 5­7. – http://www.radiotec.ru/catalog.php?cat=jr7&art=17048 267. Серл Дж. Сознание, мозг и программы // Аналитическая философия: становление и развитие. – М., 1998. – С. 376-399. 268. Сеченов И. М. Избранные философские и психологические произведения. – М.; Госполитиздат, 1947. – 648 с. 269. Симкин Г. Н. Запечатление и модификационные формы поведения животных // Зоологический журнал. –1973,. –Т. LII. –Вып. 10. –С. 1437-1450. 270. Симкин Г. Н. Атомы поведения, или этология культуры // Человек. –1990. –№ 2. –С. 17-30. 271. Симкин Г. Н. Ефремов И. А.: фантастика, философия, жизнь // доклад на конференции, посвящённой 90летию со дня рождения И. А. Ефремова. –окт. 1998. 272. Симкин Г.Н. Осознание бессознательного // Человек. –2005. – № 1. –С 37-54. 273. Соколов Е. Н. Восприятие и условный рефлекс. — М.: Изд-во Моск. ун-та, 1958. –330 с. Англ. перевод: Sokolov E.N. Perception and the Conditioned Reflex. — Oxford: Pergamon Press, 1963. –350 p. 274. Соколов Е. Н., Вайткявичюс Г. Г. Нейроинтеллект: от нейрона к нейрокомпьютерам. –М.: Наука, 1989. –С. 5152. – 237 с. 275. Соколов Е.Н., Шмелев Л.А. Нейробионика. – М.: Наука, 1986. – 195 с. 276. Сотников О.С., Панин А.И., Праздникова В.П. Исследование с помощью математического моделирования морфофизиологических соотношений реактивных изменений живых нейронов // Архив анатомии. – М., 1984. – Т. 86. – Вып. 1. – С. 5-27. 277. Справочник по теории автоматического управления. Под ред А. А. Красовского. – М.: Наука, 1987. – С. 27-36. 278. Субботин С.А. Нейрокибернетика в СССР – СНГ: аналитический обзор изобретений и патентов // в сб. IV Всероссийской НТК «Нейроинформатика-2002». – М.: МИФИ, 2002. – Ч. 1. – С. 52. 279. Судаков К.В. Голографический принцип системной организации процессов жизнедеятельности // УФН. – 1997. – Т. 28. – Вып. 4. – С. 3-32. 280. Стати М.П. Вера и знание в системах с искусственным интеллектом. – Дисс. к.ф.н., 09.00.01. – М.: МГУ, 1994. 281. Степанян И.В. Применение нейросетевых технологий в физиологии, медицине труда и экологии человека / И.В. Степанян, Э.И. Денисов // Вестник Тверского гос. ун-та. Сер. Биология и экология. – 2011. – Вып. 23. – № 20. – С. 37-47. – ISSN1995-0160. – URL: http://www.bio.tversu.ru/nauka/vestnik_nomera.htm . 282. Степанян И.В. Нейросетевые алгоритмы распознавания данных акустической спирометрии (метод диагностики бронхо-легочной профессиональной патологии). – Монография LAP LAMBERT Academic Publishing GmbH & Co.: Saarbrücken, Germany. – 2011. – 200 с. – ISBN: 978-3-8473-2767-7. 152 283. Степанян И.В., Явелов И.С., Савельев А.В., О Хан До, Свирин В.И., Плешаков К.В. Фазоимпульсный анализ пульсовой волны и биопотенциалов мозга человека. // Биомедицинская радиоэлектроника– 2015. – №4. – C. 81­ 83. ВАК, РИНЦ, Web of Science. – URL: http://www.radiotec.ru/catalog.php?cat=jr6&art=16412 284. Степанян И.В. Гиперболические матрионы в нейрокибернетике, биомеханике и биоинформатике // Нейрокомпьютеры: разработка, применение. – 2015. – №5. – C. 57­68. – URL: http://www.radiotec.ru/catalog.php? cat=jr7&art=16315 . 285. Степанян И.В., О Хан До, Свирин В.И., Плешаков К.В., Савельев А.В. Концепция биологически инспирированного многомерного гиперкомплексного анализа данных биоинформатики и биомеханики // Нейрокомпьютеры: разработка, применение. – 2015. – №4 – C. 75­77. URL: http://www.radiotec.ru/catalog.php? cat=jr7&art=16382 286. Степанян И.В., Лосева Е.В., Савельев А.В. Научная школа ИМАШ РАН: Нейронаука и нейрокомпьютинг для биоинформатики и психофизиологии / Выпуск под ред. И.В. Степаняна, Е.В. Лосевой, А.В. Савельева // Нейрокомпьютеры: разработка, применение. – 2015. – № 7. С. 3­5. – URL: http://www.radiotec.ru/catalog.php? cat=jr7&itm=2015­7 http://www.radiotec.ru/catalog.php?cat=jr7&art=16654 287. Степанян И.В. Предложения и замечания по развитию рынка «НейроНет»» // Нейрокомпьютеры: разработка, применение. – 2016. – № 2. – С. 81-83. 288. Стикс Г. Электронные считыватели чеков // В мире науки. – 1992. – № 9-10. – С. 134-135. 289. Стратонович Р.Л. Избранные вопросы теории флюктуаций в радиотехнике. – М.: Сов. Радио. 1961. – 558 с. 290. Тараканов А. О. Математические модели биомолекулярной обработки информации: формальный пептид вместо формального нейрона // Пробл. информатизации. – 1998. – № 1. – С. 46. 291. Тархов Д. А. Нейросетевые модели и алгоритмы. – М: Издательство «Радиотехника», 2014. – 352 с. – ISBN 978-5-88070-376-0. 292. Тейяр-де-Шарден П. Феномен человека. – М.: Наука, 1987. – 296 с. 293. Уёмов А.И. Системы и системные параметры // Проблемы формального анализа систем. – М., 1968. – 272 c. 294. Умрюхин Е.А. Системные механизмы подсознательной деятельности человека // Вестник АМН СССР. –1982. – № 2. – С. 88-95. 295. Умрюхин Е.А. Анализ решения сложных задач – интеллектуальная результативная деятельность человека // Биомедицинская радиоэлектроника. – 2015. – №4. – С. 92­93. – URL: http://www.radiotec.ru/catalog.php? cat=jr6&itm=2015­4 296. Умрюхин Е.А. Применение компьютерной модели системной деятельности мозга для оценки интеллектуальных способностей человека // Биомедицинская радиоэлектроника. – 2015. – №6 . – С. 40­48. — URL: www.radiotec.ru/catalog.php?cat=jr6&itm=2015­6 297. Умрюхин Е.А. Модель системной деятельности мозга в роли осознаваемых и неосознаваемых процессов интеллектуальной деятельности человека при решении новых сложных задач // Нейрокомпьютеры: разработка, применение. – 2015. – №8. – URL: http://www.radiotec.ru/catalog.php?cat=jr7&art=16830 298. Умрюхин Е.А. Научная школа «Нейронаука: от системной деятельности мозга к нейрокомпьютингу» Научно­ исследовательского института нормальной физиологии им. П.К. Анохина» / Выпуск под ред. чл.­корр. РАН Е.А. Умрюхина // Нейрокомпьютеры: разработка, применение. – 2015. – №8. – С. 5­7. — URL: http://www.radiotec.ru/catalog.php?cat=jr7&art=16831 299. Умрюхин А.Е. Антитела к нейромедиаторам в нейрохимических механизмах поведения и психоэмоционального стресса // Прикладные информационные аспекты медицины. — 2015. — Т. 18. — № 1. — С. 190-198. 300. Умрюхин А.Е. Нейромедиаторные гиппокампальные механизмы стрессорного поведения и реакций избегания // Вестник новых медицинских технологий. — Электронное издание. — 2013. — № 1. — С. 55. 301. Умрюхин А.Е. Антитела к нейромедиаторам в механизмах стрессорных поведенческих реакций. – диссертация д.мед. н. – 03.03.01. – ГУ Научно­исследовательский институт нормальной физиологии РАМН. – Москва, 2013. 302. Умрюхин П.Е. Дельта-сон индуцирующий пептид: экспрессия ранних генов и активность нейронов гипоталамуса / Коплик Е.В., Терехина О.Л., Михалева И.И., Судаков К.В. // Новые лекарственные препараты. – М. 2007. – №3. – С.72-79. 153 303. Умрюхин П.Е., Григорчук О.С. Изменение паттернов активности нейронов дорсального гиппокампа в условиях стимуляции мотивациогенных структур: эффекты пептида дельта-сна // Нейрокомпьютеры: разработка, применение. Научные достижения – спец. выпуск «Нейрокомпьютеры и общество». – 2013. – № 7. – С. 45­51 – URL: http://www.radiotec.ru/catalog.php? cat=jr7&itm=2013-7 . 304. Урманцев Ю.А. Поли- и изоморфизм в живой и неживой природе // Вопросы философии. – 1968. – №12. – С. 77-88. 305. Урсул А. Д. Путь в ноосферу: концепция выживания и устойчивого развития цивилизации. – М., 1993– 231 с. – ISBN 978­5­94839­248­6. 306. Ухтомский А. А. Избранные труды. Серия «Классики науки». – Л.: Наука, 1978. – 360 с. 307. Уэбстер Ф. Теория информационного общества. – М. Аспект Пресс, 2004. ­ 400 с. – ISBN 5­7567­0342­Х, 0­ 415­28201­2. 308. Федер E. Фракталы. – М.: Мир, 1991. – 261 с. – ISBN: 5-03-001712-7. 309. Фейербах Л. Принципы материалистической теории познания. М., 1923. – 210 с. 310. Философия техники. История и современность. Розин В. М., Алексеева И. Ю. и др. – М.: ИФРАН, 1997. – С. 38-41, 187-190. – 283 с.. – ISBN: 5-201-01931-5. 311. Философская энциклопедия в 5-ти тт. Гл. ред. Константинов Ф.В. – М.: Сов. Энциклопедия, 1960-1970. – Т. 1. – Т. 5. 312. Фихте И.Г. Сочинения: В 2-х томах. – СПб., 1993. – Т.1. – 798 с. – ISBN: 5­86457­003­6. 313. Фултон А. Цитоскелет. Архитектура и хореография клетки. – М.: Мир, 1987. – 118 с. 314.Функциональные системы организма: руководство.П/р К. В. Судакова. – М. Медицина, 1987. – 432 с. 315.Хайдеггер М. Бытиё и время. – Харьков: Фолио, 2003. — 503, [9] с. — (Philosophy). 966-03-1594-5. 316. Хайдеггер М. Вопрос о технике // В кн.: Хайдеггер М. Время и бытиё. Статьи и выступления / пер. с англ. Бибихина В. В., сер. «Мыслители ХХ века», М.: Республика, 1993. 317. Хайдеггер М. Письмо о гуманизме // В кн.: Хайдеггер М. Время и бытиё: статьи и выступления / пер. с англ. Бибихина В. В. – М. : Республика, 1993. – 447 с. – (Мыслители ХХ века). – ISBN 5-250-01496-8. 318. Хайдеггер М. Преодоление метафизики // В кн.: Хайдеггер М. Хайдеггер М. Время и бытиё. Статьи и выступления / пер. с англ. Бибихина В. В. – М. : Республика, 1993. – 447 с. – (Мыслители ХХ века). – ISBN 5250-01496-8. 319. Хайдеггер М. Пролегомены к истории понятия времени. – Томск, 1999. – 384 c. – ISBN: 5-7137-0102-6. 320. Хакен Г. Информация и самоорганизация. – М.: Мир, 1991. – 240 с. 321. Хайкин С. Нейронные сети: полный курс, 2-е издание. : Пер. с англ. М. : Издательский дом “Вильямс”, 2006. 1104 с. ISBN 5-8459-0890-6. 322. Цыганков В. Д. Нейрокомпьютер и его применение. – М.: СолСистем, 1993. – 117 с. – ISBN 5-85316-005-2. 323. Цыганков В. Д. Мораль мозга беспилотных аппаратов и военных роботов // Нейрокомпьютеры: разработка и применение. – 2015. – № 8. – С. 40-51. – URL: http://www.radiotec.ru/catalog.php?cat=jr7&art=16836 324. Цыганков В. Д. Нейрокомпьютерная модель онтогенеза интеллекта ребенка от 0 до 15 лет // Нейрокомпьютеры: разработка и применение. – 2016. – № 4. – С. 20-31. 325. Чаттерджи С., Датта Д. Индийская философия. – М.: Селена,1994. – C. 122. – 416 с. 326. Чебышёв П.Л. Теория сравнений. СПб., 1849. – URL: http://books.google.ru/books? id=Sv7uAAAAMAAJ&pg=PP5 327. Чебышёв П. Л. Полное собрание сочинений. М., 1944­1951 / Т. 4: Теория механизмов. 1948. 255 с. – URL: http://nasledie.enip.ras.ru/ras/view/publication/general.html?id=45188031 328. Черниговская Т.В. Свобода воли и нейроэтика / В кн.: Почему наш мир таков, каков он есть. Природа. Человек. Общество [сборник] / сост. А. Алексенко. М.: СORPUS. АСТ: C Сноб. 2015. — С.41-59. — 216 с. — ISBN 978-5-17-089562-5. 154 329. Чечкин, А.В.; Савельев, А.В. Нейрокомпьютеры в 2012 году: новая парадигма // Нейрокомпьютеры: разработка, применение. – Москва. – Радиотехника. – 2012. – №12. – С. 69-76. – URL: http://www.radiotec.ru/catalog.php? cat=jr7&itm=2012-12 . 330. Чечкин А.В., Савельев А.В. Нейрокомпьютеры – новая концепция журнала // Нейрокомпьютеры: разработка, применение. – 2015. – №5. – С. 3­6. – URL: http://www.radiotec.ru/catalog.php?cat=jr7&art=16316 331. Шевяков Г. С. О неокортексе и человеке // Философские науки. – 2002. – № 2. – С. 106-117. 332. Шеннон К. Работы по теории информации и кибернетике. – М., 1963. – 832 с. 333. Шерман Д.М. «За» и «против» гипотезы о межимпульсном интервальном кодировании информации в нервной системе // Журнал высшей нервной деятельности. – 1997. – Т. 47. – № 1. – С. 170-175. 334. Шилков Ю. М. Дисциплинарный образ современной науки // Философия науки. – 2002. – № 4(15). – С. 3-20. 335. Широков Ф. Тест «Укиё-э». – URL: http://www.osp.ru/school/1999/03/09.htm. 336. Шпет Г. Г. Философские этюды. Сознание и его собственник (Заметки). – М., 1994. – 376 с.. – ISBN: 5-01004252-5 / 5010042525. 337. Щуцкий Ю. К. Китайская классическая «Книга Перемен». – М.: Наука, 1993. – 629 с. – ISBN: 5-02-017385-1. 338. Эйген М. Самоорганизация материи и эволюция биологических макромолекул. – М.: Мир, 1973. – 224 с. 339. Эйнштейн А. Собр. научных трудов. – М. Наука. – 1967. – Т. 4. – С. 184. 340. Экклз Дж. Физиология синапсов. – М.: Мир, 1966. – 396 c. 341. Энгельс Ф.Ф. Анти-Дюринг. – М: Политиздат, 1948. – 376 с. 342. Энгельс Ф.Ф. Диалектика природы. – М: Партийное издательство, 1933. – 304 с. 343. Эндрю А. Искусственный интеллект. – М.: Мир, 1985. – С. 18-32. – 264 С. 344. Энциклопедия кибернетики. – Киев: Гл. ред. УСЭ, 1975. – Т. 1. – С. 24-25. – Т. 2. – С. 444-446. 345. Югай Г. А. Общая теория жизни (Диалектика формирования). – М. Мысль, 1985. – 256 с.. – ISBN: 200001309210. 346. Юм Д. О человеческой природе. – Азбука, 2001. – 315 с. – ISBN 5­267­00438­3. 347. Янковская, Е.А. Некоторые аспекты онтологии живых систем // Биомедицинская радиоэлектроника. – Москва. – Радиотехника. – 2014. – № 4. – С. 86­88. – ISSN1560­4136. – http://www.radiotec.ru/catalog.php? cat=jr6&itm=2014­4 348. Янковская Е.А. Сложность структуры нейрона как препятствие к моделированию когнитивных процессов // Рецензируемый журнал ВАК, РИНЦ Нейрокомпьютеры: разработка и применение. – 2014. – №4. – С. 67­68 .http://www.radiotec.ru/catalog.php?cat=jr7&art=14525 . 349. Abhisamayālamkara – Prajňāpāramita Upadesa Sastra // Biblioteca Buddhica. – Leningrad, 1930. – V. 23. 350. Adami C., Belew R., Kitano H., Taylor C. «Artificial Life VI». – Cambridge: MIT Press, 1998. – 505 p. 351. Adorno Th.W. Kritik; kleine Schriften zur Gesellschaft. – Fr.a.M., 1971. 352. Aebersold M. J. et al. «Brains on a chip»: towards engineered neural networks // TrAC Trends in Analytical Chemistry. – 2016. 353. Agnati L. F., Zoli M., Stromberg I., Fuxe K. Intercellular communication in the brain: Wiring versus volume transmission // Neuroscience. – 1995. – V. 69. – P. 711-726. 354. Almási A. D. et al. Review of advances in neural networks: Neural design technology stack // Neurocomputing. – 2016. – Т. 174. – С. 31-41. 355. Anderson J. A. Neurocomputing. – MIT press, 1993. – Т. 2. – ISBN 9780262510752. 732 p. 356. Baldomero E. B., Lázaro J. From neurosciences to philosophy of mind // Cortex. – 2007. – V. 43. – №8. – P. 10951096. 357. Başar E., Güntekin B. A breakthrough in neuroscience needs a Nebulous Cartesian System: Oscillations, quantum 155 dynamics and chaos in the brain and vegetative system // International Journal of Psychophysiology. – 17 October 2006 // International Journal of Psychophysiology. – 2007. – V. 64. – № 1. – P. 108-122. – URL: http://www.sciencedirect.com/science?_ob=ArticleURL&_udi=B6T3M-4M4KJYN- . 358. Başar E., Karakaş S. Neuroscience is awaiting for a breakthrough: An essay bridging the concepts of Descartes, Einstein, Heisenberg, Hebb and Hayek with the explanatory formulations // International Journal of Psychophysiology. – 2006. – V. 60. – № 2. – P. 194-201. 359. Başar E., Düzgün A. The CLAIR model: extension of Brodmann's areas based on brain oscillations and connectivity // International Journal of Psychophysiology. – 2015. 360. Beaulieu A. From brainbank to database: the informational turn in the study of the brain // Studies in History and Philosophy of Science Part C: Studies in History and Philosophy of Biological and Biomedical Sciences. – 2004. – V. 35. – № 2. – P. 367-390. 361. von Bertalanffy L. An outline of general system theory // British Journal for the Philosophy of Science. – 1950.– V. 1. – P. 134-165. – URL: http://dx.doi.org/10.1093/bjps/I.2.134 362. Bertalanffy L. von General Systems Theory. – N.Y., 1968. 363. Bishop C. M. Neural Networks for Pattern Recognition. – Oxford Clarendon Press, 1995. – 482 p. – ISBN 0198538642, 9780198538646. 364. Blackmore S. Consciousness: An Introduction. – Oxford, 2004 (1 st ed. 2003). – P. 78–92. Blackmore S. Out-of-Body Experiences are not Evidence for Survival. – 2015. 365. Block N., Stalnaker R. Conceptual analysis, dualism and the explanatory gap // Philosopy of Mind: Classical and Contemporary Readings. – Oxford Univ. Press, 2002. – P. 382-397. 366. Bogdanov A.A. Allgemeine Organisationslehre (Tektologie). Bd.1, 2. – Berlin: Hirzel, 1926, 1928. 367. Braithwaite R.B. Scientific Explanation. A Study of the Function of Theory, Probability and Law in Science. – Cambridge, 1953. – 369 p. 368. Bringsjord S. et al. Real robots that pass human tests of self-consciousness // Robot and Human Interactive Communication (ROMAN), 2015. – 24th IEEE International Symposium on. – IEEE, 2015. – P. 498-504. 369. Brouwer L.E.J. Philosophy and Foundation of Mathematics // Brouwer L.E.J. Collected Works. V. 1. – Amsterdam, Oxford, N. Y.: 1975. 370. Buzsáki G. Hippocampal sharp wave­ripple: A cognitive biomarker for episodic memory and planning // Hippocampus. – 2015. – 25. – P. 1073–1188. – doi: 10.1002/hipo.22488. – URL: http://onlinelibrary.wiley.com/doi/10.1002/hipo.22488/full 371. Интервью с Юрием Бужаки. – URL: http://www.neuroscience.ru/articles//публикации/87129­интервью­с­юрием­ бужаки 372. Butz M. V. Anticipatory Learning Classifier Systems. Foundations, Theories, and Systems Book Series Lecture Notes in Computer Science (LNCS). – Springer Berlin / Heidelberg, 2002. 373. Butz M.V. Learning classifier systems // Springer Handbook of Computational Intelligence. – Springer Berlin Heidelberg, 2015. – С. 961-981. 374. Calarge C., Andreasen N. C., O’Leary D. S. Visualizing how one brain understands another: a PET study of theory of mind // American Journal of Psychiatry. – 2015. – V. 160. – №11. – 2003. – P. 1954-1964. 375. Carruthers P. The fragmentation of reasoning / P. Quintanilla, C. Mantilla, P. Cépeda (eds.), Cognición social y lenguaje. La intersubjetividad en la evolución de la especie y en el desarrollo del niño. – Lima: Pontificia Universidad Católica del Perú, 2014. – ISBN: 978­612­4146­80­0. 376. Chalmers D.J. Panpsychism and panprotopsychism / T. Alter,Y. Nagasawa (ed.) Consciousness in the Physical World: Perspectives on Russellian Monism. — Oxford University Press. 2014. – P. 247-299. – 472 p. 377. Chudler E. H., Bergsman K. C. Brains–Computers–Machines: Neural Engineering in Science Classrooms //CBE-Life Sciences Education. – 2016. – Т. 15. – №. 1. – С. fe1. 378. Churchland P.S. Neurophilosophy http://www.twirpx.com/file/895124/ at Work. University of California. San Diego. 2008. – URL: 379. Chomsky N. Minimal recursion: exploring the prospects //Recursion: Complexity in Cognition. – Springer 156 International Publishing, 2014. – С. 1-15. 380. Churchland P. S. Braintrust: What neuroscience tells us about morality. – Princeton University Press, 2011. Churchland P. M. Matter and consciousness. – MIT press, 2013. – 300 p. 381. Churchland P., Sejnowski T. J. Grundlagen zur Neuroinformatik und Neurobiologie: the computational brain in deutscher Sprache. – Springer-Verlag, 2013. 382. Cichy R. M. et al. Deep Neural Networks predict Hierarchical Spatio-temporal Cortical Dynamics of Human Visual Object Recognition // arXiv preprint arXiv:1601.02970. – 2016. 383. Crivellato E., Ribatti D. Soul, mind, brain: Greek philosophy and the birth of neuroscience // Brain Research Bulletin. – 2007. – V. 71. – № 4. – P.327-336. 384. Dehaene S. Consciousness and the brain: Deciphering how the brain codes our thoughts. – Penguin, 2014. – 352 p. 385. Dennett D. C. Consciousness cannot be separated from function //Trends in cognitive sciences. – 2011. – Т. 15. – №. 8. – С. 358364. 386. Dennet D. Contenido y conciencia. – Editorial GEDISA, 2014. – 257 p. 387. Dietrich A. Functional neuroanatomy of altered states of consciousness: The transient hypofrontality hypothesis // Consciousness and Cognition. – 2003. – V. 12. – №2. – P. 231-256. 388. Digital soul: intelligent machines and human values (Book). Choice: Current Reviews for Academic Libraries. – Sep. – 2003. – V. 41. – № 1. – P. 185-192. 389. Dretske F. Machines and the Mental // The American Philosophical Association Centennial Series. – 2013. – С. 359371. 390. Fodor J. The Linguistic Description of Opaque Contexts (RLE Linguistics A: General Linguistics). – Routledge, 2014. – 384 p. 391. Freyer H. Soziologie als Wirklichkeitswissenschaft: Logische Grundlegung des Systems der Soziologie. Lpz., Berlin, 1930. 392. Gallagher S., Zahavi D. The phenomenological mind. – Routledge, 2013. – 288 p. 393. Gawel R. Neuromorphic Engineers Craft Brain-Like Circuitry to Perform Perceptual Tasks // «Electronic Design», 2000. – V.48. – № 15. 394. Gödel K. Über formal unentscheidbare Sätze der Principia Mathematica und verwandter Systeme // I. Monatshefte für Mathematik und Physik. – 1938. – P. 173­98. 395. Gall J. G. Chromosome structure and the C­value paradox // J. Cell. Biol. – 1999. – V. 91. – P. 3­14. 396. Good H.H., Machol R.E. System Engineering / An Introduction to the Desighn of Large-Scale Systems. New York, Toronto, etc. – Mc-Graw-Hill Book Co. 1957. 397. Von Glasersfeld E. Radical constructivism. – Routledge, 2013. – 232 p. 398. Von Glasersfeld E. Wissen, Sprache und Wirklichkeit: Arbeiten zum radikalen Konstruktivismus. – Springer-Verlag, 2013. – Т. 24. – 315 p. 399. Golgi C. Opera omnia. – Milano, Hoepli, 1903. – 1563 p. 400. Govindarajulu N. S., Bringsjord S. Ethical regulation of robots must be embedded in their operating systems // A Construction Manual for Robots' Ethical Systems. – Springer International Publishing, 2015. – P. 85-99. 401. Güntekin B., Başar E. Review of evoked and event-related delta responses in the human brain // International Journal of Psychophysiology. – 2015. 402. Habermas J. Technik und Wissenschaft als Ideologie. – Fr.a.M., 1969. 403. Habermas J. Theory of Communicative Acts. – Boston, 1987. – P. 387. 404. Habermas J. Theorie des kommunikativen Handelns. Bd. 1-2. – Fr./M., 1981. 405. Habermas J. Theorie des kommunikativen Handelns. Bd. 1-2. Fr./M., 1981.Habermas J. The future of human nature. – John Wiley & Sons, 2014. – 136 p. 406. Harrow J. et al. GENCODE: the reference human genome annotation for The ENCODE Project //Genome research. – 2012. – Т. 22. – №. 9. – С. 1760-1774. – URL: http://genome.cshlp.org/content/22/9/1760.short 157 407. Hesse M. Forces and Fields. – London, 1961. – p. 27. 408. Hodgkin A. L. The condition of the nervous impulse. – Liverpool University Press, 1964. – 125 с. 409. Jaegher H. De, Di Paolo E., Gallagher S. Can social interaction constitute social cognition? // Trends in cognitive sciences. – 2010. – Т. 14. – №. 10. – С. 441-447. 410. Jeram S. Computation may hinge on biological materials // Informatica. – 1987. – № 3. – P. 72-75. 411. Jenkner M., Müller B., Fromherz P. Interfacing a silicon chip to pairs of snail neurons connected by electrical synapses // Biol. Cybern. – 2001 Apr. – V. 84 (4). – P. 239-249. 412. Jones D. T. Prot. – № 2. – P. 195-202. 413. Kohonen T. Self-Organizing Maps. – Berlin-Heidelberg: Springer, 1997. – 217 p. – ISBN 978­3­642­97966­8; 978­3­540­62017­4. – DOI 10.1007/978­3­642­97966­8. 414. Kolesnikov A.A., Savelyev A.V. Philosophical principles of management by the special brain conditions // XXII International school and conference on computer aided design. – Crimea, Yalta-Gurzuff, 1995. – V. 1. – P. 242-243. 415. Kotarbi'nski T. Elementy teorii poznania, logiki formalnej i metodologii nauk. – Lwów, 1929. 416. Kuznetsov V.G. Introduction to the Publication of G.G. Shpet’s «A Work on Philosophy» // Russian Studies in Philosophy. – издательство M.E. Sharpe Inc. (United States). – V. 35. – № 4. – P. 39-42. 417. Kuznetsov V.G. Russian phenomenology, or the interrupted flight // Metaphilosophy — 2013. — V.44. — №. 1­2. — P. 32–36. — ISSN 0026­1068. — http://onlinelibrary.wiley.com/doi/10.1111/meta.12009/abstract 418. Lipmann R. P. An Introduction to Computing with Neural Nets. // IEEE ASSP Magazine. – Apr. 1987. – V. 4. – 2. – P. 4-22. 419. Lofgren L. Complexity of description of systems:a foundation study // Inter. J. of General Systems. – 1977. – V. 3. № 4. – P. 197-214. 420. Lomova J.J., Savelyev A.V. Pythagorean syndrome and numerical nature of information // в сб. тр. I Всесибир. Конгресса женщин-математиков. – Красноярск, 2000. – С. 123-124. 421. Mahowald M., Douglas R. A Silicon Neuron // Nature. – 19/26 Dec. 1991. – V. 354. – № 6354. – P. 515-518. 422. Machines Who Think: A Personal Inquiry Into the History and Prospects of Artificial Intelligence. 2nd ed. (Book). By: Cheung J.Y. // Choice: Current Reviews for Academic Libraries. – Oct2004. – V. 42. – №2. – P. 314-321. 423. Maturana H., Varela F. Autopoesis and Cognition: The Realisation of the Living. – Boston, 1980. – P. 213. 424. Maturana H. R. Erkennen: die Organisation und Verkörperung von Wirklichkeit: ausgewählte Arbeiten zur biologischen Epistemologie. – Springer-Verlag, 2013. 425. McCulloch W.S., Pitts W.H. A Logical Calculus of the Ideas Immanent in Nervous Activity – 1943. – № 5. – P. 115-133. // Bull. Math. Biophysics. 426. Mead C. A. Neural Hardware for Vision // Engineering and Science, v. L, n. 5, June 1987, P. 2-7. 427. ON INTELLIGENCE: How a New Understanding of the Brain Will Lead to the Creation of Truly Intelligent Machines (Book). // Science News. – 10/23/2004. – V. 166. – №17. – P. 271-281. 428. Our Molecular Future: How Nanotechnology, Robotics, Genetics, and Artificial Intelligence Will Transform Our World (Book) // Choice: Current Reviews for Academic Libraries. – Jan2003. – V. 40. – № 5. – P. 844-851. 429. Osborn M., Webster R., Weber K. J. Cell Biol. – 1978. – V. 77. – R27 – R34. 430. Quiroga R.Q., Reddy L., Kreiman G., Koch C., Fried I. Invariant visual representation by single neurons in the human brain //Nature. – 2005. – Т. 435. – №. 7045. – С. 1102-1107. 431. Ramón-y-Cajal S. Histologie du système merveux de l’homme et des vertébrés, t. 1-2l. – Paris, Maloine, 1909-1911. 432. Richardson J. S. The anatomy and taxonomy of protein structure // Adv. Protein Chem. – 1991. – V. 34. – P.167-339. 433. Riedl R. Die Spaltung des Weltfildes: Biol. Grundlagan des Erklerens und Verstehens. – B.: Hamburg: Parey, 1985. – 333 s. 434. Rizzolatti G., Fadiga L., Gallese V., & Fogassi L. Premotor cortex and the recognition of motor actions // Cognitive Brain Research. – 1996. – V. 3. – P. 131-141. 158 435. Rizzolatti G., Fadiga L., Fogassi L., Gallese V. From mirror neurons to imitation: Facts and speculations. The imitative mind Development, Evolution, and Brain Bases. Eds Meltzoff A., Prinz W. – Cambridge. – 2002. – P. 247­ 266. 436. Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain.// Psychological Review. – 1958. – V 65. – P. 386-408. 437. Rosenblueth A., Wiener N. Role of Models in Science // Philosophy of Science. – 1945. – V. 12. – №4. – P. 320. 438. Rueckert U. Brain-Inspired ArchitecturesBrain-Inspired Architectures for Nanoelectronics // CHIPS 2020 V. 2. – Springer International Publishing, 2016. – С. 249-274. 439. Sambursky S. The Physical World of the Greeks. – London, 1987. – P. 226. 440. Savelyev A. Stress and Functional System Theory // In: Proceeding of Second World Congress on Stress. Melbourne . – 1998. 441. Savelyev A. Mysterious Efficiency of Mathematics: Comprehension of Incomprehensible // the XX World Congress of Philosophy: Philosophy of Law. Paideia. – Boston, Massachusetts from August 10-15, 1998. – URL: http://www.bu.edu/wcp/ 442. Savelyev A.V. Geometry brain fine structure model // 24­й Всемирный математический конгресс. – Китай, Пекин. – 20–28 августа 2002. 443. Savelyev A.V. Mysterious Efficiency of Mathematics // International Congress of Mathematicians. – Madrid, Spain, 2005. – Section 17. 444. Savelyev A.V. Artificial Intellect, Neurocomputing and Some Human Brain Problems // paper in CSIT’2001 Proceedings. – Ufa, USATU, 2001. – V. 3. – P. 60-63. 445. Savelyev A.V. Geometry brain fine structure model // XXIV Wide World Mathemathical Congress. – China, Beijing. – 20–28. 08. 2002. 446. Savelyev A.V. Neuronic logic // Paper in CSIT’2003 Proceedings. – Ufa, USATU, 2003. – V. 3. – P. 57-64. 447. Simonov P.V. Brain Mechanisms of Emotion // Complex Brain Functions: Conceptual Advances in Russian Neuroscience London: Gordon and Breach Science Publishers. – 1999. – P. 113-127. 448. Stalnaker R. Modeling a Perspective on the World // About Oneself: De Se Thought and Communication. – 2015. – P. 121. 449. Stepanyan I. An example of the stochastic dynamics of a causal set / Alexey L. Krugly and Ivan V. Stepanian // arXiv: 1111.5474 [gr-qc]. – http://arxiv.org/abs/1111.5474 450. Strausteld N. Atlas of an Insect Brain. – N. Y.: Springer, 1976. 451. Synofzik M., Vosgerau G., Newen A. I move, therefore I am: A new theoretical framework to investigate agency and ownership // Consciousness and Cognition. – 2008. – V. 17. – 2. – P. 411-424. 452. Tempesti G. The Embryonics Project: a machine made of artificial cells // Riv. Biol. – 1999. – V. 92 (1). – P. 143-188. 453. The Artificial Intelligence Debate. False Starts, Real Foundations. Ed. by St. R. Graubard. – Cambridge, Mass., London: England; The Mit Press, 1988. 454. The Blue Brain Project EPFL. – URL: http://bluebrain.epfl.ch/ 455. The Brain // Scientific American. – 1979. – Sep. – 279 p. 456. Toshiyuki Nakagaki. Intelligent calculation method learned from the mysterious amoeba in slime molds -an example in network design. – URL: http://www.cris.hokudai.ac.jp/cris/en/research/ob/ob_innovative/nakagaki.html 2016. 457. Turing A.V. Computing Machinery and Intelligence // Mind. – Oxford. – 1950. – V.59. – P. 433-460. 458. Varela F.J., Dupuy J.P. (ed.). Understanding Origins: Contemporary Views on the Origins of Life, Mind and Society. – Springer Science & Business Media, 2013. – Т. 130. 459. Watanabe O., Idesawa M. Computational model for neural representation of multiple disparities // Neural networks. – 2003. – Т. 16. – №. 1. – P. 25-37. 460. Wei H., Zuo Q. A biologically inspired neurocomputing circuit for image representation // Neurocomputing. – 2015. – Т. 164. – С. 96-111. 159 461.Wu C.H., McLarty J.W. Neural Networks and Genome Informatics // Methods in Biology and Biochemistry. – Elsevier. 2000. – V. 1. 462. URL: http://www.kremlin.ru/acts/bank/33514 — ПРЕЗИДЕНТ РОССИИ. 463. URL: http://neurocomp.ru/ — компания «Neurocomp». 464. URL: http://neurox.intellect­labs.com/ — САПР «Neurox» компании «Интеллект». 465. URL: http://www.module.ru — ЗАО НТЦ «Модуль», лицензиат консорциумов HDMI® и DCP LLC® 466. URL: http://www.insys.ru — ЗАО «Инструментальные системы» . 467. URL: http://ieee-cis.org — IEEE Computational Intelligence Society. 468. URL: http://www.zyworld.com/gibb/Philosopher.htm – сайт мировых философских ресурсов. 469. URL: http://www.phenomenology.org/index.html – World Phenomenology Institute. 470. URL: http://www.apa.udel.edu – American Philosophy Association. 471. URL: http://www.bu.edu/library/ejournals – библиотека электронных журналов Бостонского университета. 472. URL: http://search.epnet.com – база данных международных публикаций EBSCO host, EBSCO Medline. 473. URL: http://www.sciencedirect.com – база данных международных публикаций издательства Elsevier. 474. URL: http://elsevierscience.ru/ – издательство Elsevier. 475. URL: http://www.allconferences.com – сайт информации о международных конференциях. 476. URL: http://cyber.woosuk.ac.kr – Neural Networks. 477. URL: http://wwns.org/ - Всемирное Нейронное Общество 478. URL: http://neurophilosophy.ru/ - сайт постоянного семинара «Нейрофилософия» на базе кафедры Философии и методологии науки Философского факультета МГУ им. М.В. Ломоносова
