Вычислительная теория разума Впервые опубликован Fri 16 октября 2015 г. Может ли машина думать? Может ли сам разум быть мыслительной машиной? Компьютерная революция изменила дискуссию по этим вопросам, предложив лучшие перспективы для машин, которые эмулируют мышление, принятие решений, решение проблем, восприятие, понимание языка и другие характерные умственные процессы. Достижения в области вычислений повышают вероятность того, что сам разум представляет собой вычислительную систему - позицию, известную как вычислительная теория ума (CTM). Вычислители - это исследователи, которые одобряют МТК, по крайней мере, в той степени, в какой они применимы к некоторым важным умственным процессам. CTM играл центральную роль в когнитивной науке в 1960-е и 1970-е годы. В течение многих лет он имел православный статус. Совсем недавно на нее оказали давление различные парадигмы соперничества. Ключевая задача, стоящая перед вычислителями, - объяснить, что означает, когда говоришь, что разум "вычисляет". Вторая задача состоит в том, чтобы утверждать, что разум "вычисляет" в соответствующем смысле. Третья задача - выяснить, как вычислительное описание соотносится с другими распространенными типами описания, особенно с нейрофизиологическим описанием (в котором цитируются нейрофизиологические свойства мозга или тела) и намеренным описанием (в котором цитируются репрезентативные свойства психических состояний). Переведено с помощью www.DeepL.com/Translator (бесплатная версия) 1. Тьюринговые машины 2. Искусственный интеллект 3. Классическая вычислительная теория ума. 3.1 Функциональность машины 3.2 Теория репрезентативности ума 4. Нейронные сети 4.1 Связь между нейронными сетями и классическими вычислениями 4.2 Аргументы в пользу связи с коммунизмом 4.3 Систематичность и производительность 4.4 Вычислительная неврология 5. Вычисления и представление 5.1 Формальные расчеты 5.2 Экстернализм в отношении ментального содержания 5.3 Вовлечение в процесс вычислений 6. Альтернативные концепции вычислений 6.1 Обработка информации 6.2 Оценка функций 6.3 Структурализм 6.4 Механистические теории 6.5 Плюрализм 7. Аргументы против вычислительной техники 7.1 Аргументы тривиальности 7.2 Теорема неполноценности Гёделя 7.3 Пределы расчетного моделирования 7.4 Временные аргументы 7.5 Воплощённое познание библиография Академические инструменты Другие интернет-ресурсы Соответствующие записи Переведено с помощью www.DeepL.com/Translator (бесплатная версия) 1. Тьюринговые машины Интуитивно понятные понятия вычислений и алгоритмов занимают центральное место в математике. Грубо говоря, алгоритм - это четкая, пошаговая процедура ответа на тот или иной вопрос или решения какой-либо проблемы. Алгоритм содержит рутинные механические инструкции, предписывающие, как действовать на каждом этапе. Выполнение инструкций не требует особой изобретательности и креативности. Например, знакомые алгоритмы начальной школы описывают, как вычислять сложение, умножение и деление. До начала двадцатого века математики опирались на неформальные понятия вычислений и алгоритмов, не пытаясь ничего подобного формальному анализу. Развитие основ математики в конечном счете подтолкнуло логиков к более систематическому подходу. В исторической статье Алана Туринга "О вычислительных числах, с применением к энцеидунгспроблеме" (Turing 1936) представлен анализ, оказавший наибольшее влияние. Тьюринговая машина - это абстрактная модель идеализированного вычислительного устройства с неограниченным временем и объемом памяти в распоряжении. Устройство манипулирует символами, подобно тому, как человеческий вычислительный агент манипулирует карандашом на бумаге во время арифметических вычислений. Туринг очень мало говорит о природе символов. Он предполагает, что примитивные символы берутся из конечного алфавита. Он также предполагает, что символы могут быть записаны или удалены в "местах памяти". Модель Туринга работает следующим образом: Существует бесконечно много мест памяти, объединенных в линейную структуру. Метафорически эти области памяти представляют собой "ячейки" на бесконечно длинной "бумажной ленте". Буквально, места памяти могут быть физически реализованы в различных средах (например, кремниевые чипы). Существует центральный процессор, который может получить доступ к одной области памяти за раз. Метафорически центральный процессор представляет собой "сканер", который перемещается по бумажной ленте по одной "ячейке" за раз. Центральный процессор может входить в конечное множество состояний станка. Центральный процессор может выполнять четыре элементарные операции: запись символа в область памяти; удаление символа из области памяти; доступ к следующей области памяти в линейном массиве ("перемещение вправо на ленту"); доступ к предыдущей области памяти в линейном массиве ("перемещение влево на ленту"). То, какую элементарную операцию выполняет центральный процессор, полностью зависит от двух факторов: какой символ в данный момент записан в память сканера; и текущее состояние самого сканера. Стол станка определяет, какую элементарную операцию выполняет центральный процессор, учитывая его текущее состояние станка и символ, к которому он имеет доступ в данный момент. Стол станка также определяет, как изменяется состояние центрального процессора при тех же самых факторах. Таким образом, таблица машин содержит конечный набор рутинных механических инструкций, регулирующих вычисления. Туринг трансформирует это неформальное описание в строгую математическую модель. Более подробную информацию см. в разделе "Машины Тьюринга". Тьюринг мотивирует свой подход, размышляя об идеализированных компьютерных агентах человека. Ссылаясь на конечные пределы нашего перцептивного и когнитивного аппарата, он утверждает, что любой символический алгоритм, выполненный человеком, может быть воспроизведен подходящей машиной Тьюринга. Он приходит к выводу, что формализм машины Тьюринга, несмотря на его исключительную простоту, достаточно силен, чтобы охватить все человечески реализуемые механические процедуры, а не символические конфигурации. Последующие участники дискуссии почти единодушно согласились с этим. Тюринговые вычисления часто описываются как цифровые, а не аналоговые. То, что это означает, не всегда так ясно, но основная идея обычно заключается в том, что вычисления работают над дискретными конфигурациями. Для сравнения, многие исторически важные алгоритмы работают в непрерывно изменяющихся конфигурациях. Например, эвклидовая геометрия отводит большую роль конструкциям линейки и компаса, которые манипулируют геометрическими формами. Для любой формы можно найти другую, которая отличается в произвольно малой степени. Символические конфигурации, управляемые машиной Тьюринга, не отличаются в произвольно малой степени. Тьюринговые машины работают по дискретным цепочкам элементов (цифр), взятых из конечного алфавита. Постоянно возникают споры по поводу того, подходит ли цифровая парадигма для моделирования умственной деятельности или же аналоговая парадигма будет более подходящей (MacLennan 2012; Piccinini and Bahar 2013). Наряду с внедрением машин Тьюринга, Тьюринг (1936) доказал несколько фундаментальных математических результатов с их использованием. В частности, он доказал существование универсальной машины Тьюринга (УТМ). Грубо говоря, UTM - это машина Тьюринга, которая может имитировать любую другую машину Тьюринга. Один из них предоставляет UTM символический вход, кодирующий стол станка для Тюринговой машины M. UTM воспроизводит поведение M, выполняя инструкции, закрепленные в таблице станков M. В этом смысле UTM является программируемым компьютером общего назначения. Для первого приближения, все персональные компьютеры также являются универсальными: они могут имитировать любую машину Тьюринга, если они запрограммированы соответствующим образом. Главное предостережение заключается в том, что физические компьютеры имеют ограниченную память, в то время как машина Тьюринга имеет неограниченную память. Точнее говоря, персональный компьютер может имитировать любую машину Тьюринга до тех пор, пока не исчерпает свой ограниченный объем памяти. Дискуссия Туринга помогла заложить основы компьютерной науки, целью которой является проектирование, создание и понимание компьютерных систем. Как мы знаем, компьютерщики теперь могут создавать чрезвычайно сложные вычислительные машины. Все эти машины реализуют нечто похожее на расчеты Тьюринга, хотя детали отличаются от упрощенной модели Тьюринга. 2. Искусственный интеллект Быстрый прогресс в компьютерных науках побудил многих, включая Туринг, задуматься о том, сможем ли мы создать компьютер, способный мыслить. Искусственный интеллект (ИИ) нацелен на создание "мыслительной машины". Точнее говоря, она нацелена на создание вычислительных машин, которые выполняют ключевые умственные задачи, такие как логика, принятие решений, решение проблем и т.д. В 1950-е и 1960-е годы эта цель стала казаться все более реалистичной (Haugeland 1985). Первые исследования ИИ подчеркивали важность логики. Исследователи стремились "механизировать" дедуктивное рассуждение. Известным примером является компьютерная программа теоретиков логики (Newell and Simon 1956), которая доказала 38 из первых 52 теорем от Principia Mathematica (Whitehead and Russell 1925). В одном случае, он обнаружил более простое доказательство, чем у Принсипи. Такой успех на ранних этапах вызвал огромный интерес как внутри академии, так и за ее пределами. Многие исследователи предсказывали, что интеллектуальные машины будут только через несколько лет. Очевидно, что эти прогнозы не были выполнены. Интеллектуальные роботы еще не ходят среди нас. Даже относительно низкоуровневые умственные процессы, такие как восприятие, значительно превосходят возможности современных компьютерных программ. Когда уверенные прогнозы в отношении мыслительных машин оказались слишком оптимистичными, многие наблюдатели потеряли интерес или пришли к выводу, что искусственный интеллект - это глупое поручение. Тем не менее в течение десятилетий наблюдался постепенный прогресс. Одним из поразительных успехов стал Deep Blue IBM, победивший в 1997 году чемпиона мира по шахматам Гари Каспарова. Другим крупным успехом стала беспилотная машина Stanley (Thrun, Montemerlo, Dahlkamp, et al. 2006), которая прошла 132-мильный курс обучения в пустыне Мохаве, выиграв в 2005 году конкурс Grand Challenge Агентства передовых оборонных исследовательских проектов (DARPA). Менее яркой историей успеха является значительное улучшение алгоритмов распознавания речи. Одной из проблем, с которой столкнулись на ранних этапах работы по искусственному интеллекту, является неопределенность. Почти все рассуждения и решения принимаются в условиях неопределенности. Например, вам может понадобиться решить, пойти ли на пикник, не зная, пойдет ли дождь. Байесовская теория принятия решений является стандартной математической моделью принятия решений в условиях неопределенности. Неопределенность кодифицируется через вероятность. Точные правила диктуют, как обновить вероятности в свете новых данных и как выбрать действия в свете вероятностей и утилит. (Подробнее см. статьи теоремы Байеса и нормативные теории рационального выбора: ожидаемая полезность). В 1980-е и 1990-е годы технологические и концептуальные разработки позволили создать эффективные компьютерные программы, реализующие или приближающие байесовские выводы в реалистичных сценариях. Затем произошел взрыв байесовского ИИ (Thrun, Burgard, and Fox 2006), включая вышеупомянутые достижения в распознавании речи и беспилотных транспортных средствах. Реализуемые алгоритмы, справляющиеся с неопределенностью, являются одним из главных достижений современного искусственного интеллекта и, возможно, предвестником более впечатляющего будущего прогресса. Некоторые философы настаивают на том, что компьютеры, какими бы сложными они ни были, в лучшем случае будут имитировать, а не воспроизводить мысли. Компьютерное моделирование погоды на самом деле не дождь. Компьютерное моделирование полета на самом деле не летает. Даже если компьютерная система может имитировать умственную деятельность, зачем подозревать, что она будет представлять собой подлинный предмет? Туринг (1950 г.) предвидел эти опасения и попытался их развеять. Он предложил сценарий, теперь называемый тестом Туринга, в котором оценивается, является ли невидимый собеседник компьютером или человеком. Компьютер проходит тест Тьюринга, если невозможно определить, является ли он компьютером. Туринг предложил отказаться от вопроса "Может ли компьютер думать?", как безнадежно расплывчатого, заменив его вопросом "Может ли компьютер пройти тест Туринга?". Обсуждению в Туринге уделяется значительное внимание, что особенно важно для МА. Нед Блок (1981) предлагает влиятельную критику. Он утверждает, что некоторые возможные машины проходят тест Тьюринга, даже если эти машины не близки к подлинному мышлению или интеллекту. См. запись теста Тьюринга для обсуждения возражений Блока и других вопросов, связанных с тестом Тьюринга. Более подробную информацию об искусственном интеллекте см. в логике входа и искусственном интеллекте. Более подробную информацию см. в публикации Расселл и Норвиг (2010). 3. Классическая вычислительная теория ума. Уоррен МакКаллок и Уолтер Питтс (1943) сначала предположили, что нечто похожее на машину Туринга, возможно, станет хорошей моделью для ума. В 1960-х годах вычисления Туринга стали центральным элементом развивающейся междисциплинарной инициативы в области когнитивной науки, которая исследует сознание, опираясь на психологию, информатику (особенно AI), лингвистику, философию, экономику (особенно теорию игр и поведенческую экономику), антропологию и нейронауку. Назовите классическую вычислительную теорию ума (сокращенно CCTM) теперь достаточно стандартной. Согласно CCTM, разум - это вычислительная система, схожая по значимости с машиной Тьюринга, а основные умственные процессы (например, мышление, принятие решений и решение проблем) - это вычисления, аналогичные в важных отношениях вычислениям, выполняемым машиной Тьюринга. Эти формулировки неточны. ССТМ лучше всего рассматривать как семейство представлений, а не как единое четко определенное представление [1]. Обычно CCTM описывают как воплощение "компьютерной метафоры". Это описание вдвойне вводит в заблуждение. Во-первых, CCTM лучше формулировать, описывая ум как "вычислительную систему" или "вычислительную систему", а не как "компьютер". Как отмечает Дэвид Чалмерс (David Chalmers, 2011), описание системы как "компьютера" настоятельно рекомендует программировать ее. Как отмечает Чалмерс, не стоит утверждать, что разум программируется просто потому, что его можно рассматривать как вычислительную систему в стиле Turing-style. Таким образом, фраза "компьютерная метафора" настойчиво наводит на мысль о теоретических обязательствах, которые несущественны для CCTM. Речь идет не только о терминологии. Критики CCTM часто возражают, что разум не является программируемым компьютером общего назначения (Churchland, Koch, and Sejnowski 1990). Поскольку классики вычислительной техники не должны утверждать (и обычно не утверждать), что разум является программируемым компьютером общего назначения, возражение неверно направлено. Во-вторых, ССТМ не предназначена метафорически. CCTM не просто утверждает, что разум похож на вычислительную систему. CCTM считает, что разум буквально компьютерная система. Конечно, наиболее известные искусственные вычислительные системы изготавливаются из кремниевых чипсов или аналогичных материалов, а человеческое тело - из плоти и крови. Однако, по мнению CCTM, это различие скрывает более фундаментальное сходство, которое мы можем зафиксировать с помощью компьютерной модели в стиле Turing-style. Предлагая такую модель, мы отстраняемся от физических деталей. Мы получаем абстрактное вычислительное описание, которое может быть физически реализовано различными способами (например, с помощью кремниевых чипов, нейронов или шкивов и рычагов). CCTM считает, что подходящая абстрактная вычислительная модель предлагает буквально верное описание основных психических процессов. Обычно CCTM резюмируют под лозунгом "разум - машина Тьюринга". Этот лозунг также несколько вводит в заблуждение, потому что никто не рассматривает точный формализм Туринга как правдоподобную модель умственной деятельности. Формализм кажется слишком ограничительным в нескольких отношениях: Тьюринговые машины выполняют чисто символические вычисления. Входы и выходы - это символы, записанные в области памяти. Напротив, разум получает сенсорный ввод (например, стимуляция сетчатки) и вырабатывает мощность двигателя (например, активация мышц). Полная теория должна описывать, как умственные вычисления взаимодействуют с сенсорными входами и выходами двигателя. Машина Тьюринга имеет бесконечный дискретный объем памяти. Обычные биологические системы обладают ограниченным объемом памяти. Правдоподобная психологическая модель должна заменить бесконечное хранилище памяти на большое, но ограниченное хранилище памяти. Современные компьютеры имеют память произвольного доступа: адресные области памяти, к которым центральный процессор имеет прямой доступ. Память Тьюринговой машины не может быть адресована. Центральный процессор может получить доступ к местоположению только путем последовательного доступа к промежуточным местоположениям. Вычисления без адресной памяти безнадежно неэффективны. По этой причине C.R. Gallistel и Adam King (2009) утверждают, что адресная память дает лучшую модель ума, чем неадресная память. Машина Тьюринга имеет центральный процессор, который работает последовательно, выполняя по одной команде за раз. Другие вычислительные формальности ослабляют это предположение, позволяя использовать несколько параллельно работающих вычислительных модулей. Классические вычислители могут допускать параллельные вычисления (Fodor and Pylyshyn 1988; Gallistel and King 2009: 174). Общие математические методы обработки, включающие как последовательные, так и параллельные вычисления, см. в работах Gandy (1980) и Sieg (2009). Тьюринговое вычисление является детерминированным: общее вычислительное состояние определяет последующее вычислительное состояние. Вместо этого можно было бы разрешить стохастические вычисления. В стохастической модели текущее состояние не диктует уникальное следующее состояние. Скорее, существует определенная вероятность того, что машина перейдет из одного состояния в другое. CCTM утверждает, что умственная активность - это "вычисления в поворотном стиле", допускающие эти и другие отклонения от собственного формализма Туринга. 3.1 Функциональность машины Хилари Патнэм (1967 г.) ввела CCTM в философию. Он противопоставлял свою позицию логическому поведению и теории тип-идентификации. Каждая позиция призвана раскрыть природу психических состояний, включая пропозиционные установки (например, убеждения), ощущения (например, боль) и эмоции (например, страх). Согласно логике бихевиоризма, психические состояния - это поведенческие диспозиции. Согласно теории тип-идентификация, психические состояния - это состояния мозга. Путнэм продвигает противоположный функционалистический взгляд, в котором психические состояния являются функциональными состояниями. Согласно функционализму, система имеет разум, когда она имеет подходящую функциональную организацию. Психические состояния - это состояния, которые играют соответствующую роль в функциональной организации системы. Каждое психическое состояние индивидуализировано по его взаимодействию с сенсорным входом, двигательной мощностью и другими психическими состояниями. Функциональность предлагает заметные преимущества по сравнению с логическим поведением и теорией тип-идентификации: Поведеники хотят ассоциировать каждое психическое состояние с характерной моделью поведения - безнадежная задача, потому что индивидуальные психические состояния обычно не имеют характерных поведенческих эффектов. Поведение почти всегда проистекает из различных психических состояний, действующих вместе (например, убеждения и желания). Функционализм позволяет избежать этой трудности путем индивидуализации психических состояний через характерные отношения не только к сенсорному вводу и поведению, но и друг к другу. Теоретики идентичности типа хотят связать каждое психическое состояние с характерным физическим или нейрофизиологическим состоянием. Путнэм ставит этот проект под сомнение, утверждая, что психические состояния можно умножить: одно и то же психическое состояние может быть реализовано различными физическими системами, включая не только наземных существ, но и гипотетических существ (например, марсианин на основе кремния). Функциональность специально разработана с учетом возможности многократной реализации. Согласно функционализму, для менталитета важна модель организации, которая может быть физически реализована самыми разными способами. Для дальнейшего обсуждения этого аргумента смотрите раздел "Реализация множественных записей". Путнэм защищает бренд функционализма, который сейчас называется функционализм машины. Он подчеркивает вероятностные автоматы, которые аналогичны машинам Тьюринга, за исключением того, что переходы между вычислительными состояниями являются стохастическими. Он предлагает, чтобы психическая деятельность осуществляла вероятностный автомат и чтобы определенные психические состояния были состоянием машины центрального процессора автомата. Таблица машин определяет соответствующую функциональную организацию, а также определяет роль, которую отдельные психические состояния играют в этой функциональной организации. Таким образом, Путнэм сочетает функционализм с CCTM. Функциональность машины сталкивается с рядом проблем. Одна из проблем, выделенная Недом Блоком и Джерри Фодором (1972), касается продуктивности мысли. Нормальный человек может иметь потенциальную бесконечность предложений. Функционализм машины идентифицирует психические состояния с состоянием машины вероятностного автомата. Поскольку существует лишь ограниченное количество состояний машины, не хватает состояний машины, чтобы связать одного человека с возможными психическими состояниями нормального человека. Конечно, реальный человек когда-либо будет рассматривать лишь ограниченное количество предложений. Однако Блок и Фодор утверждают, что это ограничение отражает ограничения на продолжительность жизни и память, а не (скажем) какой-то психологический закон, ограничивающий класс человечески приемлемых предложений. Вероятностный автомат наделен неограниченным временем и объемом памяти, но при этом имеет лишь ограниченное количество состояний машины. Очевидно, что функционализм машины смещает конечные пределы познания человека. Другая проблема функционализма машины, также выделенная в работе Block and Fodor (1972), касается систематичности мышления. Способность рассматривать одно предложение коррелирует со способностью мыслить по-другому. Например, кто-то, кто может принять мысль о том, что Иоанн любит Марию, может также принять мысль о том, что Мария любит Иоанна. Таким образом, между психическими состояниями, похоже, существуют систематические отношения. Хорошая теория должна отражать эти систематические отношения. Однако функционализм машины идентифицирует психические состояния с неструктурированными состояниями машины, которые не имеют необходимых систематических связей с другими. По этой причине функционализм машины не объясняет системность. В ответ на это возражение функционалисты могут отрицать, что они обязаны объяснять систематичность. Тем не менее, возражение предполагает, что функционализм машины пренебрегает существенными чертами человеческого менталитета. Лучшая теория могла бы принципиально объяснить эти особенности. Хотя возражения против функционализма машин в отношении производительности и системности, возможно, не имеют решающего значения, они придают мощный импульс для продвижения усовершенствованной версии CCTM. Дополнительные проблемы, с которыми сталкиваются функционализм и функционализм машины в целом, см. в работе Block (1978). 3.2 Теория репрезентативности ума Fodor (1975, 1981, 1987, 1990, 1994, 2008) выступает за вариант CCTM, который более удовлетворительно учитывает систематичность и производительность. Он переключает внимание на символы, которыми манипулируют при вычислениях в стиле Turing-стиле. Старый взгляд, восходящий, по крайней мере, к "Summa Logicae" Уильяма Окхама, утверждает, что мышление происходит на языке мысли (иногда называемом "ментальным"). Фодор оживляет этот вид. Он постулирует систему ментальных репрезентаций, включающую как примитивные представления, так и сложные представления, образованные из примитивных представлений. Например, примитивные ментальные слова JOHN, MARY и LOVES могут объединиться, чтобы сформировать предложение JOHN LOVES MARY. Ментализ - это композиция: значение сложного ментального выражения зависит от значений его частей и от того, как эти части сочетаются друг с другом. Позиционные установки - это отношение к ментальным символам. Фодор называет эту точку зрения теорией репрезентативности ума (RTM). Объединяя МРТМ с МНТМ, он утверждает, что умственная деятельность включает вычисления в стиле Turing-style над языком мышления. Психические вычисления хранят символы психики в памяти, манипулируя ими в соответствии с механическими правилами. Главным достоинством RTM является то, как легко он учитывает производительность и систематичность: Производительность: RTM постулирует конечный набор примитивных ментальных выражений, комбинируемых в потенциальную бесконечность сложных ментальных выражений. Мыслитель, имеющий доступ к примитивной психиатрической лексике и устройствам умственного синтеза, обладает потенциалом для развлечения бесконечного множества психических выражений. Поэтому у нее есть потенциал для создания бесконечно большого числа примеров позитивного отношения (без учета ограничений по времени и памяти). Систематичность: По мнению РТМ, существуют системные отношения, между которыми мыслитель может заняться пропозиционными установками. Например, предположим, я могу думать, что Джон любит Мэри. По мнению RTM, это связано с моей репутацией по отношению к психиатрическому предложению JOHN LOVES MARY, состоящему из ментальных слов JOHN, LOVES и MARY, объединенных в правильном ключе. Если у меня есть эта способность, то у меня также есть способность стоять по отношению R к определенному ментальному предложению Мария ЛОВЕС Джон, тем самым думая, что Мария любит Иоанна. Таким образом, способность думать о том, что Иоанн любит Марию, систематически связана со способностью думать о том, что Мария любит Иоанна. Рассматривая пропозиционное отношение как отношение к сложным ментальным символам, RTM объясняет как продуктивность, так и систематичность. CCTM+RTM отличается от функционализма машины по ряду других аспектов. Во-первых, функционализм машины - это теория психических состояний вообще, а RTM - это только теория пропозиционных установок. Во-вторых, сторонникам ССТМ+РТМ нет необходимости говорить о том, что пропозиционные установки функционально разделены. Как отмечает Фодор (2000: 105, сноска 4), мы должны отличать вычислительность (психические процессы являются вычислительными) от функционализма (психические состояния - функциональные состояния). Функционализм машины поддерживает обе доктрины. CCTM+RTM одобряет только первое. К сожалению, многие философы до сих пор ошибочно полагают, что вычислительная техника подразумевает функционалистический подход к пропозиционным установкам (см. обсуждение в Piccinini 2004). Философские дискуссии в рамках МРТ, как правило, сосредоточены главным образом на человеческой мысли высокого уровня, особенно на убеждениях и желаниях. Однако, CCTM+RTM применима к гораздо более широкому спектру психических состояний и процессов. Многие ученые-когнитологи применяют его к нечеловеческим животным. Например, Gallistel and King (2009) применяют его к определенным явлениям, связанным с беспозвоночными (например, навигация медоносных пчел). Даже ограничивая внимание к людям, можно применять CCTM+RTM для субличностной обработки. Fodor (1983) утверждает, что восприятие включает в себя подличностный "модуль", который преобразует данные из сетчатки в психиатрические символы, а затем выполняет вычисления по этим символам. Таким образом, разговоры о языке мышления потенциально вводят в заблуждение, так как он предполагает отсутствие ограничений на психическую деятельность на более высоком уровне. Также потенциально вводит в заблуждение описание менталитета как языка, которое предполагает, что все ментальные символы похожи на выражения в естественном языке. Иногда кажется, что многие философы, включая Фодора, поддерживают эту позицию. Однако возможны и непозиционные форматы для ментальных символов. Сторонники CCTM+RTM могут использовать плюралистическую линию, позволяющую умственным вычислениям оперировать над объектами, похожими на изображения, карты, диаграммы или другие не-позиционные изображения (Johnson-Laird 2004: 187; McDermott 2001: 69; Pinker 2005: 7; Sloman 1978: 144-176). Плюралистическая линия представляется особенно правдоподобной применительно к субличностным процессам (таким как восприятие) и нечеловеческим животным. Майкл Резкорла (2009a,b) исследует когнитивные карты (Толман 1948; О'Киф и Надель 1978; Галлистел 1990), предполагая, что некоторые животные могут перемещаться по картам, более похожим на карты, чем предложения. Elisabeth Camp (2009), ссылаясь на исследование социального взаимодействия бабуинов (Cheney and Seyfarth 2007), утверждает, что бабуины могут кодировать отношения социального доминирования через несуществующие древовидные представления. CCTM+RTM является схематичной. Чтобы заполнить схему, необходимо предоставить детальные вычислительные модели конкретных психических процессов. Полная модель будет: описать ментальные символы, которыми манипулирует процесс; изолировать элементарные операции, которые манипулируют символами (например, запись символа в область памяти); и определить механические правила, регулирующие применение элементарных операций. Предоставляя подробную вычислительную модель, мы разлагаем сложный умственный процесс на ряд элементарных операций, управляемых точными, рутинными инструкциями. CCTM+RTM остается нейтральной в традиционных дебатах между физизмом и дуализмом по существу. Поворотная модель действует на очень абстрактном уровне, не говоря уже о том, осуществляются ли психические вычисления физическим материалом или декартовым (Блок 1983: 522). На практике, все сторонники CCTM+RTM придерживаются широкого физиофизического мировоззрения. Они считают, что умственные вычисления осуществляются не душой, а мозгом. С этой точки зрения, ментальные символы реализуются нейронными состояниями, а вычислительные операции над ментальными символами реализуются нейронными процессами. В конечном счете, физиотерапевты, сторонники CCTM+RTM должны разработать эмпирически обоснованные теории, объясняющие, как именно нейронная активность реализует вычисления в стиле Turing-style. Как подчеркивают Галлистель и Кинг (2009), в настоящее время у нас нет таких теорий, хотя некоторые из них можно найти в работах Zylberberg, Dehaene, Roelfsema и Sigman (2011). Fodor (1975) развивает CCTM+RTM в качестве основы для когнитивной науки. Он обсуждает такие ментальные явления, как принятие решений, восприятие и лингвистическая обработка. В каждом случае, утверждает он, наши лучшие научные теории постулируют Расчеты в стиле Turing-style поверх ментальных представлений. На самом деле, он утверждает, что наши единственные жизнеспособные теории имеют такую форму. Он приходит к выводу, что CCTM+RTM является "единственной игрой в городе". Многие ученые-когнитологи утверждают об этом аналогичным образом. К.Р. Галлистел и Адам Кинг (2009), Филипп Джонсон-Лэрд (1988), Аллен Ньюэлл и Герберт Саймон (1976) и Зенон Пилишин (1984) рекомендуют вычисления в стиле Turing-style по умственным символам как лучшую основу для научного теоретизирования ума. 4. Нейронные сети В 1980-х годах соединительный подход стал заметным соперником классического вычислительного искусства. Соединители черпают вдохновение в нейрофизиологии, а не в логике и информатике. В них используются вычислительные модели, нейронные сети, которые существенно отличаются от моделей типа Turing-style. Нейронная сеть представляет собой совокупность взаимосвязанных узлов. Узлы делятся на три категории: входные узлы, выходные узлы и скрытые узлы (которые являются посредниками между входными и выходными узлами). Узлы имеют значения активации, задаваемые вещественными числами. Один узел может нести взвешенное соединение с другим узлом, также заданное реальным числом. Активации входных узлов определяются экзогенно: это входные данные для вычислений. Полная входная активация скрытого или выходного узла представляет собой взвешенную сумму активаций входящих в него узлов. Активация скрытого узла или выходного узла - это функция полной активации входа, конкретная функция зависит от сети. При расчете нейросетей волны активации распространяются от входных к выходным узлам, что определяется взвешенными связями между узлами. В сети прямой подачи взвешенные соединения протекают только в одном направлении. Регулярные сети имеют петли обратной связи, в которых соединения, исходящие от скрытых блоков, возвращаются к скрытым блокам. Повторяющиеся сети менее математически прослеживаемы, чем сети прямого доступа. Однако они играют ключевую роль в психологическом моделировании различных явлений, таких как явления, требующие некоторого рода памяти (Elman 1990). Веса в нейронной сети, как правило, изменяются, изменяясь в соответствии с алгоритмом обучения. В литературе предлагаются различные алгоритмы обучения, но основная идея обычно заключается в корректировке весов таким образом, чтобы фактические результаты постепенно приближались к целевым результатам, которые можно было бы ожидать от соответствующих ресурсов. Алгоритм размножения является широко используемым алгоритмом такого рода (Rumelhart, Hinton, Williams 1986). Коннекционизм восходит к МакКаллоху и Питтам (1943), которые изучали сети взаимосвязанных логических ворот (например, AND-врата и OR-врата). Сеть логических ворот можно рассматривать как нейронную сеть, активация которой ограничена двумя значениями (0 и 1) и функциями активации, задаваемыми обычными функциями истины. МакКаллох и Питтс усовершенствовали логические ворота как идеализированные модели отдельных нейронов. Их дискуссия оказала глубокое влияние на информатику (фон Нойманн, 1945). Современные цифровые компьютеры - это просто сети логических ворот. В когнитивной науке, однако, исследователи обычно фокусируются на сетях, элементы которых больше похожи на нейроны, чем на логические ворота. В частности, современные соединители обычно делают акцент на аналоговых нейронных сетях, узлы которых принимают значения непрерывной, а не дискретной активации. Некоторые авторы даже используют выражение "нейронная сеть", чтобы оно обозначало исключительно такие сети. Нейронные сети получили относительно мало внимания со стороны ученых-когнитологов в 1960-х и 1970-х годах, когда преобладали модели в стиле Турнира. В 1980-е годы наблюдается огромный рост интереса к нейронным сетям, особенно к аналоговым нейронным сетям, при этом двухтомная параллельная распределенная обработка (Rumelhart, McClelland, и исследовательская группа PDP, 1986; McClelland, Rumelhart, and the PDP Research group, 1987) служит манифестом. Исследователи построили связующие модели различных явлений: распознавание объектов, восприятие речи, понимание предложений, когнитивное развитие и так далее. Впечатленные связующим звеном, многие исследователи пришли к выводу, что CCTM+RTM больше не является "единственной игрой в городе". Подробный обзор нейронных сетей см. в работе Haykin (2008). Удобное для пользователя введение, с акцентом на психологические приложения, см. Marcus (2003). 4.1 Связь между нейронными сетями и классическими вычислениями Нейронные сети имеют совершенно иные "ощущения", чем классические (т.е. в стиле Turing-style) модели. Однако классические вычисления и вычисления нейросетей не являются взаимоисключающими: Нейронную сеть можно реализовать в классической модели. Действительно, каждая нейронная сеть, когда-либо физически построенная, была реализована на цифровом компьютере. Классическую модель можно реализовать в нейронной сети. Современные цифровые компьютеры реализуют вычисления в стиле Turing-style в сетях логических ворот. В качестве альтернативы можно реализовать расчеты типа Turing-style с использованием аналоговой рекурсивной нейронной сети, узлы которой принимают значения непрерывной активации (Siegelmann и Sontag 1995). Хотя некоторые исследователи предлагают фундаментальное противопоставление между классическими вычислениями и вычислениями нейросетей, представляется более точным определить две традиции моделирования, которые в некоторых случаях пересекаются, но не другие (ср. Boden 1991; Piccinini 2008b). В этой связи следует также отметить, что классический вычислительный и соединительный вычислительный классицизм имеют общее происхождение в творчестве МакКаллоха и Питтса. Философы часто говорят, что классические вычисления подразумевают "управление символами по правилам", а вычисления в нейронных сетях - несимволические. Интуитивная картина заключается в том, что "информация" в нейронных сетях глобально распределена по весам и активациям, а не сосредоточена в локализованных символах. Однако само понятие "символ" требует объяснения, поэтому зачастую неясно, что подразумевают теоретики, описывая вычисления как символические, а не не символические. Как уже упоминалось в § 1, формализм туризма выдвигает очень мало условий для "символов". Что касается примитивных символов, то Туринг исходит только из того, что их конечно много и что они могут быть вписаны в места чтения/записи в память. Нейронные сети также могут манипулировать символами, удовлетворяющими этим двум условиям: как только что было отмечено, в нейронных сетях можно реализовать модель типа Turing-style. Во многих дискуссиях по поводу символической/несимволической дихотомии используется более надежное понятие "символ". В более надежном подходе символ - это то, что представляет собой предмет обсуждения. Таким образом, что-то является символом только в том случае, если оно имеет семантические или репрезентативные свойства. Если использовать это более надежное понятие символа, то символическое/несимволическое различие перечеркивает различие между вычислениями типа Turing-style и вычислениями нейросетей. В машине Тьюринга нет необходимости использовать символы в более прочном смысле этого слова. Насколько можно судить по формализму туринга, манипулирование символами при расчете туринга не обязательно должно обладать репрезентативными свойствами (Chalmers 2011). И наоборот, нейронная сеть может манипулировать символами с репрезентативными свойствами. Действительно, аналоговая нейронная сеть может манипулировать символами, имеющими комбинаторный синтаксис и семантику (Horgan and Tienson 1996; Marcus 2003). Следуя примеру Стивена Пинкера и Алана Принца (1988), мы можем провести различие между элиминирующим соединительным и имплементационистским связями. Элиминантные связующие продвигают соединительный подход как соперника классического вычислительного искусства. Они утверждают, что формализм турингов не имеет отношения к психологическому объяснению. Часто, хотя и не всегда, они стремятся возродить ассоциационистскую традицию в психологии, традицию, которую CCTM решительно оспаривал. Часто, хотя и не всегда, они нападают на менталиста, нативистскую лингвистику, созданную Ноамом Хомским (1965). Часто, хотя и не всегда, они проявляют открытую враждебность к самому понятию ментальной репрезентации. Но отличительной особенностью элиминирующего соединительного подхода является то, что он использует нейронные сети в качестве замены моделей типа Turing-style. Элиминанты рассматривают ум как вычислительную систему, радикально отличающуюся от машины Тьюринга. Некоторые авторы открыто поддерживают идею элиминирующей связи (Churchland 1989; Rumelhart and McClelland 1986; Horgan and Tienson 1996), и многие другие склонны к ней. Связанность имплементационистов - это более экуменическая позиция. Это позволяет играть потенциально ценную роль как для моделей типа Turing-style, так и для нейросетей, гармонично работающих на разных уровнях описания (Marcus 2003; Smolensky 1988). Модель типа Turing-style - это модель более высокого уровня, в то время как модель нейросетей - более низкого уровня. Нейронная сеть освещает, как мозг реализует модель в стиле Turing-style, точно так же, как описание в терминах логических ворот освещает, как персональный компьютер выполняет программу на языке программирования высокого уровня. 4.2 Аргументы в пользу связи с коммунизмом Коннекционизм возбуждает многих исследователей из-за аналогии между нейронными сетями и мозгом. Узлы похожи на нейроны, а связи между узлами похожи на синапсы. Поэтому связующее моделирование кажется более "биологически правдоподобным", чем классическое моделирование. Связующая модель психологического феномена, по-видимому, отражает (в идеализированном виде), как взаимосвязанные нейроны могут порождать это явление. Эти обращения к биологии проблематичны, поскольку большинство соединительных сетей на самом деле не столь биологически достоверны (Bechtel and Abrahamsen 2002: 341-343; Bermúdez 2010: 237-239; Clark 2014): 87-89; Харниш 2002: 359-362). Например, реальные нейроны намного более неоднородны, чем взаимозаменяемые узлы, которые фигурируют в типичных соединительных сетях. Далеко не ясно, как, если вообще, свойства взаимозаменяемых узлов соотносятся со свойствами реальных нейронов. Особенно проблематичным с биологической точки зрения является алгоритм размножения. Алгоритм требует, чтобы веса между узлами могли варьироваться между возбуждающими и тормозными, но реальные синапсы не могут так различаться (Crick and Asanuma 1986). Кроме того, алгоритм предполагает целевые выходы, предоставляемые экзогенно модераторами, которые знают желаемый ответ. В этом смысле обучение контролируется. Очень малое обучение в реальных биологических системах включает в себя что-либо, похожее на обучение под наблюдением. Даже если соединительные модели не являются биологически правдоподобными, они все равно могут быть более вероятными с биологической точки зрения, чем классические модели. Они, безусловно, кажутся более близкими к нейрофизиологическому описанию, чем модели типа Turing-style, как в деталях, так и по духу. Многие ученые-когнитологи обеспокоены тем, что CCTM отражает ошибочную попытку навязать мозгу архитектуру цифровых компьютеров. Некоторые сомневаются, что мозг реализует что-либо похожее на цифровые вычисления, т.е. вычисления по дискретным конфигурациям цифр (Piccinini and Bahar 2013). Другие сомневаются, что мозг отображает четкое разделение стиля вращения между центральным процессором и памятью чтения/записи (Dayan 2009). Коннекционистские модели работают лучше по обоим показателям: они не требуют вычислений по дискретным конфигурациям цифр и не предполагают четкого разделения между центральным процессором и памятью чтения/записи. Классические вычислители обычно отвечают, что делать твердые выводы, основанные на биологической достоверности, преждевременно, учитывая, насколько мало мы понимаем о взаимосвязи между нейронным, вычислительным и когнитивным уровнями описания (Gallistel and King 2009; Marcus 2003). В настоящее время мы накопили значительные знания об индивидуальных нейронах и их взаимодействии в мозгу. Тем не менее, нам еще предстоит многое узнать о том, как нейронная ткань выполняет задачи, которые она, несомненно, выполняет: восприятие, рассуждения, принятие решений, изучение языка и так далее. Учитывая наше нынешнее состояние относительного невежества, было бы опрометчиво утверждать, что мозг не реализует ничего похожего на расчеты Тюринга. Коннекционисты выдвигают множество других аргументов в пользу того, что мы должны использовать модели связи вместо классических моделей или в дополнение к ним. Обзор см. в разделе "Подключение входа". Для целей данной статьи мы приводим два дополнительных аргумента. Первый аргумент подчеркивает важность обучения (Bechtel and Abrahamsen 2002: 51). Широкий спектр когнитивных явлений включает в себя обучение на основе опыта. Многие модели соединений специально разработаны для моделирования обучения через обратное размножение или другой алгоритм, который изменяет веса между узлами. Напротив, специалисты по связям часто жалуются на отсутствие хороших классических моделей обучения. Классические вычислители могут ответить на это беспокойство, сославшись на очевидные недостатки алгоритмов обучения подключению (например, сильную зависимость распространения от контролируемого обучения). Классические вычислители могут также сослаться на огромный успех байесовской теории решений, которая моделирует обучение как вероятностное обновление. Правда, байесовская модернизация в общем случае вычислительно неразрешима. Тем не менее, достижения, упомянутые в § 2, показывают, как классические вычислительные системы могут приблизить идеализированные байесовские обновления в различных реалистичных сценариях. Эти достижения дают надежду, что классические вычисления могут смоделировать многие важные примеры обучения. Второй аргумент подчеркивает скорость вычислений. Нейроны намного медленнее, чем компоненты цифровых компьютеров на основе кремния. По этой причине нейроны не могли выполнять последовательные вычисления достаточно быстро, чтобы соответствовать быстрой человеческой производительности в восприятии, лингвистическом понимании, принятии решений и т.д. Коннекционисты утверждают, что единственным жизнеспособным решением является замена последовательных вычислений на "массивно параллельную" вычислительную архитектуру - именно то, что обеспечивают нейронные сети (Feldman and Ballard 1982; Rumelhart 1989). Однако этот аргумент эффективен только против классиков вычислительной техники, которые настаивают на серийной обработке. Как уже отмечалось в §3, некоторые модели в стиле Turing-стиле предполагают параллельную обработку. Многие классические вычислители с удовольствием допускают "массивно параллельные" ментальные вычисления, и этот аргумент не вызывает возражений у этих исследователей. Тем не менее, этот аргумент подчеркивает важный вопрос, который любой вычислитель, будь то классик, связующий или другой, должен быть затронут: Как мозг, построенный из относительно медленных нейронов, выполняет сложные вычисления так быстро? Ни классики, ни вычислители-связисты не дали на этот вопрос удовлетворительного ответа (Gallistel and King 2009: 174 и 265). 4.3 Систематичность и производительность Фодор и Пылышин (1988) предлагают широко обсуждаемую критику элиминативистского коннекционизма. Они утверждают, что систематичность и производительность терпят неудачу в связующих моделях, за исключением случаев, когда связующая модель реализует классическую модель. Следовательно, соединительная работа не является жизнеспособной альтернативой ССТМ. В лучшем случае, он предоставляет низкоуровневое описание, которое помогает преодолеть разрыв между вычислениями в стиле Туров и нейронаучным описанием. Этот аргумент вызвал многочисленные отклики и контрреагирование. Некоторые утверждают, что нейронные сети могут демонстрировать систематичность без применения классической вычислительной архитектуры (Horgan and Tienson 1996; Chalmers 1990; Smolensky 1991; van Gelder 1990). Некоторые утверждают, что Фодор и Пилишин значительно преувеличивают систематичность (Johnson 2004) или производительность (Rumelhart and McClelland 1986), особенно для животных, не являющихся людьми (Dennett 1991). Эти и многие другие вопросы, поднятые в аргументах Фодора и Пилишина, были тщательно изучены в течение последних нескольких десятилетий. Бехтель и Абрахамсен (2002: 156-199), Бермудес (2005: 244-278), Чалмерс (1993), Кларк (2014: 84-86) и статьи энциклопедии о языке гипотез и связующих идеях. Галлистель и Кинг (2009) выдвигают смежный, но четко выраженный аргумент в пользу производительности. Они подчеркивают продуктивность умственных вычислений, в отличие от продуктивности психических состояний. На основе подробных эмпирических примеров из практики они утверждают, что многие животные, не являющиеся людьми, могут извлекать, хранить и извлекать подробные сведения об окружающей среде. Например, западный скруб джей регистрирует, где он кэшировал пищу, какую пищу он кэшировал в каждом месте, когда он кэшировал пищу и истощил ли данный кэш (Clayton, Emery, and Dickinson 2006). Сой может получить доступ к этим записям и использовать их в различных вычислениях: вычисление вероятности того, что продукт питания, хранящийся в кэше, разложится, вычисление маршрута из одного места в другое и так далее. Количество возможных вычислений, которые может выполнить jay, для всех практических целей бесконечно. CCTM объясняет производительность интеллектуальных вычислений, предлагая центральный процессор, который сохраняет и извлекает символы в адресной памяти для чтения/записи. При необходимости центральный процессор может извлекать из памяти произвольные, непредсказуемые комбинации символов. Напротив, Галлистел и Кинг утверждают, что соединительный подход имеет сложности с адаптацией производительности умственных вычислений. Хотя Галлистел и Кинг не проводят четкого различия между элиминитивизмом и имплементационистским связующим подходом, мы можем суммировать их аргументы следующим образом: Элиминативистский соединительный подход не может объяснить, как организмы объединяют сохраненные воспоминания (например, расположение кэша) для вычислительных целей (например, для расчета маршрута из одного кэша в другой). Существует виртуальная бесконечность возможных комбинаций, которые могут быть полезны, без прогнозирования заранее, какие части информации должны быть объединены в будущих вычислениях. Единственным решением, которое можно проследить с помощью вычислений, является хранение символов в легкодоступных местах памяти для чтения/записи - решение, которое исключает использование антивирусных соединений, отвергаемых специалистами. Специалисты по имплементационным соединениям могут постулировать хранение символов в памяти для чтения/записи, как это реализовано нейронной сетью. Однако механизмы, которые связующие обычно предлагают для реализации памяти, неправдоподобны. Существующие предложения в основном являются вариантами единственной идеи: периодическая нейронная сеть, которая позволяет реверберировать активность вокруг петли (Elman 1990). Существует много причин, по которым модель реверберационного контура безнадежна как теория долговременной памяти. Например, шум в нервной системе гарантирует, что сигналы быстро ухудшатся через несколько минут. Специалисты по имплементационной связи до сих пор не предложили никакой правдоподобной модели памяти для чтения/записи[2]. Галлистел и Кинг пришли к выводу, что CCTM гораздо лучше подходит для объяснения широкого спектра когнитивных явлений, чем элиминативистский или имплементационистский соединительный подход. Критики критикуют этот новый аргумент о производительности с различных точек зрения, сосредоточившись в основном на эмпирических примерах, приведенных Галлистелем и Кингом. Питер Дайан (2009), Джон Донахо (2010) и Кристофер Моул (2014) утверждают, что биологически правдоподобные модели нейронных сетей могут учитывать, по крайней мере, некоторые из примеров. Дайан и Донахо утверждают, что эмпирически адекватные модели нейросетей могут обойтись без чего-либо, похожего на чтение/запись памяти. Крот утверждает, что в некоторых случаях эмпирически адекватные модели нейросетей могут реализовывать механизмы чтения/записи памяти, предложенные Галлистелем и Кингом. Дискуссии по этим основополагающим вопросам, как представляется, будут продолжаться и в будущем. 4.4 Вычислительная неврология Вычислительная нейронаука описывает нервную систему с помощью компьютерных моделей. Хотя эта исследовательская программа основана на математическом моделировании индивидуальных нейронов, отличительной особенностью вычислительной нейронауки являются системы взаимосвязанных нейронов. Вычислительная нейронаука обычно моделирует эти системы как нейронные сети. В этом смысле, это вариант, отстрел или потомок связизма. Тем не менее, большинство компьютерных нейронаук не идентифицируют себя как соединители. Есть несколько отличий между связующим и вычислительной нейронаукой: Нейронные сети, используемые вычислительными нейронауками, гораздо более реалистичны с биологической точки зрения, чем сети, используемые соединителями. Вычислительная литература по нейронауке полна рассказов о темпах стрельбы, потенциалах действия, кривых настройки и т.д. Эти понятия играют в лучшем случае ограниченную роль в исследованиях, связанных с подключением, как, например, большинство исследований, опрошенных в [Rogers and McClelland 2014]. Вычислительная нейронаука во многом определяется знаниями о мозге и придает огромное значение нейрофизиологическим данным (например, клеточным записям). Специалисты по связи уделяют таким данным гораздо меньше внимания. Их исследования в основном проводятся на основе поведенческих данных (хотя более поздние работы соединителей цитируют нейрофизиологические данные с несколько большей частотой). Компьютерные нейронауки обычно рассматривают отдельные узлы нейронных сетей как идеализированные описания реальных нейронов. Вместо этого соединители обычно рассматривают узлы как нейроподобные процессоры (Rogers and McClelland 2014), оставаясь нейтральными относительно того, как именно эти узлы отображаются на реальные нейрофизиологические объекты. Можно сказать, что вычислительная нейронаука в основном связана с нейронными вычислениями (вычислениями системами нейронов), в то время как соединительная деятельность связана в основном с абстрактными вычислительными моделями, вдохновляемыми нейронными вычислениями. Но границы между связующим звеном и вычислительной нейронаукой, по общему признанию, несколько пористые. Обзор компьютерной нейронауки см. в работе Trappenberg (2010). Серьезное философское взаимодействие с нейронаукой восходит, по крайней мере, к нейрофилософии Патрисии Черчланд (1986). По мере взросления компьютерной неврологии Черчланд стал одним из ее главных философских поборников (Churchland, Koch, and Sejnowski 1990; Churchland and Sejnowski 1992). К ней присоединился Пол Черчланд (1995, 2007) и другие (Элиасмит 2013; Элиасмит и Андерсон 2003; Пикчинини и Бахар 2013; Пикчининини и Шагрир 2014). Все эти авторы считают, что теоретическое осмысление умственных вычислений должно начинаться с мозга, а не с машин Тьюринга или других ненадлежащих инструментов, взятых из логики и информатики. Они также считают, что моделирование нейронных сетей должно стремиться к большему биологическому реализму, чем обычно достигается с помощью соединительных моделей. Крис Элиасмит (Chris Eliasmith, 2013) развивает эту нейровычислительную точку зрения в нейротехнических рамках, которые дополняют вычислительную нейронауку инструментами, взятыми из теории управления (Brogan 1990). Он стремится "перепроектировать" мозг, создавая крупномасштабные, биологически правдоподобные нейронные сетевые модели когнитивных явлений. Вычислительная нейронаука отличается принципиальным отличием от CCTM и связности: она отказывается от мультипликативной реализуемости. Компьютерные нейрофизиологи ссылаются на специфические нейрофизиологические свойства и процессы, поэтому их модели не одинаково хорошо применимы к (скажем) существам на основе кремния. Таким образом, вычислительная нейронаука приносит в жертву одну из ключевых особенностей, которая изначально привлекала философов к CTM. Компьютерные нейрофизиологи ответят, что эта жертва стоит того, чтобы получить представление о нейрофизиологических основах. Но многие вычислители беспокоятся, что, сосредоточившись слишком много внимания на нейронных основах, мы рискуем потерять из виду когнитивный лес для нейронных деревьев. Нейрофизиологические подробности важны, но не нужен ли нам и дополнительный абстрактный уровень вычислительного описания, который предопределяет такие детали? Галлистель и Кинг (2009) утверждают, что близорукая фиксация на том, что мы в настоящее время знаем о мозге, привела вычислительную неврологию к короткому обмену основными когнитивными явлениями, такими как навигация, пространственное и временное обучение, и так далее. Аналогичным образом, Эдельман (Edelman, 2014) жалуется, что нейрофизиологическая структура заменяет собой метель нейрофизиологических деталей для удовлетворения психологических объяснений. Несмотря на различия между связующим и вычислительной нейронаукой, эти два движения поднимают много схожих вопросов. В частности, диалектика из §4.4, касающаяся систематичности и продуктивности, возникает в аналогичной форме. 5. Вычисления и представление Философы и ученые-когнитологи по-разному используют термин "представительство". В философии доминирующее использование связывает представление о намерениях, т.е. "изобилие" психических состояний, с их преднамеренностью. Современные философы обычно разъясняют намерения, ссылаясь на репрезентативное содержание. Представляемое психическое состояние имеет содержание, которое представляет мир как определенный путь, поэтому мы можем спросить, действительно ли мир таковым является. Таким образом, репрезентативно удовлетворительные психические состояния поддаются семантической оценке с точки зрения таких свойств, как правдивость, точность, исполнение и т.д. Чтобы проиллюстрировать Вера - это то, что может быть правдой или ложью. Моя вера в то, что Барак Обама является президентом, верна, если Барак Обама является президентом, ложь, если он не является президентом. Состояния восприятия - это такие вещи, которые могут быть точными или неточными. Мой опыт восприятия красной сферы точен только в том случае, если красная сфера находится передо мной. Желания - это то, что может быть исполнено или сорвано. Мое желание есть шоколад сбывается, если я ем шоколад, если я не ем шоколад, то мне мешает, если я не ем шоколад. У верований есть условия истины (условия, при которых они истинны), состояния восприятия - условия точности (условия, при которых они точны), а желания - условия выполнения (условия, при которых они выполняются). В обычной жизни мы часто предсказываем и объясняем поведение, ссылаясь на убеждения, желания и другие репрезентативно насыщенные психические состояния. Мы идентифицируем эти состояния по их репрезентативным свойствам. Когда мы говорим "Фрэнк верим, что Барак Обама является президентом", мы указываем условие, при котором вера Фрэнка верна (а именно, что Барак Обама является президентом). Когда мы говорим "Фрэнк хочет есть шоколад", мы указываем условие, при котором желание Фрэнка исполняется (а именно, что Фрэнк ест шоколад). Таким образом, народная психология отводит центральную роль намеренным описаниям, т.е. описаниям, которые идентифицируют психические состояния через их репрезентативные свойства. Вопрос о том, должна ли научная психология также использовать преднамеренные описания, является спорным в современной философии ума. Намеренный реализм - это реализм в отношении представительства. Как минимум, эта позиция заключается в том, что репрезентативные свойства являются подлинными аспектами менталитета. Обычно также принято считать, что научная психология должна свободно использовать намеренные описания, когда это уместно. Намеренный реализм - популярная позиция, за которую выступают Тайлер Бурге (2010a), Джерри Фодор (1987), Кристофер Пикок (1992, 1994) и многие другие. Одним из весомых аргументов в пользу преднамеренного реализма является практика когнитивной науки. Аргумент утверждает, что намеренное описание фигур центрально во многих ключевых областях когнитивной науки, таких как перцептивная психология и лингвистика. Например, перцептивная психология описывает, как перцептивная деятельность трансформирует сенсорные входы (например, стимуляции сетчатки глаза) в представления дистальной среды (например, перцептивные представления дистальных форм, размеров и цветов). Наука идентифицирует перцептивные состояния, ссылаясь на репрезентативные свойства (например, репрезентативные отношения к конкретным дистальным формам, размерам, цветам). Если исходить из широкой научной реалистической перспективы, то объяснительные достижения перцептивной психологии поддерживают реалистическую позицию в отношении намерений. Элиминативизм - это сильная форма антиреализма в отношении намерений. Элиминативисты отвергают намеренное описание как расплывчатое, контекстуально чувствительное, зависящее от интересов, объяснительно поверхностное или иным образом проблематичное. Они рекомендуют отказаться от репрезентативного содержания научной психологии. Ранним примером является W.V. Quine's Word and Object (1960), который пытается заменить преднамеренную психологию психологией поведенческого стимула - психологии реакции. Пол Черчланд (1981), другой выдающийся элиминитивист, хочет заменить намеренную психологию нейронаукой. Между преднамеренным реализмом и элиминитивизмом лежат различные промежуточные позиции. Дэниел Деннетт (1971, 1987) признает, что преднамеренный дискурс является предсказуемо полезным, но он сомневается, действительно ли психические состояния обладают репрезентативными свойствами. По словам Деннета, теоретики, использующие намеренные описания, не утверждают, что психические состояния обладают репрезентативными свойствами, в буквальном смысле этого слова. Они просто занимают "намеренную позицию". Дональд Дэвидсон (1980 г.) придерживается соседней интерпретативной позиции. Он подчеркивает центральную роль, которую намеренное назначение играет в обычной интерпретационной практике, т.е. в нашей практике толкования психических состояний и речевых действий друг друга. В то же время, он сомневается, найдет ли преднамеренная психология место в зрелом научном теоретизировании. Дэвидсон и Деннетт исповедуют реализм в отношении намеренных психических состояний. Тем не менее, оба философа обычно воспринимаются как намеренные антиреалисты. (В частности, Деннетт часто читают как своего рода инструменталист о намерениях). Один из источников такого обычного толкования связан с неопределенностью толкования. Предположим, что поведенческие доказательства допускают две противоречивые интерпретации психических состояний мыслителя. Следуя за Квином, Дэвидсон и Деннетт оба говорят, что "нет никаких фактов" в отношении того, какая интерпретация является правильной. Этот диагноз свидетельствует о менее чем полностью реалистическом отношении к намерениям. Дискуссии о преднамеренности занимают видное место в философской дискуссии по МТК. Давайте рассмотрим некоторые основные моменты. 5.1 Формальные расчеты Классические вычислители обычно предполагают то, что можно назвать формально-синтаксической концепцией вычислений (FSC). Интуитивная идея заключается в том, что вычисления манипулируют символами в силу их формальных синтаксических свойств, а не их семантических свойств. FSC является результатом инноваций в математической логике в конце 19-го и начале 20-го веков, особенно плодотворного вклада Джорджа Була и Готлоба Фриджа. В своей книге Begriffsschrift (1879/1967) Фредж основательно оформил дедуктивное рассуждение. Для формализации мы указываем формальный язык, составляющие которого лингвистические выражения несемантически индивидуализированы (например, по своим геометрическим формам). Возможно, мы имеем в виду предполагаемую интерпретацию, но элементы формального языка - это чисто синтаксические сущности, которые мы можем обсуждать, не ссылаясь на семантические свойства, такие как ссылка или условия истины. В частности, мы можем указать правила вывода в формальных синтаксических терминах. Если мы мудро выберем наши правила вывода, то они согласуются с нашей предполагаемой интерпретацией: они будут нести в себе истинные предпосылки к истинным выводам. Посредством формализации Фредж инвестировал в логику с беспрецедентной строгостью. Тем самым он заложил основу для многочисленных последующих математических и философских разработок. Формализация играет важную основополагающую роль в информатике. Мы можем запрограммировать компьютер типа Turing-style, который манипулирует лингвистическими выражениями, взятыми из формального языка. Если мы запрограммируем компьютер грамотно, то синтаксические махинации совпадут с нашей предполагаемой семантической интерпретацией. Например, мы можем запрограммировать компьютер таким образом, чтобы он соответствовал только истинным предположениям, или чтобы он обновлял вероятности, продиктованные байесовской теорией решений. FSC считает, что все вычисления манипулируют формальными синтаксическими элементами безотносительно каких-либо смысловых свойств этих элементов. Точные формулировки FSC различаются. Считается, что вычисления "чувствительны" к синтаксису, но не к семантике, или имеют "доступ" только к синтаксическим свойствам, или работают "в силу" синтаксических, а не семантических свойств, или на них влияют только как на "опосредованные" синтаксические свойства. Не всегда так ясно, что означают эти формулировки и эквивалентны ли они друг другу. Но интуитивная картина заключается в том, что синтаксические свойства имеют примат причинно-следственных связей над семантическими свойствами при продвижении вычислений. В статье Фодора "Методологический солипсизм рассматривается как исследовательская стратегия в когнитивной психологии" (1980) предлагается раннее утверждение. Корм сочетает FSC с CCTM+RTM. Он сравнивает ментальный язык с формальными языками, изучаемыми логиками: он содержит простые и сложные элементы, индивидуализированные несемантически, так же как типичные формальные языки содержат простые и сложные выражения, индивидуализированные по своим формам. Психические символы имеют семантическую интерпретацию, но эта интерпретация не оказывает (прямого) влияния на умственные вычисления. Формальные свойства символа, а не его семантические свойства, определяют, как вычисления манипулируют символом. В этом смысле ум - это "синтаксический движок". Практически все классики вычислительной техники следуют примеру компании Fodor при одобрении FSC. Коннекционисты часто отрицают, что нейронные сети манипулируют синтаксически структурированными элементами. По этой причине многие сторонники контактов не решались бы принимать ФСБ. Тем не менее, большинство связующих поддерживают обобщенный тезис формальности: вычисления нечувствительны к семантическим свойствам. Обобщенный тезис о формальности поднимает многие из тех же философских вопросов, поднятых ФСБ. Здесь мы делаем акцент на ФСБ, который получил самую широкую философскую дискуссию. Fodor сочетает CCTM+RTM+FSC с преднамеренным реализмом. Он считает, что CCTM+RTM+FSC защищает фольклорную психологию, помогая нам преобразовывать сознательный дискурс здравого смысла в строгую науку. Свою позицию он мотивирует известным репродуктивным аргументом в пользу CCTM+RTM+FSC (1987: 18-20). Удивительно, но умственная активность последовательно отслеживает семантические свойства. Например, дедуктивный вывод дает основания для выводов, которые являются верными, если данные предположения верны. Как мы можем объяснить этот важный аспект психической активности? Формализация показывает, что синтаксические манипуляции могут отслеживать семантические свойства, а информатика показывает, как создавать физические машины, которые выполняют желаемые синтаксические манипуляции. Если мы относимся к разуму как к синтаксически управляемой машине, то мы можем объяснить, почему психическая активность отслеживает семантические свойства согласованным образом. Более того, наше объяснение не содержит причинно-следственных механизмов, радикально отличающихся от механизмов, заложенных в физических науках. Таким образом, мы отвечаем на главный вопрос: Как рациональность механически возможна? Стивен Стич (1983) и Хартри Филд (2001) сочетают CCTM+FSC с элиминативизмом. Они рекомендуют, чтобы когнитивная наука моделировала разум в формальных синтаксических терминах, полностью избегая преднамеренности. Они утверждают, что психические состояния обладают репрезентативными свойствами, но спрашивают, какую объяснительную ценность приобретает научная психология, ссылаясь на эти свойства. Зачем дополнять формальное синтаксическое описание намеренным описанием? Если разум является синтаксически управляемой машиной, то не выпадает ли репрезентативное содержание как объяснительно неуместное? В какой-то момент своей карьеры Путнэм (1983: 139-154) объединил CCTM+FSC с интерпретативным подходом Дэвидсона. Когнитологии следует придерживаться принципов, предложенных "Стич энд Филд", определяя чисто формальные синтаксические вычислительные модели. Формальное синтаксическое моделирование сосуществует с обычной интерпретационной практикой, в которой мы придаем намеренное содержание психическим состояниям и речевым действиям друг друга. Толковательная практика регулируется целостными и эвристическими ограничениями, которые препятствуют превращению намеренного дискурса в строгую науку. Для Путнама, как и для Филда и Стиха, научное действие происходит на формальном синтаксическом уровне, а не на преднамеренном. CTM+FSC подвергается атаке с разных сторон. Одна критика касается причинно-следственной связи репрезентативного содержания (Блок 1990; Рисдор 2009; Казез 1995). Интуитивно говоря, содержание психических состояний имеет причинно-следственную связь с психической активностью и поведением. Например, желание пить воду вместо апельсинового сока заставляет меня идти к раковине, а не к холодильнику. Содержание моего желания (то, что я пью воду), кажется, играет важную причинную роль в формировании моего поведения. Согласно Fodor (1990: 137-159), CCTM+RTM+FSC поддерживает такую интуицию. Формальная синтаксическая деятельность реализует умышленную умственную деятельность, обеспечивая тем самым каузальное взаимодействие сознательных психических состояний в соответствии с их содержанием. Однако не так ясно, что этот анализ обеспечивает причинно-следственную связь содержания. FSC говорит, что вычисления "чувствительны" к синтаксису, но не к семантике. В зависимости от того, как глянцевать ключевой термин "чувствительный", может показаться, что репрезентативное содержание не имеет причинно-следственной связи с формальным синтаксисом, выполняющим всю причинно-следственную работу. Вот аналогия, чтобы проиллюстрировать беспокойство. Когда автомобиль едет по дороге, есть устойчивый рисунок, включающий тень автомобиля. Тем не менее, позиция тени в один момент времени не влияет на позицию тени в более поздний момент времени. Аналогичным образом, CCTM+RTM+FSC может объяснить, каким образом психическая активность конкретизирует устойчивые модели, описанные намеренно, но этого недостаточно для обеспечения причинно-следственной значимости содержания. Если разум является синтаксически управляемой машиной, то причинная эффективность, похоже, находится скорее на синтаксическом, чем на семантическом уровне. Семантика - это просто "поехать со мной". Очевидно, что тогда CTM+FSC поддерживает вывод о том, что репрезентативные свойства являются причинно-следственными инертными. Вывод не может не беспокоить элиминитивистов, но умышленные реалисты обычно хотят избежать этого. Вторая критика отвергает формально-синтаксическую картину как необоснованные в научной практике спекуляции. Тайлер Бурге (2010a,b,2013: 479-480) утверждает, что формальное синтаксическое описание психической активности не играет существенной роли в обширных областях когнитивной науки, включая изучение теоретического мышления, практического мышления и восприятия. В каждом случае, утверждает Бурге, наука использует намеренное описание, а не формальное синтаксическое описание. Например, перцептивная психология индивидуализирует перцептивные состояния не через формальные синтаксические свойства, а через репрезентативные отношения к дистальным формам, размерам, цветам и так далее. Чтобы понять эту критику, мы должны различать формальное синтаксическое описание и нейрофизиологическое описание. Все согласны, что полная научная психология придаст первостепенное значение нейрофизиологическому описанию. Тем не менее, нейрофизиологическое описание отличается от формального синтаксического описания, потому что формальное синтаксическое описание должно быть умножено на реализуемость в нейрофизиологической. Вопрос в том, должна ли научная психология дополнять преднамеренные описания и нейрофизиологические описания умножителями реализуемых, непреднамеренных формальных синтаксических описаний. 5.2 Экстернализм в отношении ментального содержания В исторической статье Путнама "Значение значения" (1975: 215-271) представлен эксперимент "Двойная Земля", который постулирует мир так же, как наш, за исключением того, что H2O заменяется качественно подобным веществом XYZ с другим химическим составом. Путнэм утверждает, что XYZ - это не вода, и что говорящие на близнецов Земли используют слово "вода" для обозначения XYZ, а не воды. Burge (1982) расширяет этот вывод от лингвистической ссылки на ментальный контент. Он утверждает, что близнецы-земляне описывают психические состояния с разным содержанием. Например, если Оскар на Земле думает, что вода утоляет жажду, то его двойник на Земле-близнеце думает, что мысль другого содержания, которую мы могли бы глянцевать, как этот пьяница утоляет жажду. Бургер приходит к выводу, что психическое содержание не наступает на внутреннюю нейрофизиологию. Психическое содержание частично делится на факторы вне кожи мыслителя, в том числе причинно-следственные связи с окружающей средой. Эта позиция - экстернализм в отношении ментального содержания. Формальные синтаксические свойства психических состояний широко распространены в супервене по внутренней нейрофизиологии. Например, "Оскар" и "Двойной Оскар" иллюстрируют одни и те же формальные синтаксические манипуляции. Предполагая экстернализм содержания, следует, что существует огромный разрыв между обычным намеренным описанием и формальным синтаксическим описанием. Контент-экстернализм поднимает серьезные вопросы об объяснительной ценности репрезентативного контента для научной психологии: Аргумент из причинно-следственной связи (Fodor 1987, 1991): Как психическое содержание может оказывать какое-либо причинно-следственное воздействие, за исключением того, что проявляется во внутренней нейрофизиологии? Никакого "психологического воздействия на расстоянии" не существует. Различия в физическом окружении влияют на поведение только вызывая различия в местных состояниях мозга. Так что единственные причинно-следственные факторы, влияющие на внутреннюю нейрофизиологию, - это факторы, влияющие на нейрофизиологию. Внешне индивидуализированный контент не имеет причинно-следственной связи. Аргумент из Пояснения (Стих 1983): Строгое научное объяснение не должно принимать во внимание факторы вне кожи испытуемого. Народная психология может систематизировать психические состояния через связь с внешней средой, но научная психология должна таксономизировать психические состояния полностью через факторы, влияющие на внутреннюю нейрофизиологию. Он должен относиться к Оскару и Близнецу как к психологическим дубликатам. [3] Некоторые авторы рассматривают эти два аргумента в сочетании друг с другом. Оба аргумента приходят к одному и тому же выводу: внешне индивидуализированное психическое содержание не находит законного места в объяснениях причинно-следственной связи, предоставляемых научной психологией. Стих (1983) утверждает, что именно так он мотивирует свой формально-синтаксический элитивативизм. Многие философы реагируют на такие опасения, продвигая интернационализм контента. В то время как экстерналисты контента отдают предпочтение широкому контенту (контенту, не наступающему на внутреннюю нейрофизиологию), интерналисты контента отдают предпочтение узкому контенту (контенту, который делает это суперпопулярно). Узкое содержание - это то, что остается от менталитета, если учитывать все внешние элементы. В какой-то момент своей карьеры Фодор (1981, 1987) занимался интернационализмом как стратегией интеграции намеренной психологии с CCTM+RTM+FSC. Признавая, что такое широкое содержание не должно фигурировать в научной психологии, он в то же время отметил, что узкое содержание должно играть центральную разъяснительную роль. Радикальные интерналы настаивают на том, чтобы все содержание было узким. Типичный анализ показывает, что Оскар думает не о воде, а о какой-то более общей категории веществ, которая включает в себя XYZ, так что Оскар и Двойной Оскар имеют одинаковые психические состояния. Тим Крейн (1991 г.) и Габриэль Сегал (2000 г.) одобряют такой анализ. Они считают, что народная психология всегда делит пропозиционные установки узконаправленно. Менее радикальный интернационализм рекомендует нам признавать узкий контент в дополнение к широкому контенту. Народная психология иногда может широко разделять пропозиционные установки, но мы также можем выделить жизнеспособное понятие узкого содержания, которое продвигает важные философские или научные цели. Интернационалисты предложили различные кандидатские понятия узкого содержания (Block 1986; Chalmers 2002; Cummins 1989; Fodor 1987; Lewis 1994; Loar 1988; Mendola 2008). Обзор основных кандидатов представлен в узком менталитете. Внешние эксперты жалуются, что существующие теории узкого содержания являются эскизными, неправдоподобными, бесполезными для психологического объяснения или иным образом предосудительными (Burge 2007; Sawyer 2000; Stalnaker 1999). Экстерналисты также ставят под сомнение интернационалистические аргументы о том, что научная психология требует узкого содержания: Аргумент из Причины: Внешние эксперты настаивают на том, что широкое содержание может быть причинно-следственным. Детали варьируются между экстерналистами, и дискуссия часто переплетается со сложными вопросами, касающимися причинно-следственной связи, контрфактуалов и метафизики ума. См. ментальную причину вступления для ознакомления с вводным обзором, а для репрезентативной дискуссии экстерналистов см. Бурге (2007), Резкорле (2014a) и Ябло (1997, 2003). Аргумент из Объяснений: Внешние эксперты утверждают, что психологическое объяснение может законно таксономизировать психические состояния с помощью факторов, опережающих внутреннюю нейрофизиологию (Peacocke 1993). Наблюдается, что не-психологические науки часто выделяют виды объяснений в зависимости друг от друга, т.е. через связь с внешними факторами. Например, считается ли объект сердцем, зависит (приблизительно) от того, является ли его биологическая функция в его нормальной среде перекачиванием крови. Таким образом, физиология выделяет виды органов по отношению друг к другу. Почему психология не может также разделять психические состояния по отношению друг к другу? Заметный обмен мнениями по этим вопросам см. в публикациях "Бурдж" (1986, 1989, 1995) и "Фодор" (1987, 1991). Внешние эксперты сомневаются, что у нас есть веские основания для того, чтобы заменить или дополнить широкое содержание узким содержанием. Поиск узкого содержания они отвергают как охоту на диких гусят. Всплеск" (2007, 2010a) защищает экстернализм, анализируя современную когнитивную науку. Он утверждает, что многие направления научной психологии (особенно перцептивная психология) через причинно-следственные связи с внешней средой индивидуализируют психическое содержание. Он приходит к выводу, что научная практика воплощает в себе экстерналистскую перспективу. Напротив, считает он, узкое содержание - это философская фантазия, не подкрепленная современной наукой. Предположим, мы откажемся от поиска узкого содержания. Каковы перспективы объединения CTM+FSC с экстерналистской преднамеренной психологией? Наиболее многообещающий вариант подчеркивает уровень объяснений. Можно сказать, что умышленная психология занимает один уровень объяснения, тогда как формально-синтаксическая компьютерная психология занимает другой уровень. Фодор отстаивает этот подход в своей последующей работе (1994, 2008). Он приходит отвергать узкое содержание как отиозное. Он предполагает, что формальные синтаксические механизмы имплементируют экстерналистские психологические законы. Психические вычисления манипулируют умственными выражениями в соответствии с их формальными синтаксическими свойствами, и эти формальные синтаксические манипуляции гарантируют, что умственная деятельность инстанцирует соответствующие закономерности, подобные законам, определенным для широкого содержания. В свете различия интернационализма/экстернализма давайте вернемся к элиминативистской проблеме, поднятой в §5.1: какую объяснительную ценность намеренное описание добавляет к формально-синтаксическому описанию? Интернационалисты могут ответить, что подходящие формальные синтаксические манипуляции определяют и, возможно, даже составляют узкое содержание, так что интерналистское преднамеренное описание уже неявно присутствует в соответствующем формальном синтаксическом описании (ср. Поле 2001: 75). Возможно, такая реакция оправдывает преднамеренный реализм, а может и нет. Крайне важно, однако, что экстерналистам контента такой ответ недоступен. Внешнее преднамеренное описание не подразумевается в формальном синтаксическом описании, потому что формальный синтаксис можно считать фиксированным, хотя и варьирующимся по широкому содержанию. Таким образом, сторонники контента, поддерживающие CTM+FSC, должны сказать, что мы получаем, дополняя формально-синтаксические объяснения намеренными объяснениями. Как только мы признаем, что умственные вычисления чувствительны к синтаксису, но не к семантике, далеко не ясно, что любая полезная объяснительная работа остается для широкого содержания. Фодор решает эту проблему на различных этапах, предлагая наиболее систематическое лечение в The Elm and the Expert (1994). Арджо (1996), Айдедедеде (1998), Айдедеде и Роббинс (2001), Уэйкфилд (2002), Перри (1998) и Уэйкфилд (2002) для критики. См. Rupert (2008) и Schneider (2005) для информации о должностях, близких к Fodor's. См. также Dretske (1993), которая придерживается альтернативной стратегии подтверждения обоснованности широкого содержания. 5.3 Вовлечение в процесс вычислений Воспринимаемая пропасть между компьютерным описанием и намеренным описанием оживляет многие работы по CTM. Несколько философов пытаются преодолеть эту пропасть, используя вычислительные описания, которые разделяют вычислительные состояния в репрезентативных терминах. Эти описания являются содержательными и предполагают использование терминологии Кристофера Пикока (1994). Что касается содержательного подхода, то не существует жесткого разграничения между вычислительным и преднамеренным описанием. В частности, некоторые научно значимые описания психической деятельности являются как вычислительными, так и умышленными. Назовите эту должность содержанием, вовлекающим вычислительную технику. Привлеченные вычислители не должны говорить, что все вычислительные описания являются преднамеренными. Для иллюстрации, предположим, мы опишем простую машину Тьюринга, которая манипулирует символами, разделенными их геометрическими фигурами. Полученное в результате вычислительное описание не является правдоподобным содержанием и не включает в себя. Соответственно, специалисты по вычислениям с привлечением контента обычно не продвигают вычисления с привлечением контента в качестве общей теории вычислений. Они утверждают только, что некоторые важные описания вычислений связаны с содержанием. Можно развивать контент, вовлекая вычислительную технику в интернационалистическом или экстерналистском направлении. Интернационалисты, вовлеченные в вычислительную деятельность, считают, что некоторые описания вычислительных процессов частично идентифицируют психические состояния через их узкое содержание. Мурат Айдедедеде (Murat Aydede, 2005) рекомендует такую должность. Внешний контент, включающий вычислительную составляющую, утверждает, что некоторые вычислительные описания идентифицируют психические состояния частично через их широкое содержание. Тайлер Бурге (2010a: 95-101), Кристофер Пикоке (1994, 1999), Майкл Резкорла (2012) и Марк Спревак (2010) поддерживают эту позицию. Орон Шагрир (2001) выступает за то, чтобы контент включал в себя вычислительную технику, нейтральную между интернационализмом и экстернализмом. Внешнеполитический контент, включающий вычислительную технику, обычно приводит в качестве мотивационного фактора практику когнитивных наук. Например, перцептивная психология описывает перцептивную систему как вычисление оценки размера какого-либо объекта на основе стимуляции сетчатки и оценки глубины залегания объекта. Перцептуальные "оценки" идентифицируются репрезентативно, как представления конкретных дистальных размеров и глубин. Вполне правдоподобно, репрезентативные отношения к конкретным дистальным размерам и глубинам не супервенизируются по внутренней нейрофизиологии. Вполне правдоподобно, таким образом, тип перцептивной психологии идентифицирует перцептивные вычисления через широкое содержание. Таким образом, экстерналистский контент, включающий вычислительную технику, как представляется, хорошо гармонизируется с современной когнитивной наукой. Основная проблема, с которой сталкивается контент, включающий вычислительную технику, касается взаимодействия со стандартными формализмами вычислительной техники, такими как машина Тьюринга. Каким образом содержательные описания связаны с компьютерными моделями, используемыми в логике и информатике? Философы обычно предполагают, что эти модели содержат непреднамеренные описания. Если да, то это станет серьезным и, возможно, решающим ударом по содержанию, включая вычислительную технику. Возможно, однако, многие знакомые вычислительные формальности позволяют интерпретировать содержание скорее как включающее в себя, чем как формальное синтаксическое. Чтобы проиллюстрировать это, рассмотрим машину Тьюринга. Можно выделить "символы", входящие в состав машинного алфавита Тьюринга, несемантически, через факторы, схожие с геометрической формой. Но требует ли формализм Туринга несемантической схемы индивидуализации? Можно утверждать, что формализм позволяет нам отчасти разделять символы по их содержанию. Конечно, в таблице машин для машины Тьюринга явно не указаны семантические свойства символов (например, обозначения или условия истины). Тем не менее, таблица машин может кодировать механические правила, которые описывают, как манипулировать символами, где эти символы идентифицируются по типу содержания, включая термины. Таким образом, таблица машин диктует переходы между состояниями, вовлекающими содержимое, без явного упоминания семантических свойств. Айдедедед (2005) предлагает интерналистскую версию этой точки зрения, в которой тип символов идентифицируется через их узкое содержание [4] Rescorla (готовится к публикации) развивает взгляд в экстерналистском направлении, а тип символов идентифицируется через их широкое содержание. Он утверждает, что некоторые модели в стиле Turing-style описывают вычислительные операции над экстерналистически индивидуализированными ментальными символами [5]. В принципе, можно охватить как экстерналистское содержание, включающее вычислительное описание, так и формальное синтаксическое описание. Можно сказать, что эти два вида описания занимают различные уровни объяснения. Павлин предлагает такой взгляд. Другие контент-включающие вычислители относятся к формальным синтаксическим описаниям разума более скептически. Например, Бурге спрашивает, какой объяснительный смысл формальное синтаксическое описание вносит свой вклад в определенные области научной психологии (например, перцептивная психология). С этой точки зрения, элиминативистский вызов, поставленный в §5.1, имеет обратное значение. Мы не должны предполагать, что формальные синтаксические описания являются ценными с точки зрения объяснений, а затем задаваться вопросом, какой вклад вносят умышленные описания ценностей. Вместо этого мы должны принять экстерналистские намеренные описания, предложенные современной когнитивной наукой, а затем спросить, какой вклад вносит формальное синтаксическое описание ценности. Сторонники формального синтаксического описания отвечают ссылкой на механизмы реализации. Экстерналистское описание психической активности предполагает наличие подходящих причинно-исторических связей между разумом и внешней физической средой. Но, безусловно, нам нужно "локальное" описание, игнорирующее внешние причинно-исторические связи, которое выявляет лежащие в их основе причинно-следственные механизмы. Фодор (1987, 1994) утверждает таким образом, чтобы мотивировать формальную синтаксическую картину. Возможные экстерналистские ответы на аргументы механизмов реализации см. в работе Burge (2010b), Shea (2013) и Sprevak (2010). Дискуссия по этому вопросу и, в более общем плане, по поводу связи между вычислениями и представлением, вероятно, будет продолжаться в бесконечном будущем. 6. Альтернативные концепции вычислений В литературе предлагается несколько альтернативных концепций, обычно выдвинутых в качестве основы для МТК. Во многих случаях эти концепции пересекаются друг с другом или с рассмотренными выше концепциями. 6.1 Обработка информации Ученые-когнитологи обычно описывают вычисления как "обработку информации". Менее часто авторы поясняют, что они подразумевают под "информацией" или "обработкой". Без уточнения, описание - это всего лишь пустой слоган. Научно значимое понятие "информация" Клод Шеннон представил в 1948 году в своей статье "Математическая теория коммуникации". Интуитивная идея заключается в том, что информация измеряет снижение неопределенности, где снижение неопределенности проявляется в виде измененного распределения вероятностей по возможным состояниям. Шеннон кодифицировала эту идею в строгих математических рамках, заложив основу для теории информации (Cover and Thomas 2006). Информация Шеннон является фундаментальной для современного машиностроения. Она находит плодотворное применение в когнитивной науке, особенно в когнитивной нейронауке. Поддерживает ли он убедительный анализ вычислений как "обработки информации"? Рассмотрим старомодный магнитофон, который записывает сообщения, полученные по беспроводному радио. Используя фреймворк Shannon, можно измерить, какой объем информации переносится каким-либо записанным сообщением. Есть ощущение, что магнитофон "обрабатывает" информацию Shannon всякий раз, когда мы воспроизводим записанное сообщение. Конечно, ни формализм машины Тьюринга, ни формализм нейросетей не дают достаточно глубокого представления о ее работе. Возможно, тогда система может обрабатывать информацию Шеннона без выполнения вычислений в каком-либо интересном смысле. Столкнувшись с такими примерами, можно попытаться изолировать более требовательное понятие "обработка", чтобы магнитофон не "обрабатывал" информацию Шеннона. В качестве альтернативы можно настаивать на том, чтобы магнитофон выполнял нетривиальные вычисления. Piccinini и Scarantino (2010) продвигают весьма общее понятие вычислений, которые они называют общими вычислениями, с этим последствием. Второе видное понятие информации вытекает из дискуссии Пола Гриса (1989 г.) о значении природы. Естественное значение включает в себя надежные, контрфактуально поддерживающие корреляции. Например, кольца деревьев коррелируют с возрастом дерева, а оспа - с ветрянкой. Мы разговорчиво описываем кольца деревьев как несущие информацию о возрасте деревьев, оспу как несущие информацию о ветряной оспе и так далее. Такие описания дают представление о концепции, которая увязывает информацию с надежными, поддерживающими контрфакты корреляциями. Фред Дрецке (1981) развивает эту концепцию в системную теорию, как и различные последующие философы. Поддерживает ли информация в стиле Дрецка правдоподобный анализ вычислений как "обработка информации"? Рассмотрим старомодный биметаллический ленточный термостат. Два металла соединяются в одну полосу. Дифференциальное расширение металлов вызывает изгиб полосы, активируя или деактивируя тем самым нагреватель. Состояние полосы надежно коррелирует с текущей температурой окружающей среды, и термостат "обрабатывает" это информационное состояние при активации или деактивации нагревателя. Тем не менее, термостат, похоже, не реализует никаких нетривиальных вычислительных моделей. Обычно термостат не считается вычислительной системой. Наверное, тогда система может обрабатывать информацию в дрецком стиле, не выполняя вычислений в интересном смысле. Конечно, с такими примерами можно было бы попытаться справиться с помощью маневров, аналогичных тем, которые были сделаны в предыдущем пункте. Третьим выдающимся понятием информации является семантическая информация, т.е. репрезентативное содержание [7] Некоторые философы считают, что физическая система вычисляет только тогда, когда состояния системы имеют репрезентативные свойства (Дитрих 1989; Фодор 1998: 10; Ледиман 2009; Шагрир 2006; Спревак 2010). В этом смысле обработка информации необходима для вычислений. Как замечательно выразился Фодор, "ни одно вычисление без представления" (1975: 34). Однако эта позиция является спорной. Chalmers (2011) и Piccinini (2008a) утверждают, что машина Тьюринга может выполнять вычисления, даже если управляемые ею символы не имеют смысловой интерпретации. Вычисления машины носят чисто синтаксический характер и не имеют ничего общего с семантическими свойствами. С этой точки зрения, репрезентативное содержание не обязательно для того, чтобы физическая система считалась вычислительной. Остается неясным, дает ли слоган "вычисления - это обработка информации" много общего. Тем не менее, этот лозунг вряд ли исчезнет из литературы в ближайшее время. Дальнейшее обсуждение возможных связей между вычислениями и информацией см. в работе Gallistel and King (2009: 1-26), Lizier, Flecker, and Williams (2013), Milkowski (2013), Piccinini and Scarantino (2010). 6.2 Оценка функций В широко цитируемом отрывке перцептивный психолог Дэвид Марр (1982) выделяет три уровня, на которых можно описать "устройство обработки информации": Вычислительная теория: "Устройство характеризуется как отображение от одного вида информации к другому, точно определены абстрактные свойства этого отображения, продемонстрирована его пригодность и адекватность для решения поставленной задачи рукой" (с. 24). Представление и алгоритм: "выбор представления для входа и выхода и алгоритма преобразования одного в другой" (с. 24-25). Аппаратная реализация: "подробности физической реализации алгоритма и представления" (с. 25). Три уровня Марра привлекли пристальное философское внимание. Для наших целей ключевым моментом является то, что "вычислительный уровень" Марра описывает отображение от входов до выходов, без описания промежуточных шагов. Марр иллюстрирует свой подход, предлагая теории "вычислительного уровня" различных процессов восприятия, таких как определение границ. Марриновская дискуссия предлагает функциональную концепцию вычислений, в рамках которой вычисления заключаются в преобразовании входных данных в соответствующие выходные данные. Фрэнсис Иган развивает функциональную концепцию в серии статей (1991, 1992, 1999, 2003, 2010, 2014). Как и Марр, она рассматривает вычислительное описание как описание отношений "затраты-выпуск". Она также утверждает, что вычислительные модели характеризуют чисто математическую функцию, т.е. картирование от математических входов до математических выходов. Она иллюстрирует это, рассматривая визуальный механизм (называемый "Visua"), который вычисляет глубину залегания объекта от дисперсии сетчатки. Она представляет себе нейрофизиологический дубликат ("двойник Visua"), встроенный так по-разному в физическую среду, что он не отражает глубину. Конкретные состояния восприятия Visua и Twin Visua с различными свойствами отображения. Тем не менее, говорит Иган, специалисты по зрению рассматривают Visua и Twin Visua как вычислительные дубликаты. Visua и Twin Visua вычисляют одну и ту же математическую функцию, хотя в этих двух случаях вычисления имеют разный импорт представления. Иган приходит к выводу, что вычислительное моделирование разума дает "абстрактное математическое описание", согласующееся со многими альтернативными возможными репрезентативными описаниями. Намеренная атрибуция - это просто эвристический блеск на лежащее в основе вычислительного описания. Chalmers (2012) утверждает, что функциональная концепция игнорирует важные особенности вычислений. Как он отмечает, вычислительные модели обычно описывают нечто большее, чем просто отношения "затраты-выпуск". Они описывают промежуточные этапы, через которые вводимые ресурсы преобразуются в результаты. Эти промежуточные шаги, которые Марр относит на "алгоритмический" уровень, занимают заметное место в компьютерных моделях, предлагаемых логиками и компьютерщиками. Ограничение термина "вычисления" описанием ввода-вывода не охватывает стандартную вычислительную практику. Дополнительное беспокойство вызывают функциональные теории, такие как теория Игана, в которых акцент делается исключительно на математические входы и выходы. Критики жалуются, что Иган ошибочно возвышает математические функции в ущерб намеренным объяснениям, которые обычно дает когнитология (Burge 2005; Rescorla 2015; Silverberg 2006; Sprevak 2010). Для иллюстрации, предположим, что перцептивная психология описывает перцептивную систему как оценивающую глубину какого-то объекта в 5 метров. Перцептуальная оценка глубины имеет репрезентативное содержание: она точна только в том случае, если глубина объекта составляет 5 метров. Мы приводим цифру 5, чтобы определить глубину оценки. Но наш выбор этого числа зависит от произвольного выбора единиц измерения. Критики утверждают, что для психологического объяснения важно содержание оценки глубины, а не произвольно выбранное число, с помощью которого мы, теоретики, определяем это содержание. Теория Игана ставит число, а не содержание в центр объяснений. По словам Игана, вычислительное объяснение должно описывать визуальную систему как вычисление определенной математической функции, которая несет в себе определенные математические входы в определенные математические результаты. Эти конкретные математические входы и выходы зависят от нашего произвольного выбора единиц измерения, поэтому они, вероятно, не имеют объясняющего значения, которое Egan придает им. Мы должны отличать функциональный подход, которого придерживаются Марр и Иган, от парадигмы функционального программирования в информатике. Парадигма функционального программирования модели парадигмы оценки сложной функции как последовательная оценка более простых функций. Возьмем простой пример, можно оценить f(x,y)=(x2+y) сначала оценивая квадратную функцию, а затем оценивая функцию сложения. Функциональное программирование отличается от выделенных Марром описаний "вычислительного уровня" тем, что определяет промежуточные вычислительные этапы. Парадигма функционального программирования уходит корнями в лямбда-вычисления Алонзо Черч (1936), продолжая использовать такие языки программирования, как PCF и LISP. Он играет важную роль в искусственном интеллекте и теоретических компьютерных науках. Некоторые авторы предполагают, что он предлагает особое понимание ментальных вычислений (Klein 2012; Piantadosi, Tenenbaum, and Goodman 2012). Однако многие вычислительные формальности не соответствуют функциональной парадигме: машины Тьюринга; императивные языки программирования, такие как ч; логические языки программирования, такие как пролог; и так далее. Несмотря на то, что функциональная парадигма описывает множество важных вычислений (возможно, включая ментальные вычисления), она не отражает правдоподобно вычисления в целом. 6.3 Структурализм Многие философские дискуссии воплощают структуралистическую концепцию вычислений: вычислительная модель описывает абстрактную причинно-следственную структуру, не принимая во внимание конкретные физические состояния, которые конкретизируют структуру. Эта концепция восходит, по крайней мере, к первоначальному лечению Путнама (1967). Chalmers (1995, 1996a, 2011, 2012) развивает его подробно. Он представляет формализм комбинаторно-государственного автомата (CSA), который включает в себя наиболее знакомые модели вычислений (включая машины Тьюринга и нейронные сети). CSA дает абстрактное описание причинно-следственной топологии физической системы: модель причинно-следственного взаимодействия между частями системы, независимо от характера этих частей или причинно-следственных механизмов, через которые они взаимодействуют. Вычислительное описание определяет причинную топологию. Чалмерс применяет структуризм для описания очень общей версии МТМ. Он полагает функционалистическую точку зрения, что психологические состояния индивидуализированы по их роли в модели причинно-следственной организации. Психологическое описание определяет причинно-следственные роли, абстрагированные от физических состояний, осознающих эти роли. Так что психологические свойства организационно инвариантны, в том, что они накладываются на причинно-следственную топологию. Поскольку компьютерное описание характеризует причинно-следственную топологию, для инстанцирования соответствующих психических свойств достаточно соответствия подходящему компьютерному описанию. Из этого следует также, что психологическое описание является разновидностью вычислительного описания, поэтому оно должно играть центральную роль в психологическом объяснении. Таким образом, структуралистические вычисления обеспечивают прочную основу для когнитивной науки. Ментальность основана на причинно-следственных связях, которые являются именно теми, которые сформулированы в компьютерных моделях. Структурализм сопровождается привлекательным описанием взаимосвязи между реализацией абстрактных вычислительных моделей и физических систем. При каких условиях физическая система реализует вычислительную модель? Структуралисты говорят, что физическая система реализует модель только в том случае, если причинно-следственная структура модели является "изоморфной" по отношению к формальной структуре модели. Вычислительная модель описывает физическую систему путем формулирования формальной структуры, которая отражает некоторые соответствующие причинно-следственные связи. Chalmers развивает эту интуитивную идею, предоставляя детальные необходимые и достаточные условия для физической реализации КСО. Мало кто из альтернативных концепций вычислений может предоставить столь существенный отчет о взаимосвязи реализации, если таковые вообще имеются. Поучительно сравнить структуралистический вычислительный подход с некоторыми другими теориями, рассмотренными выше: Функциональность машины. Структуралистический компьютерный вычислительный подход принимает основную идею функционализма машины: психические состояния - это функциональные состояния, описываемые через подходящий вычислительный формализм. Путнэм выдвигает CTM в качестве эмпирической гипотезы, и на этой основе он защищает функционализм. Напротив, Чалмерс следует за Дэвидом Льюисом (1972), основывая функционализм на концептуальном анализе менталистического дискурса. Если Путнам защищает функционализм, защищая вычислительную технику, то Чалмерс защищает вычислительную технику, принимая функционализм. Классический вычислительный, соединительный и вычислительный нейронауки. Структуралистический вычислительный подход подчеркивает организационно-инвариантные описания, которые умножаются на реализуемые. В этом отношении она отличается от компьютерной нейронауки. Структурализм совместим как с классическим, так и с соединительным вычислительным, но по духу он отличается от этих взглядов. Классицисты и связисты представляют свои соперничающие позиции как смелые, содержательные гипотезы. Чалмерс продвигает структуралистический вычислительный подход как относительно минималистскую позицию, которую вряд ли можно будет смутить. Намеренный реализм и элиминативизм. Структуралистический вычислительный подход совместим с обеими позициями. В описании CSA прямо не упоминаются семантические свойства, такие как ссылка, условия истины, репрезентативное содержание и так далее. Структуралистические вычислители не должны отводить репрезентативному содержанию никакой важной роли в научной психологии. С другой стороны, структуралистический вычислительный подход не исключает важной роли для репрезентативного содержания. Формально-синтаксическая концепция вычислений. Широкое содержание зависит от причинно-исторических связей с внешней средой, опережающих причинно-следственную топологию. Таким образом, описание CSA оставляет широкое содержание недоопределенным. Узкое содержание, предположительно, накладывается на причинно-следственную топологию, но в описании ККА узкое содержание явно не упоминается. Таким образом, в целом, структуралистический вычислительный подход ставит во главу угла уровень формального, несеммантического вычислительного описания. В этом отношении он похож на ФСБ. С другой стороны, структуралистам не нужно говорить, что вычисления "нечувствительны" к семантическим свойствам, поэтому они не должны одобрять все аспекты FSC. Хотя структуралистический вычислительный подход отличается от CTM+FSC, он поднимает некоторые схожие вопросы. Например, Rescorla (2012) отрицает, что причинная топология играет центральную объяснительную роль в когнитивной науке, которую диктует структуралистический вычислительный подход. Он полагает, что экстерналистское преднамеренное описание, а не организационно-инвариантное описание, имеет объяснительный приоритет. Исходя из другого направления, вычислительные нейронауки порекомендуют нам отказаться от организационно инвариантных описаний и вместо этого использовать более специфические нейронные вычислительные модели. В ответ на такие возражения Chalmers (2012) утверждает, что организационно инвариантное вычислительное описание дает объяснительные преимущества, которые не воспроизводятся ни преднамеренно, ни нейрофизиологически: оно раскрывает основополагающие механизмы познания (в отличие от преднамеренного описания); и оно абстрагируется от деталей нейронной реализации, не имеющих значения для многих целей объяснения. 6.4 Механистические теории Механистическая природа вычислений является повторяющейся темой в логике, философии и когнитологии. Гуальтьеро Пиччинини (2007, 2012, 2015) и Марцин Милковски (2013) развивают эту тему в механическую теорию вычислительных систем. Функциональный механизм представляет собой систему взаимосвязанных компонентов, в которой каждый компонент выполняет определенную функцию в рамках всей системы. Механическое объяснение заключается в разложении системы на части, описании того, как детали организованы в более крупную систему, и изоляции функций, выполняемых каждой частью. Вычислительная система - это функциональный механизм определенного вида. На счету Piccinini вычислительная система - это механизм, компоненты которого функционально организованы для обработки транспортных средств в соответствии с правилами. Поддерживая дискуссию Патнама о возможности множественной реализации, Piccinini требует, чтобы правила были среднененененененезависимыми, в том смысле, что они абстрагируются от специфических физических реализаций транспортных средств. Компьютерное объяснение разлагает систему на части и описывает, как каждая деталь помогает системе обрабатывать соответствующие транспортные средства. Если система обрабатывает дискретно структурированные транспортные средства, то вычисления производятся в цифровом формате. Если система обрабатывает непрерывные транспортные средства, то вычисления являются аналоговыми. Вариант механического подхода, предложенный Милковским, аналогичен. Он отличается от Piccinini тем, что использует глянец "обработки информации", так что вычислительные механизмы работают поверх состояний, несущих информацию. Milkowski и Piccinini используют свои теории механики для защиты вычислительной техники. Механисты-вычислители обычно разделяют вычислительные состояния несемантически. Поэтому они сталкиваются с опасениями по поводу разъяснительной роли репрезентативного содержания, аналогичной обеспокоенности, с которой сталкивается ФСБ, и структурализма. В этом духе Шагрир (Shagrir, 2014) жалуется, что механистический вычислительный подход не учитывает объяснений когнитивных наук, которые одновременно являются вычислительными и репрезентативными. Воспринимаемая сила этой критики будет зависеть от симпатии к содержанию, включающему вычислительную технику. 6.5 Плюрализм Мы исследовали различные контрастные, а иногда и пересекающиеся концепции вычислений: классические вычисления, соединительные вычисления, нейронные вычисления, формально-синтаксические вычисления, контент-включающие вычисления, вычисления обработки информации, функциональные вычисления, структуралистические вычисления и механические вычисления. Каждая концепция дает различные формы вычислительной техники. У каждой концепции есть свои сильные и слабые стороны. Можно занять плюралистическую позицию, основанную на признании различных законных концепций. Вместо того, чтобы ставить одну концепцию выше другой, плюралисты с удовольствием используют любую концепцию, которая кажется им полезной в данном контексте. Эдельман (Edelman, 2008) придерживается плюралистической линии, как и Чалмерс (Chalmers, 2012) в своей последней дискуссии. Плюралистическая линия поднимает некоторые естественные вопросы. Можем ли мы предоставить общий анализ, который охватывает все или большинство типов вычислений? Обладают ли все вычисления определенными характерными метками друг с другом? Может быть, вместо этого их объединяет что-то вроде семейного сходства? Глубокое понимание вычислений требует от нас решения этих вопросов. 7. Аргументы против вычислительной техники МТГ вызвала многочисленные возражения. Во многих случаях возражения относятся только к конкретным версиям МТК (таким как классический вычислительный или соединительный вычислительный). Вот несколько важных возражений. См. также аргумент китайского кабинета в пользу широко обсуждаемого возражения против классического вычислительного искусства, выдвинутого Джоном Серлом (1980). 7.1 Аргументы тривиальности Постоянное беспокойство вызывает тот факт, что CTM является тривиальным, потому что мы можем описать практически любую физическую систему как выполняющую вычисления. Searle (1990) утверждает, что стена реализует любую компьютерную программу, так как мы можем различить некоторую закономерность молекулярных движений в стене, которая изоморфна по отношению к формальной структуре программы. Путнам (1988: 121-125) защищает менее экстремальный, но все же очень сильный тривиальный тезис в том же духе. В философской литературе большую роль играют тривиальные аргументы. Антикомпьютеристы выдвигают тривиальные аргументы против вычислительности, в то время как вычислители стремятся избежать тривиальности. Компьютеристы обычно опровергают тривиальные аргументы, настаивая на том, что аргументы игнорируют ограничения на вычислительную реализацию, ограничения, которые препятствуют тривиальным реализациям. Ограничения могут быть контрфактуальными, причинными, семантическими или другими, в зависимости от предпочитаемой теории вычислений. Например, Дэвид Чалмерс (1995, 1996a) и Б. Джек Коупленд (1996) считают, что тривиальность аргумента Путнама игнорирует контрфактуальные условия, которым физическая система должна удовлетворять, чтобы реализовать вычислительную модель. Другие философы говорят, что физическая система должна обладать репрезентативными свойствами для реализации вычислительной модели (Fodor 1998: 11-12; Ladyman 2009; Sprevak 2010) или по крайней мере для реализации содержательной компьютерной модели (Rescorla 2013, 2014b). Детали здесь значительно различаются, и вычислители спорят между собой, какие именно типы вычислений могут избежать каких тривиальных аргументов. Но большинство вычислителей согласны с тем, что мы можем избежать любых разрушительных тривиальных проблем благодаря достаточно надежной теории реализации связи между вычислительными моделями и физическими системами. Панкомпьютеризм утверждает, что каждая физическая система реализует вычислительную модель. Этот тезис правдоподобен, поскольку любая физическая система, вероятно, реализует достаточно тривиальную вычислительную модель (например, односостоятельный автомат конечного состояния). Как отмечает Чалмерс (Chalmers, 2011), панкомпьютеризм не кажется беспокоящим для вычислительной техники. Беспокоит гораздо более сильный тезис о тривиальности, что почти каждая физическая система реализует почти каждую вычислительную модель. Дальнейшее обсуждение тривиальных аргументов и вычислительной реализации см. в разделе "Вычисления на входе в физические системы". 7.2 Теорема неполноценности Гёделя По мнению некоторых авторов, неполнота теорем Геделя показывает, что человеческие математические возможности превосходят возможности любой машины Тьюринга (Nagel and Newman 1958). Ж.Р. Лукас (1961) развивает эту позицию в известную критику CCTM. Роджер Пенроуз продолжает критику в "Новом разуме императора" (1989) и последующих работах. Различные философы и логики ответили на критику, утверждая, что существующие формулировки страдают от заблуждений, сомнительных предположений и даже математических ошибок (Bowie 1982; Chalmers 1996b; Feferman 1996; Lewis 1969, 1979; Putnam 1975: 365-366, 1994; Shapiro 2003). Существует широкий консенсус в отношении того, что эта критика в адрес МКТМ не имеет под собой никакой силы. Может оказаться, что некоторые человеческие умственные способности превосходят вычислимость Туринга, но теории неполноценности Геделя не дают оснований предполагать такого исхода. 7.3 Пределы расчетного моделирования Может ли компьютер сочинить симфонию Эроики? Или открыть для себя общую относительность? Или даже воспроизвести легкую способность ребенка воспринимать окружающую среду, завязывать шнурки и различать эмоции окружающих? Интуитивно понятная, творческая или умелая деятельность человека может показаться сопротивлением формализации с помощью компьютерной программы (Dreyfus 1972, 1992). В более общем плане, можно беспокоиться, что важнейшие аспекты познания человека ускользают от компьютерного моделирования, особенно классического компьютерного моделирования. По иронии судьбы, Фодор обнародовал убедительную версию этой критики. Даже в своих самых ранних выступлениях о CCTM, Фодор (1975: 197-205) выражает значительный скептицизм по поводу того, что CCTM может справиться со всеми важными когнитивными явлениями. Пессимизм становится более выраженным в его более поздних работах (1983, 2000), посвященных, в частности, репродуктивному мышлению как ментальному явлению, которое потенциально не поддается компьютерному моделированию. Его основной аргумент можно резюмировать следующим образом: (1) Расчеты по типу "поворота" чувствительны только к "локальным" свойствам ментальной репрезентации, которые исчерпываются идентичностью и расположением составляющих репрезентации. (2) Многие умственные процессы, парадигматически связанные с похищением, чувствительны к "нелокальным" свойствам, таким как актуальность, простота и консерватизм. (3) Следовательно, нам, возможно, придется отказаться от моделирования соответствующих процессов по типу Turing-style. (4) К сожалению, в настоящее время мы не знаем, какая альтернативная теория может послужить подходящей заменой. Некоторые критики отрицают (1), утверждая, что подходящие вычисления в стиле Turing-style могут быть чувствительны к "нелокальным" свойствам (Schneider 2011; Wilson 2005). Некоторые проблемы (2), утверждая, что типичные выводы о похищении чувствительны только к "местным" свойствам (Carruthers 2003; Ludwig and Schneider 2008; Sperber 2002). Некоторые допускают шаг (3), но оспаривают шаг (4), настаивая на том, что у нас есть перспективные нетуровневые модели соответствующих психических процессов (Pinker 2005). Отчасти подстегиваемый такой критикой, Фодор достаточно подробно излагает свой аргумент. Для защиты (2) он критикует теории, моделирующие похищение, используя "локальные" эвристические алгоритмы (2005: 41-46; 2008: 115-126) или многочисленные когнитивные модули, специфичные для данной области (2005: 56-100). Для защиты (4) он критикует различные теории, в которых похищения рассматриваются с помощью нетуровневых моделей (2000: 46-53; 2008), таких как сети связистов. Охват и пределы компьютерного моделирования остаются спорными. Можно ожидать, что эта тема будет оставаться в центре внимания расследования, проводимого совместно с МА. 7.4 Временные аргументы Психическая активность разворачивается со временем. Более того, разум очень быстро выполняет сложные задачи (например, перцептивная оценка). Многие критики обеспокоены тем, что вычислительный, особенно классический вычислительный, не в состоянии адекватно учитывать временные аспекты познания. Модель в стиле Turing-style не содержит явного упоминания о масштабе времени, в течение которого происходит вычисление. Можно физически реализовать одну и ту же абстрактную машину Turing с помощью устройства на кремниевой основе, или более медленного вакуумно-трубчатого устройства, или еще более медленного шкивно-рычажного устройства. Критики рекомендуют отказаться от CCTM в пользу альтернативной структуры, которая более непосредственно включает временные соображения. van Gelder and Port (1995) используют этот аргумент для продвижения не вычислительных динамических систем для моделирования психической активности. Элиасмит (2003, 2013: 12-13) использует его для поддержки своей нейротехнической структуры. Компьютеристы утверждают, что мы можем дополнить абстрактную вычислительную модель временными соображениями (Piccinini 2010; Weiskopf 2004). Например, модель машины Тьюринга предполагает дискретные "этапы вычислений", не описывая, как эти этапы соотносятся с физическим временем. Но мы можем дополнить нашу модель описанием того, как долго длится каждая стадия, тем самым преобразовывая нашу невременную модель машины Тьюринга в теорию, которая дает подробные временные прогнозы. Многие сторонники CTM используют такие добавки для изучения временных свойств познания (Newell 1990). Аналогичные показатели заметны и в компьютерной науке, специалисты-практики которой весьма заинтересованы в создании машин с соответствующими временными свойствами. Вычислители приходят к выводу, что подходяще дополненная версия МТМ может адекватно отразить, как со временем развивается познание. Второе временное возражение подчеркивает контраст между дискретной и непрерывной временной эволюцией (van Gelder and Port 1995). Вычисления с помощью машины Тьюринга разворачиваются в дискретные этапы, в то время как психическая активность разворачивается в непрерывном времени. Таким образом, существует фундаментальное несоответствие между темпоральными свойствами вычислений типа Turing-style и свойствами фактической умственной деятельности. Нам нужна психологическая теория, описывающая непрерывную временную эволюцию. Компьютеристы отвечают, что это возражение предполагает, что когнитивная активность не попадает в объясняющие существенные дискретные стадии (Weiskopf 2004). Если предположить, что физическое время непрерывно, это означает, что умственная активность разворачивается в непрерывном времени. Из этого не следует, что когнитивные модели должны иметь непрерывную временную структуру. Персональный компьютер работает в непрерывном режиме, и его физическое состояние постоянно развивается. Полная физическая теория будет отражать все эти физические изменения. Но наша вычислительная модель не отражает все физические изменения в компьютере. Наша вычислительная модель имеет дискретную временную структуру. Зачем предполагать, что хорошая модель когнитивного уровня разума должна отражать каждое физическое изменение мозга? Даже если существует континуум развивающихся физических состояний, зачем предполагать континуум развивающихся когнитивных состояний? Сам факт непрерывной временной эволюции не противоречит вычислительным моделям с дискретной временной структурой. 7.5 Воплощённое познание Воплощенное познание - это исследовательская программа, черпающая вдохновение в философии континента Морис Мерло-Понти, перцептуальном психологе Ж.Ж. Гибсоне и других различных влияниях. Это довольно неоднородное движение, но основная стратегия состоит в том, чтобы подчеркнуть связь между познанием, физическим действием и окружающей средой. Варела, Томпсон и Рош (1991 г.) для ознакомления с первым влиятельным заявлением. Во многих случаях сторонники теории динамических систем используют инструменты теории динамических систем. Сторонники обычно представляют свой подход в качестве радикальной альтернативы вычислительной технике (Chemero 2009; Kelso 1995; Thelen and Smith 1994). CTM, жалуются они, рассматривает психическую активность как статическую манипуляцию символами, отделенную от встраиваемой среды. В нем игнорируется множество сложных способов, которыми окружающая среда причинно или конститутивно формирует умственную деятельность. Мы должны заменить CTM на новую картину, подчеркивающую постоянную связь между разумом, телом и окружающей средой. Динамика агентской среды, а не внутренние ментальные вычисления, является ключом к пониманию познания. Зачастую такое критическое отношение к намерениям подталкивает к этому в целом элиминитивистское отношение. Компьютеристы отвечают, что CTM позволяет должным образом признать воплощение познания. Вычислительные модели могут учитывать непрерывное взаимодействие разума, тела и окружающей среды. В конце концов, вычислительные модели могут включать сенсорные входы и выходы двигателя. Нет очевидной причины, по которой акцент на динамику агента и окружающей среды исключает двойной акцент на внутренние умственные вычисления (Clark 2014: 140-165; Rupert 2009). Компьютеристы утверждают, что МТК может включать любые законные идеи, предложенные воплощенным движением за познание. Они также настаивают на том, что CTM остается нашей наилучшей общей основой для объяснения многочисленных ключевых психологических явлений.