Sieć neuronowa

Od kilkudziesięciu lat rozwija się matematyczna teoria sieci neuronowych, która powstała jako próba matematycznego odwzorowania działania biologicznego neuronu – podstawowego elementu mózgu. W międzyczasie sztuczne sieci neuronowe (SSN) zbudowane w oparciu o tę teorię znalazły praktyczne zastosowanie w nowoczesnych systemach sztucznej inteligencji, a więc w rozpoznawaniu obrazów, tekstów, sterowaniu automatycznym, diagnozowaniu medycznym itp., czyli wszędzie tam gdzie kryteria decyzji są bardzo złożone i niejasne. Tam gdzie budowanie precyzyjnych algorytmów jest niemożliwe albo niezwykle skomplikowane i gdzie trzeba statystycznej zdolności decydowania podobnej do tej którą posiada ludzki mózg. Byłoby nadużyciem stwierdzić, że mózg można odwzorować przy pomocy sztucznej sieci neuronowej, niemniej jednak wszystko wskazuje na to, że przetwarzanie informacji w obu przypadkach odbywa się w zbliżony sposób. Sztuczne sieci neuronowe powstały ostatecznie jako próba zrozumienia działania sieci biologicznych neuronów, a badania ich właściwości potwierdziło ogromną zbieżność z zachowaniem istot żywych. Jestem daleki od zbyt głęboko idących porównań i uproszczeń, jednak pozostaję przekonany, że wiele ciekawych z punktu widzenia nauk humanistycznych wniosków z teorii SSN można wyciągnąć. W związku z tym chciałbym swoje spostrzeżenia w tym temacie zaprezentować.

Minimum o sieciach neuronowych

Postaram się mechanizm działania sieci neuronowych przedstawić w największym uproszczeniu. Nie zamierzam rywalizować z szeroką literaturą na temat SSN, chodzi mi raczej o zrozumienie idei. Nie da się tego jednak zrobić bez pewnego wstępu teoretycznego. Mam nadzieję, że będzie on zrozumiały.

Podstawowym elementem sieci jest komórka neuronu. Biologiczny neuron ma trzy podstawowe elementy: odgałęzienia wejściowe (dendryty), ciało komórki i gałąź wyjściową (akson). Akson jednego neuronu (czyli jego wyjście) łączy się z dendrytami innych neuronów (czyli ich wejściami). Połączenie między aksonem i dendrytami nie jest zrośnięte na „sztywno”. Jest to szczelina (synapsa), która przekazuje impulsy z aksonu do dendrytu przy użyciu substancji chemicznych (neuroprzekaźników). Akson łączy się z dendrytami poprzez wiele synaps, w każdej synapsie impulsy przekazywane są przez wiele neuroprzekaźników. Na rysunku wyglądało by to mniej więcej tak.

Rys. Neuron biologiczny

Neuron działa w ten sposób, że zbiera sygnały chemiczne poprzez swoje dendryty (od innych neuronów albo od narządów zmysłu – oczu, uszu, itp), gdy jest odpowiednio intensywnie „drażniony” wysyła impuls elektryczny poprzez swój akson „drażniąc” z kolei poprzez synapsy z neuroprzekaźnikami dendryty innych neuronów (albo ostatecznie układ fizjologiczny: mięśnie, gruczoły itp.). Sieć wzajemnych powiązań neuronów jest jak widać hiper skomplikowana, a ilość kombinacji przekracza wyobrażenie. W tej ilości kombinacji tkwi właśnie potencjał kodowania i przetwarzania informacji.

Żeby tozrozumieć można się posłużyć matematycznym modelem.

Matematyczny neuron podobnie jak biologiczny ma wejścia, blok decyzji i wyjście. Blok decyzji nie jest skomplikowany. Na podobieństwo biologicznego neuronu sumuje po prostu wartości sygnałów z wejść z odpowiednimi współczynnikami (wagami) przypisanymi do nich i wysyła do wyjścia sygnał o odpowiedniej wartości. Może to być po prostu wartość 0/1 w zależności od tego czy zadany próg jest przekroczony czy nie lub funkcja ciągła o podobnym do takiego skoku jednostkowego kształcie. Dla uproszczenia można nawet przyjąć, że zarówno wyjścia i wejścia mają wartości od 0 do 1 (czyli są znormalizowane).

Sztuczna sieć neuronowa składa się z kolejnych warstw połączonych neuronów. Może mieć dużo wejść i dużo wyjść oraz kilka (w dotychczasowej praktyce obliczeniowej do trzech) warstw ukrytych pomiędzy. Możliwe są różne połączenia w tym zwrotne między warstwami w zależności od typu sieci. Wiele takich typów zostało wymyślonych i obdarzonych nazwami. Sieć biologiczna jest oczywiście bardziej skomplikowana, przypadkowa i niejednorodna.

Rys. Neuron matematyczny i fragment sztucznej sieć neuronowej.

Sieć neuronowa ze względu na występujące w niej kombinację połączeń neuronów, które wpływają na siebie za pośrednictwem odpowiednio ustawionych wag może działać jak skomplikowany mechanizm wyboru. Na przykład rozpoznawać obrazy. Załóżmy, że mamy obraz składający się z 35 elementów, 7 rzędów po 5 elementów. W takiej matrycy można zapisać na przykład litery alfabetu: A,B,C itd. Jeśli stworzymy sieć, która ma 35 wejść czyli każdy element obrazu (piksel) jest osobnym wejściem i 26 wyjść dla każdego znaku (A,B,C,D itd) to możemy tak nastawić wagi neuronów w sieci, że będzie ona bezbłędnie obrazy rozpoznawać tzn. po pojawieniu się sygnałów o charakterze konkretnego obrazu na wejściu na jednym z wyjść pojawi się wartość 1, a na innych zero. W bardzo prostej sieci (znacznie prostszej niż ta w przykładzie) wagi można ustawić po prostu ręcznie. W sieci skomplikowanej trzeba użyć mechanizmu stopniowego uczenia sieci czyli dostrajania odpowiednich wag w neuronach. Uczenie sieci polega na wielokrotnym porównaniu otrzymanego wyniku ze oczekiwanym wzorcem i stopniowego poprawiania wag z wykorzystaniem odpowiedniego algorytmu. Zarówno metody tworzenia sieci jak i ich uczenia mogą być dość skomplikowane i skutecznie jak do tej pory ograniczają ilość warstw neuronów sztucznych sieci neuronowych w praktycznych zastosowaniach.
(Zobacz przykład. Rozpoznawanie liter)

Stworzono również sieci samouczące. Idea jest prosta, pochodzi bezpośrednio z badań neurobiologicznych i polega na pozytywnym wzmocnieniu. Im częściej dane wejście neuronu jest pobudzane tym bardziej rośnie waga tego wejścia. Oczywiście sieć taka w miarę ciągłego uczenia nie dostraja się do oczekiwanego wzorca wyjść bo go nie ma. Zmierza za to do jak najbardziej szczegółowego sklasyfikowania i rozróżniania obiektów. W przykładzie z literami taka sieć pobudzana obrazami liter sama uporządkowałaby się tak by każde z wyjść odpowiadało jakiejś literze, tyle tylko, że nie wiadomo z góry które jakiej. Ponadto gdyby podawać jakiś inny wzorzec to mógłby on „zawładnąć” jakimś wyjściem wypierając na przykład rzadziej używaną literę. Taka sieć ciągle się zmienia.

Pojedynczy neuron ma dość proste funkcje, idea sieci też nie jest skomplikowana, ale jej całościowe cechy są bardzo ciekawe:

Wiedza

Wiedza (czyli tak naprawdę dostrojenie wag, a w biologii plastyczność synaptyczna) jest rozproszona i statystyczna, bo do przełączenia danego neuronu nie potrzeba zgodności wszystkich wejść, wystarczy przewaga sumy powyżej wartości decyzyjnej (stosownie do funkcji decyzyjnej). Uszkodzenie pojedynczych neuronów ma bardzo mały wpływ na pracę sieci. Nawet poważnie zniszczona sieć dalej zachowuje pewną zdolność pracy.

Kojarzenie

Jeśli podamy nauczonej sieci uszkodzony obraz (na przykład literę A bez jednej nóżki) to sieć ją rozpozna, ewentualnie z mniejszą pewnością jeśli dany typ sieci ma taką możliwość. Jeśli podamy wzorzec będący jakimś połączeniem dwóch znanych już wzorców to może on być rozpoznany jako oba ale z mniejszym prawdopodobieństwem (zależnie od typu sieci). Inny przykład z życia, jeśli piszemy jakiś tekst i popełnimy w nim drobne błędy literowe, mając ten tekst ciągle w głowie jest niezwykle trudno te błędy wychwycić – sieć ignoruje je całkowicie bo „wie” jakie to obiekty (słowa). Dopiero inna osoba, która nie zna tekstu może błędy zauważyć i to przeważnie nie wszystkie bo  jej sieć również odgaduje słowa już na podstawie pierwszych kilku liter. Sieć kojarzy po prostu, że pewne wejścia są istotne dla klasyfikacji obiektu. Jeśli na przykład sieć miałaby rozpoznawać warzywa to wejście oznaczające kolor czerwony będzie silnie związane z pomidorem, burakiem itp. Wewnątrz sieci wystąpi pewna hierarchiczność zbiorów np. warzywa czerwone, okrągłe itp.

Pamięć i uczenie

Sieć samoucząca jest w ciągłej dynamice i każde doświadczenie pozostawia ślad. Klasyfikacja obiektu jest ciągle dopracowywana. Sieć może „zdziwić się” – odpowiedzieć z mniejszym prawdopodobieństwem, jeśli podamy jej zniekształcony obraz, ale po kilku kolejnych rozpoznania uzna, że to nowa norma. Wcześniej nauczone ale wyparte zbiory łatwiej wracają przy ponownym pobudzaniu, bo resztki rozproszonej informacji pozostają.

Równoległość

Różne fragmenty sieci mogą działać jednocześnie i równolegle klasyfikować różne obiekty (wejścia).

Jak widać, sieć neuronowa (zarówno sztuczna jak i biologiczna) jest po prostu bardzo skomplikowanym, statystycznym klasyfikatorem o gigantycznej pojemności dzięki wielkiej ilości kombinacji neuronów. Jedyne co robi to dzieli otrzymywane sygnały na statystycznie określone (rozmyte) zbiory i podzbiory, które pozostają we wzajemnej relacji podobieństwa lub współwystępowania. Ponieważ ilość przełączników (kryteriów) ograniczających zbiór jest ogromnie wielka i przy tym o wyborze decyduje pewna statystyczna ich większość a nie absolutne wypełnienie wszystkich, więc uszkodzenie pojedynczych neuronów ma znikomy wpływ na całość działania sieci.

Rys. Poglądowy przykład klasyfikowania przez sieć neuronową.

 

Sztuczne sieci neuronowe znajdują coraz więcej zastosowań. Nie mogą się one jak dotąd równać swoją pojemnością nawet w przybliżeniu choćby z mózgiem kury ale w specjalizowanych przypadkach decyzji o wielkiej ilości zmiennych mogą zyskać dużą skuteczność, a nawet przewagę. Na przykład przy analizie wykresów EKG. W przypadku SSN stworzonej w pamięci komputera nic nie stoi na przeszkodzi, żeby nauczyć ją milionami przykładów, a więc nawet większą ilości niż ta z jaką kardiolog zetknie się przez całe życie. W tym konkretnym wąskim przypadku tak nauczona SSN będzie równie albo bardziej „mądra” niż wybitny kardiolog. I takie sieci zaczynają być umieszczane w nowoczesnych maszynach diagnostycznych gdzie pełnią rolę doradczą, wypisując sugestie od razu na wykresie. Wybitny kardiolog zamknięty w pudełku :) i dostępny od zaraz. Pozostaje oczywiście kwestia odpowiedzialności. Pacjenci z trudem przyjmują do wiadomości, że błąd był kwestią rachunku prawdopodobieństwa i nikt nie jest winien…Inne przykłady to ocena zdolności kredytowej w bankach, dobór parametrów ujęcia w aparatach fotograficznych czy sterowanie ruchem ulicznym miasta.

Czy wynikają z tego jakieś wnioski?

Nie można powiedzieć, że mózg ludzki daje się całkowicie zamodelować przy pomocy jednej SSN. Jest zbyt niejednorodny, genetycznie preprogramowany, z wyspecjalizowanymi obszarami, różnymi „wąskimi” połączeniami i najwyraźniej wskutek różnorodność neuroprzekaźników i mechanizmów ich działania (czyli dobierania wag neuronów) potrafi się dynamicznie zmieniać. To przekracza jakiekolwiek możliwości matematycznego modelowania. I bardzo dobrze.

Nie mniej jednak idea działania i przetwarzania informacji przez mózgi biologiczne i SSN jest najwyraźniej podobna i inna niż przetwarzanie informacji w komputerach. Sieć nic nie oblicza, sieć realizuje zadania poprzez segregacje i klasyfikacje.

Płyną z tego różne psychologiczne wnioski.

Różnorodność i rozłączność doświadczeń

Choćby były dwie identyczne genetycznie osoby, a ich rozwój przebiegłby identycznie i nawet podjęłyby wysiłki, żeby robić cały czas to samo, to jednak ich doświadczenie będzie zawsze ciut inne choćby przez to że jedna robi coś jako pierwsza, a druga jako druga. Budowanie wiedzy będzie ciut inne, co z biegiem lat doprowadzi do coraz większych różnic zachowania. Im starsi bliźniacy, tym większe różnice. (Z tą uwagą, że emocjonalny trzon osobowości niekoniecznie działa w oparciu o sieć neuronową, a więc pozostanie niezmienny.)  Każdy osobnik jest inny jednym słowem bo przechowuje różne doświadczenia nawet jeśli jakimś cudem struktura sieci byłaby taka sama. Ma inne „ja synaptyczne”. Mamy też rozłączne wyobrażenia o każdym elemencie rzeczywistości, zbudowane na podstawie doświadczeń. Oczywiście są one zbieżne dla najbardziej powszechnych elementów ale dla każdego z nas statystyczne granice tego co to jest przykładowe „krzesło” ustawione są trochę inaczej. A może to już nie krzesło tylko fotel? Prawdziwy kłopot zaczyna się w przypadku elementów bardziej abstrakcyjnych: wrażeń, kolorów, uczuć, idei. Możemy dowolnie długo dyskutować o tym co to znaczy „miłość” albo „komunista”. Jesteśmy skazani na brak możliwości pełnego porozumienia. Niestety platoński świat idei żyje w naszych synapsach. A dokładnie jest tych światów tyle ilu jest nas i przy tym ciągle się zmieniają.

Zmienność

Każde doświadczenie pozostawia ślad. Nawet jeśli za każdym razem doświadczenie byłoby takie samo to każde kolejne lepiej dostraja sieć i doprecyzowywuje klasyfikację, jednocześnie coraz bardziej upewniając sieć, że nic innego nie jest możliwe. Czyli nawet jeśli i stary i młody wykonują tę samą pracę i żyją podobnie to młody będzie bardziej otwarty na zmiany niż stary.

Z każdym doświadczeniem jesteśmy inni. Można zaryzykować twierdzenie, że stabilność własnej osobowości, którą postrzegamy jest iluzją. W każdej chwili jesteśmy inni. Stała jest tylko zmienność.

Problem z dużymi zmianami

Sieć znakomicie radzi sobie z drobnymi codziennymi zmianami. Cierpliwie dopracowuje swoją statystyczną klasyfikację. Jednak sytuacja w której jesteśmy postawieni wobec bardzo dużej zmiany jest dla sieci wielkim wyzwaniem, bo wymaga rozległej zmiany w wagach neuroprzekaźników. Taka sytuacja jest dla sieci szokiem. W praktyce ludzie reagują na zjawiska zaskakujące odrzuceniem, często uczuciem nierealności. Potrzeba czasu, żeby sieć ponownie się dostroiła po masywnej, zaskakującej zmianie.

Relacyjność i klasyfikacja

Wszystko co wiemy jest we wzajemnej relacji. Wszystkie obiekty są statystycznie określonym (rozmytym) podzbiorem jakiegoś innego statystecznie określonego zbioru. Sieć nie robi nic więcej jak tylko klasyfikacja i kojarzenia. Wszystkie najbardziej skomplikowane działania analityczne i matematyczne wykonujemy poprzez procedury kroczek po kroczku, zbiór po zbiorze, relacja po relacji. Nasz mózg nie ma żadnych innych narzędzi przetwarzania, żadnej centralnej jednostki arytmetyczno-logicznej. Skomplikowane fizyczne prztwarzenie – dekompozycja sygnałów – następuje za to w zmysłach np. słuchu, wzroku itd.

Rozmyta i nieścisła ale konieczna logika

Klasyfikacja obiektów rzeczywistych następuje zawsze statystycznie z pewnym prawdopodobieństwem. Czy ktoś jest w stanie podać całkowicie ścisłą definicję krzesła? Lub jakiejkolwiek innej rzeczywistej klasy obiektów? A jednak jesteśmy pewni, że wiemy co to jest krzesło. Co więcej wiemy, że jest meblem, wytworem ludzkiej pracy, przeważnie z drewna itd. Jest umieszczone w jakiejś relacji do całego świata tak jak wszystko co znamy. Niedokładność klasyfikacji i konieczność uogólniania powoduje, że relacje zawierania, czy wynikania też nie są ścisłe. Niestety do najwyższych warstw sieci czyli poziomu naszej świadomości dociarają już obiekty poklasyfikowane, a informacja o statystycznym charakterze tej klasyfikacji zostaje pominięta po drodze. Nie rozpoznajemy przecież „psa” na 99,98% ale „na pewno”. Nasza świadomość działa w oparciu właśnie o to „na pewno” najwyższych warstw sieci. Jeśli już określamy prawdopodobieństwo to niechętnie i bez dalszych konsekwencji. To rodzi cały kłopot. Jesteśmy przekonani o ścisłości naszego rozumowania, choć ścisłe wcale nie jest. Rzeczywistą pewność logiki osiągamy wyjątkowo i z dużym trudem, poprzez cierpliwe budowanie gmachu kolejnych definicji nauk ścisłych. W życiu się nam to nie zdarza. Spotykamy zasadniczego Niemca i mówimy zaraz, że wszyscy Niemcy są zasadniczy. Nawet jeśli prawie wszyscy są :) to prawie robi znaczną różnicę. Im większa odległość miedzy obiektami tym ścisłość bardziej iluzoryczna. Ogólnie w ogóle nie przeszkadza nam, że różne elementy naszej wiedzy pozostają we wzajemnej sprzeczności. Byle były to elementy odległe i połączone przez wystarczająco długi i mało uczęszczany przez nasze myśli ciąg relacji, w którym wszystko zaczyna być prawdopodobne. Jednocześnie nie może być zjawisk i obiektów których nie możemy sklasyfikować i zrelacjonować. W sieci nie może być samotnych wysp. Stąd skłonność do budowania spiskowych i nieracjonalnych teorii dla wyjaśniania jakichś zaskakujących zjawisk. Takie teorie są budowane wtedy gdy brakuje struktury wiedzy, która potrafiłaby je w jakieś istniejące już relacje wpisać. A wiedzy zawsze brakuje więc jest to całkowicie naturalna skłonność. Przekonywanie nie pomoże jeśli nie ma struktury która mogłaby dokonać skomplikowanego ale bardziej prawdopodobnego połączenia. Mniej prawdopodobne ale bazujące na istniejących połączeniach wyjaśnienie zjawiska na pewno zwycięży.  Tu oczywiście pojawia się pole do popisu dla ideologów, manipulatorów i demagogów siejących wirusy umysłu. Świat oczywiście jest bardzo skomplikowany, a sieć potrzebuje połączeń – ludzie lubią proste wyjaśnienia, więcej, muszą je mieć…

O tę rozmytą logikę nieustannie rozbija się ludzka myśl. Praktycznie wszyscy myśliciele i filozofowie w historii świata błądzili właśnie dlatego, że mylili „prawie” z „zawsze”, z prawdziwych założeń wywodząc błędny wnioski albo wręcz wpadając w pętle truizmów (czyli założeń zawierających już wnioski). Stosując rozmytą logikę naszego rozumu można udowodnić dosłownie wszystko. Gmach scholastyki może być dowolnie duży. Najpiękniejszy przykład dał bodaj Kartezjusz w „Rozprawie o metodzie” gdzie najpierw skrupulatnie buduje swoją logiczną prawie nowoczesną metodę, po czy stosuje ją w sposób całkowicie rozmyty i dochodzi do absurdalnych wniosków (na temat krążenia krwi w ciele człowieka). Dyskutując w dodatku z badaniami empirycznymi! Piękny przykład późnej scholastyki :) .

Nawet współczesna nauka ma co jakiś czas problemy ze ścisłością logiki. Nie tak przecież odległy nurt psychoanalityczny – przykład nowoczesny. Czyste konstrukcje umysłowe bez podstaw empirycznych mogą być dowolnie abstrakcyjne (np. życie seksualne niemowląt, okresy oralne i analne itd., żeby wspomniec te najbardziej kuriozalne).

Z drugiej strony ta rozmyta logika jest oczywiście osią naszej kultury. Wątpliwości, interpretacje, pytania, narracje, rozmaitość poglądów. To środowisko naszego ducha. Nasz dramat niezdolności dotarcia do prawdy…

 

Rozmyta pamięć

Pamięć sieci nie jest cyfrową pamięcią komputera. Jeżeli takie komórki ścisłej pamięci istnieją w mózgu to są w każdym razie bardzo nieliczne. W tak zwanej podręcznej pamięci możemy zapamiętać przeciętnie około siedmiu elementów i to na bardzo krótki okres czasu. Używamy jej codziennie w tysiącu drobnych spraw. Jak bardzo jest ograniczona łatwo sie przekonać próbują zapamiętać (bez utrwalania w pamięci) większą (niż kilka) ilość cyfr lub innych elementów np. listę zakupów. Prawdziwa siła pamięci tkwi w tak zwanej pamięci semantycznej czyli tej wyuczonej i wkomponowanej w sieć neuronową.  Bazujemy na tej pamięci nieustannie. Kiedyś nauczyliśmy się chodzić i do tej pory pamiętamy jak to robić. Podobnie z każdą inną czynnością: jazdą na rowerze, grą na skrzypcach, czytaniem, mówieniem itd. Każda z tych czynności pamiętana jest jako zestaw kolejnych elementów (np. ruchów) połączonych w procedurę. Cały nasz świat opiera się na procedurach. Oczywiście gdy opanujemy jakieś działanie do perfekcji to nie odczuwamy go świadomie jako procedury. Jest całkowicie zautomatyzowane i nie wymaga naszego świadomego udziału. Ale w głębi naszego mózgu sieć poklasyfikowała i połączyła relacjami każde najmniejsze drgnienie mięśni, jedno po drugim aż do większej całości. Żeby zrozumieć jak bardzo zproceduralizowane jest na przykład nasze poruszanie się warto zobaczyć jak dzieci uczą się wstawać albo chodzić: ruch po ruchu, kroczek po kroczku. Im częściej jakiegoś zachowania używamy tym bardziej jest ono zapamiętane i zautomatyzowane. W przypadku uszkodzeń mózgu lub ciężkich chorób mózgu np. choroby Alzheimera, zawsze głeboko wyuczone czynności ulegają zaburzeniu ostatnie. Sieć może być poważnie uszkodzona ale dalej będzie w jakimś stopniu realizowała zapamiętane czynności. Czasem w wyniku wypadku i urazów głowy ludzie tracą pamięć osobistą, czasem w ogóle nie wiedzą kim są, ale jeśli w młodości nauczyli się pływać, albo grać na instrumencie i nie utracili zdolności motorycznej to dalej pamiętają jak to robić. Będą też mówić, o czym później.

Również nasza pamięć chronologiczna, czyli ta związana ze świadomością, która pozwala nam pamiętać co kiedy robiliśmy jak również abstrakcyjne pojęcia których się nauczyliśmy opiera się o pamięć sieci neuronowej kory mózgowej. Zaryzykuję hipotezę, że pamięć ta jest rodzajem indeksu do klasyfikacji wytworzonej w tej sieci. Tzn. nie pamiętamy dokładnie wszystkich obrazów, które możemy sobie przypomnieć, raczej dekomponujemy te obrazy na bieżąco w miarę zapamiętywania na poszczególne klasy obiektów. Tak jak na policyjnym obrazie pamięciowym: kolor oczu, włosów, wysokość czoła itd., tysiące szczegółów. Im bardziej znany obraz tym więcej klas szczegółów. Ile to razy zdarza nam się, że jesteśmy pewni jak wygląda jakaś osoba, ale jeśli ktoś zapyta o konkretny szczegół to nie jesteśmy w stanie odpowiedzieć z pewnością. Zeszliśmy poniżej poziomu detali które pamiętamy dla tej konkretnej twarzy (albo innego obrazu) . Co więcej jeśli jakiegoś obrazu nie odświeżamy w rzeczywistości ale jedynie przywołujemy w pamięci, to jest bardziej niż prawdopodobne, że zostanie on zdeformowany i rozmyty. Otóż przywołujemy obraz zawsze z jakąś dokładnością, ale jednocześnie zawsze kiedy to robimy przechodzimy doświadczenie zapamiętywania – utrwalamy ten obraz. Pomyłki narastają, szczegóły się zacierają. Jeśli z kolei nie przywołujemy obrazu to prawdopodobnie inne obrazy „okradają” ten fragment sieci z wag synaptycznych na własne potrzeby.  W końcu mówimy, że nie jesteśmy pewni czy tę osobę jeszcze poznamy. Podobnie gdy osoba np. kobieta radykalnie zmieni wygląd. Trudno wtedy taki obraz skomponować ze znanych elementów. Za dużo rzeczy się nie zgadza. Potrzebujemy dodatkowej pomocy: charakterystycznego ruchu, głosu itd. – wtedy nagle wszystko pasuje w ciągu mikrosekundy. Bardzo często zdarzają się też większe przeskoki elementów w klasyfikacji. Uparcie pamiętamy na przykład, że dom dalekiego kolegi u którego byliśmy w zeszłym roku był żółty i czasem nawet głosimy to wszem i wobec, a po weryfikacji okazuje się, że nie jest żółty tyko blado zielony. (Za to niedaleko był żółty sklep. Ot, pomieszało się sieci trochę :) ) Każdy pewnie poda takie przykłady gdy pamięć ich zawiodła. Charakterystyczne jest to, że przed weryfikacją jesteśmy pewni że dobrze pamiętamy. Adwokaci mają podobno takie powiedzenie: „kłamie jak naoczny świadek”… Niekoniecznie z premedytacją.

 

Język

Język jest podstawą naszej świadomości dlatego, że jest znakomitym odwzorowaniem klasyfikacji w sieci neuronowej tworzącej tę świadomość. Język nie jest sztucznie nauczoną zdolnością. Język jest naturalną umiejętnością człowieka. Nie ma świadomości bez języka. Oczywiście myślimy też obrazami ale nazywamy językiem z taką łatwością bo opisuje on klasyfikację którą stworzyła sieć. Jest indeksem do tej klasyfikacji. Rzeczowniki i opisujące je przymiotniki w relacji za akcjami (czasownikami) itd.  Zbiory i relacje. Rozbiór gramatyczny języka jest rozbiorem klasyfikacji i relacji sieci neuronowej tworzącej świadomość. W każdym języku świata prawie tak samo. Oczywiście zmieniają się słowa i zasady gramatyki ale zasada zbiorów, do których słowa są indeksami i wzajemnych ich relacji pozostaje niezmienna.

Gramatyka jest znakomitym przykładem rozmytej logiki. Zwłaszcza w przypadku języków, które dłużej pozostawały w izolacji i miały czas aby rozwinąć pełnię komplikacji tak jak np. język polski. Są zasady ale ich zapisanie jest bardzo skomplikowane, jest wiele wyjątków, przy tym wiele jest kontekstowych czyli zależy od znaczenia słowa i to dość wyszukanego np. odmiany męsko i niemęsko osobowe, żywotne i nieżywotne itd. Na sztywną niekontekstową logikę nie da się tego wziąć. A dla sieci neuronowej nie jest to większy problem – posiada zilion kombinacji które mogą wiele pomieścić, pod warunkiem, że będzie się to działo na poziomie automatycznej pamięci semantycznej (choć ludzie mniej wykształceni upraszczają odmianę i wymowę, co może sugerować osiąganie pewnego limitu). Jeśli brać te zasady na bardziej ograniczoną świadomą logikę to się już nie da. Trzeba upraszczać. Tak ewoluują języki które tworzą się w tyglu kulturowym, gdzie dorośli ludzie masowo uczą się obcego języka używając przede wszystkim świadomych procesów o ograniczonej pojemności. Tak z łaciny powstała na terenach podbitych przez Rzymian łacina ludowa, która przekształciła się w języki romańskie m. in. francuski, ten z kolei w swej starej wersji po podboju normańskim zmieszał się ze staro angielskim i radykalnie uprościł do angielskiego (ani podbici anglosasi, ani normańscy panowie nie byli się w stanie nauczyć nic bardziej skomplikowanego :) potem kolejna faza upraszczania w wersji amerykańskiej, a teraz mamy falę upraszczania angielskiego w tak zwany „World English” z uwagi na powszechne kalekie używanie, które wpływa zwrotnie na ludzi dla których angielski jest językiem ojczystym. I tak dorobiliśmy się prostego języka światowego, który jest w zasięgu zdolności każdego człowieka :)

 

Intuicja

To nic innego jak sugestia pochodząca z głębi doświadczenia naszej automatycznej neuronowej sieci. Ta sieć poniżej-świadoma przechowuje całe nasze doświadczenie życiowe jak również doświadczenia przekazane nam genetycznie przez naszych przodków. Logika i wiedza, którą możemy zbudować na bazie części dostępnej naszej świadomości jest w porównaniu z nią bardzo ograniczona. Różnica jest taka jak między nowicjuszem, który gra na skrzypcach niezdarnie odtwarzając zapisane na papierze nuty świadomie rozważając każdą, a wirtuozem, który gra sercem.

Trzeba sieci pozwolić grać! Wszędzie tam, gdzie dysponujemy dużym życiowym doświadczeniem, włączanie świadomych logicznych rozważań raczej pogorszy niż poprawi jakość podejmowanych decyzji, czy wykonanego dzieła. Uwierzmy doświadczeniu.

Nie należy jednak popełniać błędu podejmowania intuicyjnych decyzji w przypadkach gdy nie mamy odpowiedniego doświadczenia. Wtedy jedyną szansą jest świadoma logika. Jak lot we mgle „na instrumentach” – intuicja kończy się katastrofą…

Z intuicją wiąże się jeszcze jeden aspekt. Otóż jak powszechnie wiadomo ludzie mówią co innego niż myślą, a robią jeszcze co innego niż mówią i myślą :) .
Mówią co innego niż myślą bo mają różne swoje świadome strategie i wiedzą, że odkrywanie wszystkich swoich kart im nie służy, ale robią co innego niż myślą bo podejmowanie decyzji jest ściśle związane z emocjami i poniżej-świadomym automatycznym przetwarzaniem neronowym odczuwanym właśnie jako intuicja (której często ulegamy). Świadome rozważania mają na nią wpływ ale pośredni. Dlatego nie należy przywiązywać się do jawnych deklaracji ludzi, w tym własnych ;) .

 

Sieci neuronowe są podstawą przetwarzania przez nas informacji. To metoda rozwinięta w cudowny sposób przez lata ewolucji. Sama w sobie nie niesie jednak żadnego sensu, żadnej nadziei. Jest, bo jest taka możliwość. Bo jest energia, która na to pozwala. Tak jak sieć, która rozpoznaje litery. Będzie to robić jeśli stworzymy ją w układzie elektronicznym i zasilimy go energią. Bez celu, „nie wiedząc” po co to robi…

Sieci neuronowe naszego mózgu nie jest ani dobra ani zła, za to przeważnie skuteczna. Ale tylko wtedy gdy zostanie jej nadany emocjonalny sens. Samo w sobie przetwarzanie informacji nie niesie żadnej wartości. Może jej nabrać tylko wobec wartości nadanej z zewnątrz. Takiej jak genetycznie zaprogramowana w naszych uczuciach wola życia. Tylko z tego punktu widzenia decyzje są dobre albo złe. Bez kryterium są nijakie.

W przypadkach psychopatii emocjonalnej albo w rzadkich uszkodzeniach tej części mózgu która odpowiada, za nasz emocjonalny napęd sieć przetwarza w sposób beznamiętny i wydawałoby się czysto racjonalny. Ale bez emocjonalnej stawki to racjonalne przetwarzanie zawsze prowadzi do złych strategicznych wyborów. Jeśli nie ma stawki to każde ryzyko staje się zerowe…

Neuron (Nicolas P. Rougier, 2003, Wikimedia)