Исследования искусственной жизни обнаружили множество примеров того, как простые рецепты могут привести к сложному поведению — если имеется достаточно времени. Вычислительного времени.
Крис Лэнгтон создал на компьютерном мониторе искусственных муравьев — крошечные создания, которые следуют простым схемам, но вместе демонстрируют общее поведение, настолько же сложное, как и поведение насекомых в муравейнике. Мораль заключается не в том, что настоящие муравьи такие же простые, как и искусственные муравьи Лэнгтона; мораль заключается в том, что простые правила могут привести к сложному поведению — если имеется достаточно вычислительного времени и если в процессе отсеивается большое количество информации.
Для возникновения более прогрессивного поведения не нужны особо сложные или продвинутые системы: нужно время. Время для отсеивания информации.
Таким образом, новые области исследования в настоящее время работают с автоматизированными процессами, которые демонстрируют неавтоматизированное поведение.
Рецепт для чего-то сложного вовсе не должен быть сложным сам по себе. К сложному поведению и сложным системам могут привести простые законы. Ключ — позволить простым механизмам работать в течение длительного времени.
Последствием этого знания является то, что исключительно сложно получить беглый обзор того, что происходит. Если создается что-то простое, к примеру, компьютерный вирус, это может привести к последствиям, которые невозможно вычислить, так как вирус будет процветать в системе с повторениями, копиями и вычислениями, которые совершаются снова и снова.
Отсеивание информации может привести к появлению структур, которые будут намного богаче и разнообразнее, чем правила, управляющие отсеиванием информации. Ценность лежит не в том, чтобы знать правила, а в том, чтобы понимать их эволюцию.
С 50-х годов ученые, работающие над искусственным интеллектом, пытались построить машины, которые были бы наделены интеллектом. Но они не добились никакого успеха. Ученые попытались понять человека как создание, поведение которого основано на правилах и следовании простым и ясным инструкциям в умственной работе. Общих правилах, которые было бы легко понять и легко соотнести с задачами, которые они хотели решить, правилами, которые были бы ясными и определенными.
Именно по этой причине исследования ИИ сегодня ведутся уже не столь интенсивно, в то время как исследования компьютерных систем, которые требуют не следования правилам, а обучения на примерах, продвинулись гораздо дальше. Так называемые нейронные сети — пример компьютерных систем, которые не пытаются найти правила для решения сложной задачи, к примеру, анализ изображения, а вместо этого тренируются на большом количестве примеров, которые заканчиваются таким же результатом, как и желаемый результат их деятельности — человеческое поведение. Идея состоит не в том, чтобы сделать правила точными и определенными, а в том, чтобы обогатить и расширить опыт. Важно осознавать не то, как машина это делает, а то, что она делает и что при этом воспринимает.
Это как обучение навыкам человека: дорога к сложному проста, но длинна. Она предполагает постоянное повторение одних и тех же операций снова и снова, накопление большого количества опыта. Она не предполагает создания простых и сильных рецептов, которым можно было бы следовать где угодно. Она не подразумевает, что мы должны знать все еще до старта. Она включает в себя получение опыта.
Кодовое слово — появление. Когда простые правила работают достаточно долго или в достаточном количестве компонентов, появляются совершенно новые характеристики: они появляются, возникают, открываются взгляду.
Эти появляющиеся характеристики нельзя обнаружить, изучая небольшой набор составных частей. Их можно увидеть только тогда, когда имеется так много частей, что начинает накапливаться коллективное влияние, появляются групповые характеристики. Температура, к примеру, это характеристика, которая не имеет никакого смысла, если мы наблюдаем за несколькими молекулами. Прежде чем появится температура, необходимо множество молекул. На примере одной молекулы мы не можем увидеть, частью какой температуры она является, так как температура — это коллективная характеристика, проявляющаяся в виде статистических отношений: температура описывает распределение скоростей среди большого количества молекул.
На более высоком уровне молекулы определенной температуры могут сформировать часть более крупной структуры, к примеру, живого организма — хотя глядя на отдельные молекулы, мы не сможем понять, что они являются частью живого организма. Жизнь — это проявленное свойство материи, а не отдельных компонентов материи.
Понятие появления традиционно базируется на той школе биологии, которая настаивает: одушевление — это гораздо больше, чем физика и химия; в живых организмах есть гораздо больше, чем может быть описано законами физики и химии. Это антиредукционистская точка зрения — биологию нельзя сократить до физики.
Но в последние десятилетия концепция вновь появившихся свойств и коллективных влияний начала все чаще и чаще появляться в описаниях физиков, пытающихся работать с самыми простыми структурами, к примеру, ядрами и простыми молекулярными системами. В прошлом ученые не заботились о том, чтобы подсчитать, может ли появляться новое в простых системах. Но появление компьютеров сделало очевидным, что для появления подобных свойств не требуется каких-то особо сложных условий.
Смысл, следовательно, заключается не в том, что в биологии не появляется ничего нового: смысл в том, что до компьютерной эры биологические системы были единственными примерами простых систем, имевших возможность работать достаточно долгое время для появления новых свойств. И в результате казалось, что живые существа полностью отличаются от неживой природы. У живых существ имелось свойство появления нового, которое, как мы полагали, не присуще неживой природе. Но с развитием компьютеров стало ясно, что появление — это общая характеристика всего, как живой, так и неживой природы.
Немецкий химик Бернд-Олаф Купперс пишет по этому поводу: «Феномен появления… это феномен нашего реального мира, с которым мы сталкиваемся на всех уровнях научных описаний, а не особая характеристика живых систем, которая не позволяет подвести под биологию физические основания».
На самом деле появление — это результат теоремы Геделя для основ математического описания: формальная система, которая не может содержать очень большого количества информации, не может «предсказать», что с ней произойдет, если ей позволят работать. Как раз потому, что математика изобилует неразрешимыми задачами, мы никогда не знаем, где закончится формальное описание, если продолжать его достаточно долго. Развитие Грегори Чаитиным теоремы Геделя в алгоритмическую теорию информации (которую мы обсуждали в Главе 3) доказало, что появление — это вполне обычное свойство любой закрытой системы. Мы не можем предугадать заранее или сказать, глядя на составные части системы, чем они смогут стать в будущем.
«Вдобавок алгоритмический подход также дает возможность формального толкования проблемы появления, — пишет Купперс. — «Целое — это больше, нежели просто сумма его частей» верно для любой структурированной системы вне зависимости от того, является ли эта система живой или неживой».
Следовательно, разницы между живыми и неживыми системами нет.
Сознание — это феномен, на который действует тот же фактор: возникают характеристики, которые мы не смогли бы вывести или понять, глядя на отдельные правила или составные части по отдельности. Дуглас Хофштадтер пишет в книге «Гедель, Эшер, Бах»: «Доказательство Геделя позволяет предположить, что высокоуровневый взгляд на систему может содержать мощь толкования, которая просто отсутствует на нижних уровнях». Далее он продолжает: «Доказательство Геделя предполагает — но никоим образом не доказывает! — что может существовать определенный высокий уровень, с которого мы можем рассматривать ум/мозг, включая концепции, которые не проявляются на низких уровнях, и что этот высокий уровень может иметь мощь толкования, которой не существует — даже в принципе — на более низких уровнях».
