Julesz Béla Dialógusok az észlelésről - Polc.hu

dik, és valószínűbb, hogy tényleg véletlenszerű. A káoszelmélet tehát nem alkalmazható
az agykutatásban. Metaforaként azonban vonzó lehet egyesek számára.
Valóban, engem is lenyűgöz a stabil területek közti fraktálok által mutatott
kaotikus viselkedés a komplex adaptációs rendszerek fázisterében. Stewart
Kauffman és mások véleménye szerint is a tanulás (például az élet evolúciója) a
„káosz peremén” történik. Lehet, hogy az eredeti emberi gondolatok az efféle
kaotikus határok mentén alakulnak ki? (Az biztos, hogy az enyémek mintha valami
kaotikus ködből születnének.)
B: Azt hiszem, nem veszed figyelembe a katasztrófaelmélet néhány erényét. Az
igaz, hogy az elmélet nem bizonyult jó elméleti eszköznek a neuronok vizsgálatához,
viszont Koenderink és van Doorn (1991) nagyon jó hasznát vették, mikor
megmagyarázták, hogyan születnek és tűnnek el a geometriai szingularitások a
helyváltoztatással. Úgy hiszem, korai még lekicsinyelned az elmélet értékét.
Ami a kaotikus rendszereket illeti, senki sem állította, hogy a számítógépek
nem determinisztikusak (csak a kvantumszinten működő mikro-áramkörök erejéig).
Az az igazán fontos kérdés, hogy léteznek-e olyan pszichológiai jelenségek,
melyek látszólag véletlenszerűek, ám valójában determinisztikusak.
A: Biztos vagyok abban, hogy legokosabb kollégáim nem fecsérelnék idejüket egyértelmű
elméletekre, én azonban már túl öreg vagyok ahhoz, hogy szokatlan ötletekkel
kísérletezzek. Most pedig a neurális hálókkal folytatom, a pszichobiológia
egyik legdivatosabb paradigmájával.
Mivel az agy neuronok hálója, és a neuronokat lehet mesterséges szerkezetekkel
szimulálni (mint azt McCullogh és Pitts úttörő munkája megmutatta), világos,
hogy az agy is vizsgálható számítógéppel szimulált neurális hálókkal. Az
igazi probléma az, hogy megértsük, miféle szervező elv rejlik a neuronok kapcsolata
mögött, és milyen egyéni és együttes tulajdonságaik szimulálnak olyan
állapotokat, melyek a mi mentális állapotainkra hasonlítanak. Ez a kérdés még a
titkok ködébe vész. Mind ismerjük a Frank Rosenblatt (1958) által javasolt
perceptronok gyors felemelkedését és bukását. A lineáris változatnak a megfelelően
hatékony tanulószabály (pl. visszafuttatás) hiánya és az elérhető számítógépek
gyenge teljesítménye ásta meg a sírját. Minsky és Papert (1969) kemény
kritikája csak az utolsó szöget verte a koporsóba. A lineáris perceptron
persze igen egyszerű szerkezet. Úgy képzelhető el, hogy minden tárgyat és
eseményt aszerint osztályoz, hogy az egy n-dimenziós tér egy n-1 dimenziós hipersíkjának
melyik oldalára esik valamely eldöntendő kérdés esetén. Világos,
hogy még a földigiliszta is fölötte áll egy efféle döntéshozó szerkezetnek, amely
csak poliéderekre képes bontani a teret. Bár Rosenblatt nemlineáris perceptronokat
is javasolt, nem állt a rendelkezésére a megfelelő matematikai tétel ahhoz,
hogy megbirkózhasson az ilyen bonyolult szerkezet tanulási konvergenciájával.
Két évtizednek kellett eltelnie, hogy a Hopfield (1984) által meglátott analógia
az emberi memória és a spinüveg között újra divatba hozza a nemlineáris perceptront,
és arra késztesse a pszichobiológusokat, hogy rejtett struktúrákat és
szervező elveket keressenek az agyban. Csakhogy a mesterséges intelligencia
50