Профессор А.Н. Щукарев и его «Машина логического мышления»
Биография
Родился 2 (14) ноября 1864 года в семье служащего. В 1885 году окончил 3-ю московскую гимназию. В 1889 году, окончив естественное отделение физико-математического факультета Московского университета, он стал преподавать в средних учебных заведениях (1892—1893 — в Муромском реальном училище). С 1893 года работал лаборантом в термохимической лаборатории профессора В. Ф. Лугинина. В 1896 году он сделал здесь своё первое выдающееся открытие — уравнение кинетики растворения кристаллов, позже названное его именем (уравнение Нернста—Щукарёва). После защиты в 1906 году магистерской диссертации «Исследования внутренней энергии газообразных и жидких тел» и, продолжая работать в лаборатории, стал приват-доцентом московского университета.
В 1909 году, после защиты докторской диссертации «Свойства растворов при критической температуре смещения», был избран на должность экстраординарного профессора общей химии Екатеринославского высшего горного училища, а в 1911 году стал профессором Харьковского технологического института, в котором преподавал вплоть до времени ухода на пенсию в 1931 году. В 1935 году А. Н. Щукарёв вновь был приглашен на кафедру физической химии для руководства исследовательскими работами и для чтения аспирантам курса химической термодинамики.
В 1905—1907 годы, в Москве и Харькове, А. Н. Щукарёв выступал с публичными лекциями по вопросам логики мышления, на основе которых была написана книга «Проблемы теории познания в их приложениях к вопросам естествознания и в разработке его методами» (Одесса: Mathesis, 1913. — 138 с.; переиздана: М.: URSS, 2007).
В 1909 году Щукарёв сконструировал логарифмический счётный цилиндр со спиральной шкалой. Стремясь к возможно большей простоте, он применил новый для того времени материал — целлулоид. Модель, сделанная самим учёным, в 1980 году была приобретена у его дочери Л. А. Щукарёвой Политехническим музеем.
Работая в Екатеринославе, он обнаружил и описал явление химической поляризации и магнито-химический эффект, который изучал в последующие годы.
В Харькове им была восстановлена логическая машина Джевонса, сконструированная в конце 1890-х годов П. Д. Хрущовым. По выражению А. Н. Щукарёва, логическую машину он «получил в наследство». Затем Щукарёв изготовил усовершенствованный вариант логической машины Джевонса, лаконичное описание которого содержится в его программной статье «Механизация мышления (Логическая машина Джевонса)», опубликованной спустя 12 лет:
Я сделал попытку построить несколько видоизменённый экземпляр, вводя в конструкцию Джевонса некоторые усовершенствования. Усовершенствования эти, впрочем, не носили принципиального характера. Я просто придал инструменту несколько меньшие размеры, сделал его весь из металла и устранил кое-какие конструктивные дефекты, которых в приборе Джевонса, надо сознаться, было довольно порядочно. Некоторым дальнейшим шагом вперёд было присоединение к инструменту особого светового экрана, на который передаётся работа машины и на котором результаты «мышления» появляются не в условно-буквенной форме, как на самой машине Джевонса, а в обыкновенной словесной форме
Машина логического мышления
В апреле 1914 года, за четыре месяца до начала Первой мировой войны, профессор Харьковского технологического института Александр Николаевич Щукарев по просьбе Московского Политехнического музея приехал в Москву и прочитал лекцию «Познание и мышление». Лекция сопровождалась демонстрацией созданной А. Н. Щукаревым «машины логического мышления», способной механически осуществлять простые логические выводы на основе исходных смысловых посылок.
Например, при исходных посылках:
серебро есть металл;
металлы есть проводники;
проводники имеют свободные электроны;
свободные электроны под действием электрического поля создают ток.
Получаем логические выводы:
серебро есть проводник, оно имеет свободные электроны, которые под действием электрического поля создают ток;
не серебро, но металл (например, медь) есть проводник, имеет свободные электроны, которые под действием электрического поля создают ток;
не серебро, не металл, но проводник (например, уголь), имеет свободные электроны, которые под действием электрического поля создают ток;
не серебро, не металл, не проводник (например, сера) не имеет свободных электронов и не проводит электрический ток.
Лекция имела большой резонанс. Присутствовавший на ней профессор А. Н. Соков откликнулся статьей с провидческим названием «Мыслительная машина» (журнал «Вокруг света», №18, 1914 г.), в которой написал:
«Если мы имеем арифмометры, складывающие, вычитающие, умножающие миллионные числа поворотом рычага, то, очевидно, время требует иметь логическую машину, способную делать логические выводы и умозаключения одним нажиманием соответствующих клавиш. Это сохранит массу времени, оставив человеку область творчества, гипотез, фантазии, вдохновения – душу жизни.».
Напомним, что в 1914 году, когда была опубликована статья, Алану Метисону Тьюрингу, гениальному английскому математику, опубликовавшему в 1947 г. нашумевшую статью «Думающая машина. Еретическая теория», а в 1950 г. вторую: «Может ли машина мыслить?», шел второй год!
«Машина логического мышления» А. Н. Щукарева представляла собой ящик высотой 40 см, длиной 25 и шириной 25 см. В машине имелись 16 штанг, приводимых в движение нажатием кнопок, расположенных на панели ввода исходных данных (смысловых посылок). Кнопки воздействовали на штанги, т.е. на световое табло, где высвечивался (словами) конечный результат (логические выводы из заданных смысловых посылок).
Приезд в Харьков сыграл большую роль в жизни Щукарева. Дело в том, что в Харьковском университете много лет работал хорошо известный в то время в России профессор Павел Дмитриевич Хрущев (1849–1909). По специальности он также был химиком и также, как Щукарев, был увлечен проблемой мышления и методологией науки. Еще в 1897 г. он прочитал для профессорско-преподавательского состава Харьковского университета курс лекций по теории мышления и элементам логики. Вероятно в это время у него возникла мысль повторить (воспроизвести) «логическое пианино» – машину, изобретенную в 1870 г. английским ученым математиком Вильямом Стенли Джевансом (1835-1882), профессором Манчестерского университета, книга которого «Основы науки» была переведена на русский язык в 1881 г. и, очевидно была известна П.Д.Хрущеву. К тому же по материалам книги профессором математики Одесского университета И. В. Слешинским в 1893 г. была опубликована статья «Логическая машина Джевонса» («Вестник опытной физики и элементарной математики», семестр XV, №7). Джевонс не придавал своему изобретению практического значения. «Логическое пианино» трактовалось и использовалось только как учебное пособие при преподавании курса логики. Судя по всему, профессор П. Д. Хрущев, воссоздавший машину Джевонса, (в начале 1900-х годов или несколько ранее) намеревался использовать ее подобно Джевонсу как учебное пособие во время своих лекций по логике и мышлению.
После смерти П. Д. Хрущева в 1909г. его вдова передала машину Харьковскому университету, где он долгое время работал.
Каким образом А. Н. Щукарев отыскал машину, сконструированную П. Д. Хрущевым, – неизвестно. Сам А. Н. Щукарев в статье «Механизация мышления» (1925 г.) пишет, что она досталась ему «по наследству».
А. Н. Щукарев вел большую просветительскую работу, выступал с лекциями на тему познания и мышления во многих городах Украины, а также в Москве и Ленинграде. Первое время он демонстрировал машину, построенную Хрущевым, а затем – сконструированную им самим. В указанной выше статье он сообщает:
«Я сделал попытку построить несколько видоизмененный экземпляр, вводя в конструкцию Джевонса некоторые усовершенствования. Усовершенствования эти, впрочем, не носили принципиального характера. Я просто придал инструменту несколько меньшие размеры, сделал его весь из металла и устранил кое-какие конструктивные дефекты, которых в приборе Джевонса, надо сознаться, было довольно порядочно. Некоторым дальнейшим шагом вперед было присоединение к инструменту особого светового экрана, на который передается работа машины, и на котором результаты «мышления» появляются не в условно-буквенной форме, как на самой машине Джевонса, а в обыкновенной словесной форме.»
Однако главное, что сделал Щукарев, заключалось в том, что он, в отличие от Джевонса и Хрущева, видел в машине не просто школьное пособие, а представлял ее своим слушателям как техническое средство механизации формализуемых сторон мышления. Статью «Механизация мышления. Машина Джевонса» он начинает с упоминания истории создания технических средств для счета. Упоминает абак, суммирующую машину Паскаля, арифметический прибор Лейбница, логарифмическую линейку и аналоговые дифференцирующие машины для решения уравнений. Механизация формализуемых логических процессов рассматривается им как следующий шаг в развитии подобных устройств, оказывающих существенную помощь человеку в умственной работе. В качестве примера в статье приводится решение задачи прогнозирования электрических свойств водных растворов окислов химических элементов. С помощью машины были найдены восемь вариантов растворов электролитов и неэлектролитов.
«Все эти выводы совершенно правильны», – пишет ученый, – «однако мысль человеческая сильно путалась в этих выводах».
Как и в наше время, когда в Советском Союзе кибернетику посчитали вначале лженаукой, так и в 20-е годы воззрения А. Н. Щукарева, помимо доброжелательного отношения, оценивались рядом ученых резко отрицательно.
Профессор И. Е. Орлов в 1926г. на страницах журнала «Под знаменем марксизма» написал: «...Претензии профессора Щукарева, представляющего школьное пособие Джевонса в качестве «мыслящего» аппарата, а также наивное изумление его слушателей, – все это не лишено некоторого комизма. ...Нас хотят убедить в формальном характере мышления, в возможности его механизации» (Орлов И. «О механизации умственного труда». Журн. №12, 1926 г.). К чести журнала – его редакция не согласилась со взглядами автора статьи.
Последнюю лекцию А. Н. Щукарев прочитал в Харькове в конце 20-х годов. Свою машину он передал Харьковскому университету, на кафедру математики. В дальнейшем след ее потерялся. В истории развития информационных технологий в Украине и в бывшем Советском Союзе имя А. Н. Щукарева связано с важным шагом в области средств обработки информации – пониманием и активной пропагандой важности и возможности механизации (в дальнейшем автоматизации) формализуемых сторон логического мышления.
Интернет-человек (ИЧЕ): Защитник Цифрового Будущего
Интернет-человек (ИЧЕ) — это новый герой нашего времени, который не только полностью интегрирован в цифровое пространство, но и активно защищает его. В свете недавних событий, связанных с потенциальной опасности нейросетей, как никогда важно осознать роль таких профессионалов, как ИЧЕ, в обеспечении безопасности и стабильности цифрового мира.
Интернет-человек (ИЧЕ) – герой современности, символизирующий слияние человека и цифровых технологий. В своём белом костюме с сияющей эмблемой "ИЧЕ", он защищает наш цифровой мир, используя передовые технологии и знания. ИЧЕ стои на страже инноваций...
Текущая Ситуация
Новость о том, что сотрудники AI покидают компанию из-за опасений по поводу угрозы, которую могут представлять нейросети, стала тревожным звоночком для многих. Ключевые фигуры компании выразили обеспокоенность, что нейросеть может стать опасным для человечества, особенно если безопасность ставится ниже качества.
Эти события подчеркивают необходимость ответственного подхода к разработке и внедрению технологий.
ИЧЕ: Защита и Безопасность
ИЧЕ — это не просто пользователь интернета или IT-специалист. Это профессионал, который понимает глубину и сложность современных технологий, и активно работает над тем, чтобы они служили на благо человечества. Вот ключевые задачи, которые выполняет ИЧЕ в текущей ситуации:
Обеспечение Кибербезопасности: ИЧЕ разрабатывает и внедряет решения для защиты данных и инфраструктуры. Он следит за тем, чтобы цифровые технологии использовались ответственно и безопасно.
Этическое Программирование: Интернет-человек активно участвует в разработке и продвижении этических стандартов в программировании и разработке искусственного интеллекта, чтобы технологии оставались под контролем человека.
Образование и Осведомленность: ИЧЕ проводит просветительскую работу, помогая обществу понять и правильно использовать современные технологии. Он обучает людей, как безопасно взаимодействовать с цифровыми инструментами.
ИЧЕ: Новый Герой
Представьте себе героя в белом костюме с символом интернета на груди, символизирующей его миссию по защите цифрового будущего, акцентируя участие в российском IT сообществе. Этот герой стоит на страже безопасности и добрых намерений, противодействуя любым угрозам, исходящим от неконтролируемого развития технологий.
Заключение
Интернет-человек (ИЧЕ) — это не просто персонаж, а воплощение новой философии и подхода к технологиям. Он символизирует ответственность, безопасность и инновации. В условиях, когда даже разработчики AI выражают опасения по поводу будущего нейросетей, нам нужен такой герой, как ИЧЕ, чтобы уверенно идти в цифровое будущее.
Следите за следующими постами, чтобы узнать больше о приключениях и миссии ИЧЕ. Этот новый супергерой поможет нам всем понять и принять цифровые технологии, делая мир безопаснее и лучше.
Как вы думаете, какие суперспособности могут быть у Интернет-человека (ИЧЕ)? Поделитесь своими идеями в комментариях!
Продолжение следует...
Поиграем в бизнесменов?
Одна вакансия, два кандидата. Сможете выбрать лучшего? И так пять раз.
Как Берта Бенц изобретала автомобиль
Одним из изобретателей автомобиля с бензиновым двигателем является немецкий инженер Карл Бенц – тот самый, в честь которого названы фирма «Даймлер-Бенц» и автомобиль «Мерседес-Бенц».
Первым автомобилем Бенца (и первым автомобилем в мире) была Model I, построенная в 1886 году. Однако в коммерческую продажу эта «Модель» не пошла – изобретатель считал своё детище недоработанным, и проводил дни и ночи напролёт в мастерской. На свет появились Model II, затем Model III, но широкая публика так и не знала об их существовании.
Ранним утром 5 августа 1888 года 39-летняя супруга Карла Бенца, Берта, решительно сказала (по легенде): «Надоело! Должна же быть от этих бензиновых повозок Карла хотя бы какая-то польза!», после чего с помощью двух сыновей, Ойгена и Рихарда, пошла в мастерскую, завела мотор у «Модели 3» – и, не сказав мужу ни слова, вместе с детьми отправилась на его изобретении в гости к родственникам в другой город!
Надо сказать, что Берта была женщиной образованной, неплохо разбиралась в механике, и была не только женой, но и партнёром мужа по бизнесу – в частности, всё её приданое было вложено в оборудование мастерской. Автомобили Карла она считала прекрасным изобретением, а то, что на мастерскую супругов Бенц всё ещё не сыплются многочисленные заказы, связывала с нехваткой качественной рекламы.
По дороге из Маннгейма в Пфорцгейм (а это больше 100 километров в один конец) фрау Берте приходилось буквально «на ходу» решать самые разные проблемы. У «Модели 3» ещё не было бензобака, бензин заливался непосредственно в 4-литровый карбюратор, поэтому посредине пути в автомобиле кончилось горючее. Берта сделала остановку в городке Вислох, отправилась в местную аптеку и купила там нужное количество бензина (точнее, лигроина – в тогдашних аптеках он продавался в качестве жидкости для выведения пятен).
Неожиданно засорившийся бензопровод Берта Бенц сумела прочистить булавкой от шляпки, а прохудившуюся прокладку в двигателе заменила подвязкой от чулка. Убедившись, что придуманные мужем деревянные тормоза работают из рук вон плохо, фрау Берта купила у деревенского сапожника два куска кожи и соорудила первые в мире тормозные колодки. Вода в системе охлаждения автомобиля постоянно заканчивалась, поэтому на каждой остановке сыновья Бенц отправлялись с вёдрами за водой, а там, где дорога шла в гору и двигатель справлялся плохо, мальчишки дружно толкали автомобиль вместе с мамой.
Тем не менее, несмотря на все трудности, Берта Бенц с сыновьями за 18 часов (то есть со средней скоростью 5 с половиной километров в час) успешно добрались до Пфорцгейма. По замечаниям жены Карл Бенц внёс многочисленные изменения в конструкцию своего автомобиля, а охочие до сенсаций журналисты, в красках расписавшие путешествие отважной женщины с двумя детьми на «безлошадном экипаже», сделали мастерской супругов Бенц прекрасную рекламу.
Полистать журнал "Лучик" можно здесь
Подписаться с доставкой в почтовый ящик – на сайте Почты России
Купить – на Wldberries
Скачать несколько номеров бесплатно – здесь
Наш Телеграм-канал: https://t.me/luchik_magazine
Развитие картографии на современном этапе
Автор: Анна Шевчук.
На современном этапе картография продолжает активно развиваться и претерпевать значительные изменения благодаря современным технологиям. Вот некоторые из перспектив развития картографии:
1. Географические информационные системы (ГИС): ГИС стали важным инструментом в современной картографии. Они позволяют собирать, хранить, анализировать и визуализировать геопространственные данные, что делает картографию более точной и доступной;
2. Спутниковая навигация и космическая картография: спутники и космические технологии позволяют создавать высокоточные карты Земли, а также мониторить изменения на поверхности планеты, такие как изменения климата, использование земель и другие географические процессы;
3. Интерактивные карты и приложения: с развитием интернета и мобильных технологий появляются новые возможности для создания интерактивных карт и приложений, которые позволяют пользователям получать доступ к геопространственным данным в реальном времени;
4. Развитие искусственного интеллекта и машинного обучения: технологии искусственного интеллекта могут помочь улучшить процессы обработки данных, создания карт и анализа пространственной информации;
5. 3D-карты и виртуальная реальность: возможность создания трехмерных карт и использование виртуальной реальности позволяют пользователям более полно и наглядно представлять себе географическую информацию;
6. Улучшение точности и детализации карт: с появлением новых технологий и методов сбора данных карты становятся все более точными, детализированными и актуальными.
Таким образом, современная картография продолжает развиваться и интегрировать новейшие технологии, что делает ее более доступной, точной и информативной для широкого круга пользователей.
Что такое цифровизация, и почему мы перестали летать в космос? Рассказывает журнал «Лучик»
Плодовый клоп, сидящий на кусте садовой малины, уверен, что малина существует для того, чтобы он её ел. Мысль о том, что этот куст кто-то посадил для себя, не приходит ему в голову, и глупо укорять клопа за эту ошибку. Хотя соглашаться с тем, что малину выращивают для клопов, ещё глупее.
Однако мы сами отчасти уподобляемся этому неразумному насекомому, когда говорим "цифровизация – это прежде всего удобно". Малина – это прежде всего вкусно, да. Но кому? Клопу? А с какой стати? Кто сказал, что именно клоп главный, а не вот это существо, например?
Или не его дедушка, посадивший малину? Или не тот, кто выпустил постановление, согласно которому дедушка получил право на шесть соток и выращивание малины... Но клопу это абсолютно неинтересно. Клоп считает всё это натягиванием совы на глобус.
Что ж, оставим сову в покое. Поговорим о прогрессе.
Останови́м он или неостановим – вопрос философский, а вот управлять прогрессом можно. Можно, например, притормозить заморозить исследования по искусственным углеводам, заменив их исследованиями в области генной модификации сельскохозяйственных культур. Или вот в 50-60-е годы прошлого века магистральным путём прогресса считалось освоение космоса. Космос тогда рассматривали как возможность экстенсивного развития технологической цивилизации: космос – это ещё больше ресурсов: ещё больше пространства для жизни и производства.
Почему космос был так важен для человечества в первые послевоенные десятилетия? Нет, не потому, что таков был побочный эффект прогресса – развития военных ракетных технологий. Дело было в другом.
Производство не может достичь определённого уровня и остановиться: производство либо расширяется, либо гибнет. Почему? Таковы законы придуманной людьми в XVII–XIX столетиях индустриальной экономики. Допустим вы решили заняться производством сковородок. Для этого нужно закупить сырьё, арендовать оборудование, нанять рабочих...
У вас на всё это денег нет. Они есть у кого-то, кто сам заниматься производством сковородок не хочет – ну вот не хочет и всё! Однако согласен дать денег вам – при условии, что вы долг вернёте, конечно. И вот это вот долг, именуемый кредитом либо инвестицией, будет заставлять вас всё время выпускать и продавать больше продукции, чем необходимо для окупаемости производства. Вы должны не только окупить производство, но и окупить долг. А для этого вам придётся выпустить больше продукции, чем вы планировали. А чтобы выпустить больше продукции, понадобится больше сырья, больше рабочих, больше оборудования и... да что же это такое, опять больше денег! Которых, напомним, у вас нет, но вы можете и их тоже взять у кого-то в долг. А чтобы вернуть и этот долг, вам понадобится в следующем производственном цикле выпустить и продать ещё больше сковородок, а для этого ещё больше закупить... нанять... и занять.
Вот почему производство должно всё время расти.
Но на Земле оно бесконечно расти не может, потому что Земля конечна, и население её, и ресурсы её конечны. Поэтому-то в 50-е годы и существовала большая (и наивная, как мы понимаем теперь) надежда на освоение космоса. Не у простых людей, разумеется. У «планировщиков».
Однако уже к началу семидесятых стало ясно, что ближний космос для колонизации не годится. А о дальнем мечтать пока рано, да и неизвестно, что там. И космический проект пришлось потихоньку сворачивать. Космос больше не надежда человечества, а так, что-то сбоку припёка, на обочине «магистрального пути прогресса». А «магистральный путь» – это «цифровая трансформация», сокращённо – «цифровизация».
Цифровизация чего?
Это очень интересный вопрос, но сперва закончим с прогрессом. Это, как мы предупреждали, вопрос философский, поэтому, если вы не любите философствований, прокрутите текст до следующей картинки.
Три модели
"Прогресс" – это миропредставительная модель. То есть упрощённая схема, и даже не схема, а образ, с помощь которого мы "понимаем", как устроен мир. Но на самом деле не понимаем, а именно представляем – то есть воображаем. И это воображение (фантазия, миф) заменяет нам понимание.
Модели мира бывают двух типов: циклическая (всё движется по кругу, как солнышко по небу) и направленная (всё движется к некоей цели, к некоему результату, как стрела летит в цель). Микс этих двух типов – хитровыгнутая спиралевидная модель: вроде бы и по кругу, но "на каждом витке выше", а значит – всё-таки направлено, всё-таки к цели. Таким образом, "спиралевидная модель развития" тоже направленная.
А теперь интересное: циклическая модель предполагает, что мир вечен. А направленная модель предполагает, что он конечен. Ведь если у процесса есть цель – то есть и конец процесса. (Либо, если цель недостижима, она бессмысленна.)
Вы скажете, дудки: одной цели достигли – ставим перед собой другую, потом ещё другую и ещё другую, и так бесконечно? Но знаете ли, как в философии называется такая модель? "Дурацкая бесконечность".
Ладно, это мы уже вбок от вбока пошли, заканчиваем. Прогресс – модель эсхатологическая. То есть описывающая (невольно) конец мира. Его смерть.
Эта невольная эсхатология постоянно вырывается из подсознания сторонников направленной модели – то в виде концепции "конца истории" японо-американца Фукуямы (над ним у нас принято смеяться), то в виде советской концепции Коммунизма – Светлого будущего, наиболее выдающиймся представителем которой были не Хрущёв, не Суслов и не Маркс-Энгельс-Ленин, а Иван Ефремов, автор "Туманности Андромеды". Ну достигли светлого будущего, а дальше? Ради чего жить и трудиться, за что бороться? (Заметьте: для ответа на этот вопрос – "Что дальше?" – Ефремову тоже понадобился Космос...)
Вот, кстати, три иллюстрации к роману Ефремова. Сюжет один, но обратите внимание на "разночетния". Первая иллюстрация (слева) 1958 года: реалистичная, но слегка обобщённая, с налётом романтичной мечты. Вторая 1962 года: космос стал реалистичнее, добавилось деталей как в материальной среде, так и в характерах персонажей. "Космос реален". Третья – 1999 год, уже нарочитая условность, сказка, миф... (Зато важное значение приобретает бюст героини.) Тоже своего рода "три модели".
Так вот, теперь о цифровизации – цифровизация чего она. Если одним словом – то управления. "Цифровизация процессов управления процессами". (Не смейтесь, это правда так.) И начать это объяснение следует сначала – с кибернетики...
Кибернетика
Вы, конечно, знаете, что каких-нибудь полвека назад именно так называли всё то, что мы сегодня в быту называем "цифровизацией", то есть – "всё связанное с компьютерами".
Однако само слово "кибернетика" весьма древнее, и история его интересна и примечательна. Ещё в 1834 году физик Ампер в книге «Очерки по философии наук» описал науку под названием «кибернетика». И заимствовал он это слово аж у древнегреческого философа Платона.
По-гречески «кибернетикес» (κυβερνητικης) означает «искусство управления кораблём», но сам Платон использовал это слово в трактате «Республика» как образное описание управления людьми: «Как мудрый кормчий правит в море кораблём, так и мудрый правитель правит своим народом».
То есть кибернетика – это наука об управлении.
В 1948 вышла книга «Кибернетика, или управление и связь в животных и машинах» Норберта Винера – учёного, которого называют основоположником современной кибернетики. Он сделал важное открытие: существуют универсальные законы управления и использования информации, единые как для машин, так и для живых организмов.
Что изучает, чем занимается кибернетика? Её интересуют абсолютно любые системы, в которых присутствует управление. В математической функции значение одной переменной может управлять другой переменной? Да. Значит, кибернетику интересует математика. Кошка бежит туда, куда бежит мышка? То есть можно сказать, что «мышка управляет кошкой»? Обезьяну можно научить дёргать за верёвку, чтобы получить банан? Да. Значит, кибернетику интересует поведение животных.
А поведение человека? Интересует ли оно кибернетику, как вы думаете?
Зачем компьютеры изучают «цифровой след» человека – то есть запоминают, как он ведёт себя в интернете? Какие совершает покупки, какими сервисами пользуется, какими передвигается маршрутами, какую информацию читает, а какую пролистывает, не читая, какие мнения «лайкает», а какие «дизлайкает», а значит, каких придерживается убеждений? Эта информация собирается в огромные базы данных – для чего?
В своей книге «Кибернетика» Норберт Винер писал о том, что законы кибернетики могут применяться для изучения поведения людей, развития общества, взаимодействия социальных групп.
А это значит, что компьютер может не только прогнозировать, как поведёт себя человек, но и программировать его на то или иное поведение. Например – настойчиво предлагать ему определённую информацию, а другую информацию – скрывать. Чтобы одних возможностей лишать, а другие – навязывать.
Для чего это нужно? Для того, чтобы попытаться справиться с индустриально-финансовым кризисом, охватившим планету, – чтобы перейти от "рыночной" системы к "планово-распределительной" – как в СССР, да, но на новом технологическом уровне. От "общества потребления", потребности которого индустриальная цивилизация больше не может обслуживать, – к обществу распределения. К обществу жёсткого экономического и социального регламента.
Вроде бы цель благая, но тут возникает следующая загвоздка...
Один из главных законов науки об управлении – кибернетики называется «закон Винера–Шеннона–Эшби». Он гласит:
«Управляющая система должна иметь бо́льшее разнообразие, чем разнообразие управляемых систем».
В переводе на понятный язык: «Тот, кто управляет, должен знать и уметь больше, чем тот, кем управляют».
А теперь подумаем: что должно произойти, когда средний компьютер будет уметь выполнять разных действий больше, чем средний человек? И когда компьютерная система будет знать о поведении людей больше, чем люди знают о поведении этой системы?
Совершенно верно. Компьютеры начнут управлять людьми.
Конечно, можно сказать, что сегодня и светофоры управляют людьми (кстати, с помощью тех же компьютерных программ), и ничего страшного не происходит – наоборот, от этого только лучше…
Но одно дело, когда светофор командует, как нам ходить по улицам. И совсем другое – если он начнёт командовать, куда нам идти. Как жить. Для чего жить. Чего хотеть, а чего не хотеть… Чувствуете разницу?
Когда люди массово и с охотой отказываются от главных завоеваний эволюции, выделяющих их из животного мира, – от разума и свободы воли, – возникает вопрос: в обмен на что?
На этот вопрос мы предлагаем ответить вам. Как вы думаете?
Полистать журналы можно здесь
Подписаться с доставкой в почтовый ящик – на сайте Почты России
Купить – на Wldberries
Скачать несколько номеров бесплатно – здесь
Ответ на пост «Как работает нейросеть? Рассказывает журнал "Лучик"»
Простите поклонники лучика, но не мог пройти мимо. Я не буду разбирать каждый абзац этой статьи и комментировать его, только в конце приведу цитаты и свои комментарии к ним. На мой взгляд статья очень размыто отвечает на главный вопрос, поставленный в заголовке: как работает нейросеть? Я не в курсе на какую возрастную аудиторию рассчитан материал, но с учетом того, что в статье приведена функция y = kx + b, полагаю, я могу использовать немного математики.
Авторы предлагают аналогию вроде такой: нейросеть - это набор нейронов-чисел, а учатся они, если им показать много примеров. Прежде чем переходить к нейронам, я расскажу как они учатся. Это может показаться странным, но просто принцип обучения что в нейросетях, что в простых моделях машинного обучения одинаков. Для примера рассмотрим как раз уже приведенную функцию y = kx + b. Перенося ее на реальный мир можно взять в качестве примера задачу расчета стоимости жилья в зависимости от площади квартиры. Тогда y - стоимость, x - площадь квартиры, а решаем мы задачу т.н. линейной регрессии (это для сильных духом, постараюсь обходиться без терминов). Далее слайды, которые рисовал сам, простите.
Нужно получить модель, которая по набору иксов (метраж квартиры) дает правдоподобную стоимость. Точки на графике - наши реально существующие данные. Прямая - наша функция. Обучив модель, мы можем подать ей на вход один x и получить ожидаемый y.
В случае применения машинного обучения мы должны просто настроить неизвестные параметры нашей функции (k и b), чтобы получить оптимальную прямую. Главный вопрос - как? Для этого мы должны ввести понятие ошибки модели, чтобы понять, хороши ли она выполняет свою задачу. В нашем примере ошибка - это разность между предсказаниями и реальной стоимостью.
Ошибка модели - средняя разность между реальными значениями и предсказанными по модулю или в квадрате. Формальным языком: L = (y' - y)^2 / n, где n - количество примеров в данных, y' - предсказания, а y - реальные значения y для наших x).
Назовем функцию вычисления ошибок функцией потерь (точнее, она так и называется). Оптимальная модель будет выдавать минимальную среднюю разность, т.е. значение функции потерь будет минимальным. С оценкой определились, теперь переходим к процессу обучения. Для этого мы строим одну случайную прямую, считаем разность между предсказаниями и данными, определяем в какую сторону нам нужно сдвинуть нашу прямую, и сдвигаем, меняя наши k и b на небольшое значение. На какое - задается параметрами модели, обычно этот шаг небольшой, чтобы не перескочить наше оптимальное положение.
Небольшое отступление, которое можно пропустить. Пытливый ум спросит меня, а как мы определяем в какую сторону двигаться на каждом шаге? Отвечаю - просто смотрим на знак. Раньше я упомянул, что для расчета мы используем квадрат или модуль разностей для каждого отдельно взятого примера и усредняем их. Но тогда все наши расчеты будут положительными. Трюк в том, что при обучении мы используем не саму функцию потерь, а производную от нее или т.н. градиент (блин, обещал же без терминов). Геометрически производную можно изобразить так:
Производная - это тангенс угла наклона касательной к функции потерь в выбранной точке. Производная показывает направление роста функции.
На графике изображена функция потерь при разных значениях для нашей задачи - это парабола. Причем левая ветвь соответствует ситуации, когда мы задаем случайную прямую ниже наших точек, правая - выше. Наша задача попасть из красной точки в желтую, т.е. в минимум функции. Определив градиент, мы двигаемся в сторону уменьшения функции, достигая минимума. Математически, при расчете производной (dL = (2 / n) * (y' - y) * x) мы избавляемся от квадрата и можем получать отрицательные значения (и получаем в нашем примере) и тогда двигаемся в противоположную от знака сторону, прибавляя небольшие значения к нашим коэффициентам k и b.
Возвращаясь к объяснению на пальцах. В реальной жизни параметров, влияющих на стоимость квартиры больше, чем просто ее метраж. Тогда мы переходим в многомерное пространство. В реальной жизни у нас есть другие задачи, например то же отделение фотографий кошек от фотографий собак (задача классификации). Или генерация изображений. Но во всех этих задачах используется один и тот же принцип: мы должны определить функцию потерь - определить как мы вычисляем ошибки предсказаний модели и посчитать разницу между предсказаниями и реальными значениями и изменить значения коэффициентов, в зависимости от смещения предсказаний. Для задачи классификации животных (кошек и собак) мы на самом деле строим точно такую же прямую, просто эта прямая не проходит через точки в пространстве, а старается разделить их. Точками в этом случае могут выступать значения пикселей наших картинок, в таком случае, для обычного изображения кошечки, например, разрешением 512х512, мы работаем в 786432-мерном пространстве (потому что 3 (если используем цветное изображение RGB) * 512 * 512 = 786432) и подбираем в этом пространстве не прямую, а плоскость. И уравнение этой плоскости будет таким y = b + k1 * x1 + k2 * x2 + ... + k786432 * x786432. А функция потерь будет другая, но об этом я уже не буду говорить.
Теперь, когда мы поняли как мы учим, можно понять, что такое нейрон в нейросетях. На самом деле, ответ уже понятен. В процессе обучения мы настраиваем коэффициенты некой функции, нейрон тогда - это просто математическая функция от входных данных. Возвращаясь к статье лучика, на этой картинке нейрон - это как раз таки серый кружочек. А желтые - это значения входных данных. Они могут быть в то же время выходными данными с нейронов предыдущего слоя нейросети.
А сколько нейронов в нейросети? Много и зависит от архитектуры. Входной слой просто принимает данные и вычисляет взвешенную сумму, передавая результат на внутренние слои. На примере тех же изображений - количество нейронов на первом слое будет зависеть от параметров изображения, а именно от количества пикселей, но количество нейронов скрытых (внутренних) слоев мы устанавливаем сами. Мы можем поставить один нейрон на первый скрытый слой, который будет суммировать все данные, но толку от такой сети будет мало. На выходном слое количество нейронов зависит от нашей задачи. Для генерации нам нужно в каждом пикселе сетки предсказать реальное значение цвета, значит нейронов будет столько же, сколько пикселей нам надо получить. Если мы говорим о задаче классификации, то на выходном слое будет столько нейронов, сколько у нас классов - т.е. 2 для кошек/собак, например. Рассматривать необычные слои, вроде сверток, не будем, но они есть.
А зачем вообще нужны нейросети? Я уже выше описал, что все задачи так или иначе формализуются в набор известных функций. Но преимущество нейросетей в том, что они универсальны как раз за счет общих принципов построения. А взаимодействие нейронов на разных слоях позволяет расширить пространство настраиваемых параметров, что в свою очередь позволяет уловить связи в данных на разных уровнях. Например, разные слои нейросети, обученной на задаче классификации изображений, могут улавливать разные паттерны: например контуры, формы или цвета. Что как раз-таки используется для передачи стиля - мы замораживаем глубинные веса обученной нейросети (те, которые отвечают за пространство, форму и т.д.) и дообучаем на одном стилевом изображении только те слои, которые отвечают за "мазки кисти" и цвета.
Несколько примеров современных нейросетей и как они обучены:
Генерация изображений. Существует множество архитектур сетей для генерации. Причем я говорю о генерации без текстового описания. Например, т.н. GAN-ы. Они обучены генерировать изображения из шума, как и сказано в статье. Но они не обучаются специально запоминать формы, объемы, углы, цвета. Они обучаются генерировать изображение так, чтобы результат не отличался от данных, с которыми мы его сравниваем.
Векторизация текстов - я выделил этот пункт отдельно, т.к. все сети, работающие с текстами, должны уметь переходить от тестов к точкам в пространстве - векторам чисел. Описывать, как это происходит примерно так же долго, как я описывал линейную регрессию. Но для простоты скажем, что нейросети учатся предсказывать пропущенные в тексте слова, настраивая при этом числа в пространстве векторов, где каждый вектор соответствует отдельному слову. Это классическая задача классификации, а значит мы снова строим разделяющие плоскости.
Генерация текстов. И снова множество архитектур. Есть даже не нейросетевые (смотрите цепи Маркова, которые просто считают попарные вероятности слов в тексте). Нейросетевые пытаются предсказать одно следующее слово на основе предыдущих.
Генерация изображений по тексту. Здесь мы объединяем известные подходы и идея такая: раз мы уже знаем, как векторизовать текст, то будем использовать вектора текста как входные данные, а готовые изображения, как идеал, который нужно научится генерировать из шума. Для обучения таких моделей используется огромное количество картинок с описаниями к ним. Кстати, поэтому было много претензий к русскоязычным генеративным моделям, которые генерировали, например, американские флаги по запросу "Родина". Просто сложно создать большой датасет размеченных изображений своими силами, все используют открытые датасеты, и, например, переводят тексты и всячески обогащают данные.
Теперь можно перейти к самому интересному - цитаты из статьи.
Компьютерный нейрон – это просто... число!
Уже выяснили, что нет.
«А если собаки и кошки раскиданы вперемешку, а?» – спросите вы. Ну что ж, тогда нам может потребоваться не одна линия. И возможно не две и не три, а целый десяток или даже сотня. Важно понять, что рано или поздно мы сможем с помощью обыкновенных чисел и прямых «поделить» наш лист так, чтобы нейросеть уже знала наверняка – что именно она «видит», кошку или собаку, в чью именно область она «ткнула пальцем».
Я зацепился за это определение. Потому что если нам известно только 2 класса, то будет только одна "линия" на выходе. Да, каждый нейрон строит свое собственное решение, но он во-первых, не видит какую-то свою область данных, а во-вторых, его решение агрегируется с решениями всех остальных нейронов на выходном слое. То, что описано - это скорее работа классических деревьев решений, которые действительно нарезают пространство на сколько угодно областей.
Проблема номер один – для обучения нейросети нужно очень много информации. Чтобы научить нейросеть отличать кошку от собаки, ей нужно показать тысячи (лучше миллионы) самых разных кошек и собак. Воспитанник детского садика в возрасте трёх лет кошку с собакой не спутает, даже если видел их всего лишь пару раз в жизни...
С миллионом явный перебор. Кроме того, существуют техники дообучения, позволяющие переиспользовать обученные модели с гораздо меньшим набором данных.
Проблема номер два: нейросети совершенно не умеют анализировать собственные творения, объяснять, «что здесь нарисовано и почему», в частности, они не умеют считать! Из-за этого компьютерные изображения постоянно рисуют людей то с шестью, то с восемью пальцами. Или кошек то с тремя, то с пятью лапами.
Вообще-то, объяснять уже умеют. Но только узкий класс мультимодальных сетей (если мы обучим модель генерировать текст по изображению - обратная задача генерации изображения по тексту - то сможет). А с пальцами проблема в общем тоже пофикшена улучшениями архитектур и увеличением количества параметров моделей. Были бы деньги обучать такие модели.
Проблема номер четыре: нейросеть не умеет работать при нехватке информации, «достраивать недостающее». Скажем, человеческий детёныш, даже малыш, увидев кошачий хвост, торчащий из-под дивана, тут же уверенно «распознает» спрятавшегося котёнка и побежит ловить его! Нейросеть такое «неполное» изображение понять не в состоянии. Человек, исказивший внешность (скажем, надевший маску или загримированный) для современной нейросети опять же становится неузнаваемым.
Умеет и достраивает. И распознает и людей в масках узнает. Опять же, на это влияют как архитектура, так и способ получения данных. Всегда можно аугментировать изображения (например в части тренировочных изображений кошек и собак обрезать все, кроме хвостов и тогда такая нейросеть сможет по хвосту определить животное).
Проблема номер пять: нейросеть совершенно не понимает законов нашего мира – скажем, тех же законов оптики. Она никогда не сможет различить на картине человека – и его отражение в зеркале (для живого человека – задачка пустяковая). Она никогда не сможет различить человека или его лицо в кривом зеркале (как это делаем мы на аттракционе «Комната смеха» в городском парке, или когда разглядываем самих себя в новогодние шарики).
Аналогично - аугментация данных решает проблемы с кривыми зеркалами.
Проблема номер шесть: нейросети чрезвычайно чувствительны к разного рода помехам, дефектам, «шуму». Скажем, если на старой фотографии часть изображения залита грязью, чернилами, испорчена пятнами или царапинами, сильно выцвела, если карточка разорвана или разрезана напополам – уверенное узнавание тут же становится неуверенным и вообще ошибочным. Для человека сломанная на части кукла – всё равно кукла; для нейросети – это уже совершенно другой, неизвестный объект
Формально - да. Именно поэтому при обучении специально добавляют шум, аугментируют данные, выключают часть нейронов. И тогда модель справляется.
Проблема номер семь: нейросети на текущий момент ужасающе «однопрограммны». Если нейросеть настроена на распознавание лиц – она будет уметь только распознавать лица. Переучить её на написание текстов или музыки будет чрезвычайно сложно, часто вообще проще написать и обучить совершенно новую сеть. Если она умеет отличать квадраты от треугольников – даже не пробуйте попросить её отличить кошку от собаки или самолёт от парусной лодки...
В целом верно, но не совсем. В рамках одной моды и архитектуры - работа с текстом, или изображениями, или музыкой - переучить нейросеть не проблема. И даже мультимодальные модели существуют и активно развиваются. Но да, архитектура генератора музыки и генератора изображений и данные для этих сетей настолько разные, что просто в тупую подменить данные нельзя. Удивительно.
Проблема номер восемь: связи между компьютерными нейронами случайны, поэтому нейросети лишены запоминания созданных образов. На приказ «нарисуй мне дерево» нейросеть охотно откликнется и будет рисовать деревья снова и снова, но... каждый раз это будет «другое дерево». И если вы напишете команду «нарисуй мне такое же дерево, как в прошлый раз, только на берегу реки», нейронная сеть не поймёт вас. Она опять нарисует «новое случайное дерево».
Связывать случайность (кстати, они не случайны, а заданы архитектурой) связей между нейронами и неспособность запоминать созданный образ - максимально некорректно. То, что здесь описано, на самом деле решаемо. Но это решение за пределами архитектуры нейросети. Это как предъявлять претензии микроволновке, за то, что она не включила сама кнопку, типа, могла бы и запомнить. У нее нет инструментов запоминания результата, как нет у голой нейросети - она получает данные на вход, генерирует выход и все.
В целом, я догадываюсь, что изначальная статья была рассчитана на детей младшего школьного возраста. И я по размышлению выкинул из моего разбора несколько цитат, которые на самом деле оказались верны, просто сильно упрощают представление. И то, что я описал может быть не всем понятно и требует более глубокого погружения.
Готовы к Евро-2024? А ну-ка, проверим!
Для всех поклонников футбола Hisense подготовил крутой конкурс в соцсетях. Попытайте удачу, чтобы получить классный мерч и технику от глобального партнера чемпионата.
А если не любите полагаться на случай и сразу отправляетесь за техникой Hisense, не прячьте далеко чек. Загрузите на сайт и получите подписку на Wink на 3 месяца в подарок.
Реклама ООО «Горенье БТ», ИНН: 7704722037
Столичных студентов обучат по стандартам Московского НПЗ и пригласят на практику
Профильные образовательные программы и учебные методики крупнейшего московского колледжа №26 актуализируют по стандартам Московского нефтеперерабатывающего завода (МНПЗ). Студентам это поможет максимально адаптироваться к будущей работе на предприятии и освоить современное оборудование на базе образовательной инфраструктуры МНПЗ с тренажерами — двойниками реальных установок, а преподавателям — получить методологическую поддержку со стороны специалистов отрасли.
Как сообщают в «Газпром нефти», меморандум о сотрудничестве был подписан между компанией и руководством колледжа в рамках платформы «Лига колледжей», цель которой — популяризировать технические специальности и привлечь выпускников к работе в нефтегазовой отрасли.
«Лига колледжей» — эффективное решение для взаимодействия лучших образовательных учреждений среднего профессионального образования с отраслевыми активами «Газпром нефти». Наша цель в том, чтобы обеспечить бесшовный переход выпускников колледжей на производственные активы компании. Уделяя особое внимание повышению качества образовательных программ в колледжах, реализации проектов и обмену лучшими практиками, «Лига колледжей» поможет обеспечить рабочими кадрами нашу отрасль.
— Илья Дементьев. Ректор Корпоративного университета «Газпром нефти».
МНПЗ обеспечит студентам колледжа возможность пройти у себя производственную практику и стажировку, а лучшим выпускникам предложат трудоустройство на предприятии.
Больше новостей об энергетике читайте на сайте журнала Энергия+: https://e-plus.media/news/