CC BY
9
решаема и в нейронауке в контексте ее новых масштабных коллективных предприятий. Ключ к ее решению заключается в использовании идентификационных средств вроде идентификатора «Открытый исследователь и автор» (Open Researcher and Contributor ID -ORCID), а также в автоматическом присвоении идентификаторов самим научным публикациям с их последующей объективной оценкой специальными комитетами.
Новые масштабные коллективные инициативы в нейронауке обещают принести небывалые по значимости результаты, которые позволят эффективно диагностировать и лечить такие заболевания, как болезнь Альцгеймера, шизофрения, аутизм и т.д. С точки зрения автора статьи как руководителя ведущего федерального агентства по финансированию фундаментальных исследований в США, усилия, направленные на поддержку коллективных проектов в ней-ронауке, должны носить синергический характер. Каждая крупная мировая инициатива сама по себе может рассматриваться как часть глобального коллектива: «Координация, - пишет он, - будет ключом к общему успеху» (с. 602).
М.А. Сущин
2017.03.012. МИЛКОВСКИЙ М. МЕХАНИСТИЧЕСКАЯ КОНЦЕПЦИЯ ВЫЧИСЛИТЕЛЬНЫХ ОБЪЯСНЕНИЙ В КОГНИТИВНОЙ НАУКЕ И ВЫЧИСЛИТЕЛЬНОЙ НЕЙРОНАУКЕ. MILKOWSKI M. A mechanistic account of computational explanation in cognitive science and computational neuroscience // Computing and philosophy: Selected papers from IACAP 2014 / Ed. V.C. Müller. -Berlin: Springer, 2016. - P. 191-205. - Mode of access: http://www.springer.com/br/book/9783319232904#
Ключевые слова: вычисление; вычислительное моделирование; объяснение; механизм; уровни; обработка информации.
Специалист в области философии когнитивной науки, научный сотрудник Института философии и социологии Польской академии наук М. Милковский предпринимает попытку представить целостную интерпретацию вычислительных объяснений в когнитивной науке и вычислительной нейронауке в рамках механистической объяснительной перспективы. Общеизвестно, что вычислительное моделирование является одним из краеугольных камней
данных дисциплин. Тем не менее, несмотря на огромную значимость вычислительных объяснений, единого методологического представления о них до сих пор выработано не было.
Оказавшаяся в определенных отношениях продуктивной трехуровневая модель анализа сложных систем обработки информации Д. Марра также сталкивается с целым рядом теоретических затруднений. Например, отношения между постулированными в ее рамках уровнями могут пониматься по-разному, зависимость между способностью (competence) и ее физической реализацией также не ясна. Равно как и нет ответа на вопрос о том, следует ли понимать альтернативный этой модели восходящий (bottom-up) метод моделирования как всецело неверный, и т.д.
Как поясняет автор, с точки зрения сторонников применявшихся не так давно подходов в области теории механистического объяснения1, объяснение какого-либо феномена заключается в выявлении причинных оснований его функционирования, т.е. в создании модели причинной структуры механизма, лежащего в его основании. В общем виде механизмы понимаются как организованные системы, состоящие из релевантных в причинном отношении частей и активностей, вносящих, соответственно, вклад в набор способностей этих систем.
Развиваемый автором механистический подход к вычислительным объяснениям не предполагает каких-либо иных понятий (например, понятия «репрезентация»), кроме понятия «информация» (в информационно-теоретическом, а не в семантическом смысле). В своих построениях автор следует представлению об информации как о количественном структурно-информационном содержании, изложенному классиком науки Д.М. Маккеем. «Физический носитель, - пишет автор, - должен быть способен принимать по крайней мере два различных состояния, чтобы считаться несущим информацию» (цит. по: с. 193). Соответственно, с точки зрения автора, вычисление и есть не что иное, как обработка информации.
1 Bechtel W. Mental mechanisms: Philosophical perspectives on cognitive neuroscience. - N.Y.: Routledge (Taylor & Francis Group), 2008. - 322 p.; Craver C. Explaining the brain: Mechanisms and the mosaic unity of neuroscience. - Oxford: Oxford univ. press, 2007. - 328 p.
Как и Д. Марр в рамках своей программы, автор подчеркивает необходимость четкого определения для механистических моделей того, что именно они собираются объяснить, т.е. четкого определения объясняемого феномена, или экспланандума (explanandum phenomenon). В то же время, замечает он, все охватываемые в рамках объяснения механизмы выделяются исследователями на основании их эпистемических интересов. Поэтому они могут быть рассмотрены под разными углами, в зависимости от того, что именно исследователь хочет объяснить.
«В некоторой степени спецификация экспланандума соответствует определению когнитивной компетенции (понимаемой в целом как способность механизма)», - пишет автор: (цит. по: с. 194). Однако же разительное отличие механистической объяснительной перспективы от традиционных вычислительных концепций когнитивных компетенций заключается в том, что в ее рамках экспла-нандум объясняется вместе с его физической реализацией находящимися в основании уровнями механизма. Для механистической точки зрения объяснение реализации представляет собой такую же релевантную задачу, как и объяснение компетенции (или способности). В общем виде экспланандумом для вычислительных объяснений служит «способность вычислять, или обрабатывать, информацию» (с. 194).
В рамках исходных положений своей концепции автор проводит еще одно важное методологическое различение. Дело в том, что не все части используемых моделей (будь они чисто компьютерными моделями или же, например, воплощенными физически робототехническими моделями изучаемых животных) непосредственно в точности соответствуют своему экспланандуму. Например, робототехническая модель фонотаксиса у кузнечиков в силу технических соображений может включать в себя использование плат, которым, конечно же, ничего не соответствует в реальных кузнечиках. Поэтому, утверждает автор, необходимо различать части модели, прямо соответствующие объясняемому феномену (объяснительный фокус), и ее поддерживающие элементы (scaffolding), выполняющие вспомогательные функции.
В случае если объясняемый феномен полностью охватывается объяснительным фокусом модели, данная модель, в терминологии автора, будет «механистическим объяснением как-в-действи-
тельности (how-actual explanation); если модель включает в себя определенные темные пятна (black boxes), функция которых более или менее хорошо определена, она является схемой механизма; в противном случае она остается эскизом механизма» (с. 195).
Конститутивная форма механистического объяснения предполагает анализ феномена на трех уровнях: 1) на нижнем (-1) уровне описывается внутреннее устройство частей механизма и их взаимодействие; 2) на изолированном (0) уровне дается описание взаимодействия частей механизма (активностей и операций); 3) на контекстуальном (+1) уровне функции механизма рассматриваются в более широком контексте среды, окружающей механизм (с. 195).
По отношению к объясняемому феномену модели могут быть либо слабоэквивалентными, если они описывают только подаваемую на вход информацию и результаты вычислений (т.е. выход), либо строгоэквивалентными, если помимо входной и выходной информации также описывается сам внутренний процесс получения выходной информации. Использование обоих видов моделей практиковалось когнитивистскими подходами начиная с 1960-х годов, однако только строгоэквивалентные модели являются подлинно объяснительными в рамках механистической объяснительной перспективы.
Надлежащая механистическая модель вычисления должна состоять из двух компонентов. Во-первых, она должна включать в себя абстрактное описание вычисления, охватывающее все релевантные в причинном отношении переменные. Во-вторых, она должна содержать детальный план (blueprint) механизма на всех уровнях организации. Так, чтобы починить сломанный ноутбук, недостаточно знать, что в формальном отношении он эквивалентен универсальной машине Тьюринга. Так же как и абстрактное описание когнитивной способности само по себе не говорит о том, как могут проявиться психические расстройства. Здесь, очевидно, потребовалось бы знать детали физической реализации вычислительных описаний. В вычислительном моделировании обе части модели нуждаются в сложной процедуре объединения, однако абстрактному описанию вычисления, по утверждению автора, может соответствовать только изолированный (0) уровень детального плана реализации: «Формальная модель вычислений (обычно) не
включает в себя среду, в которой вычисления имеют место, так же как и лежащие в основе физические механизмы» (с. 197-198).
Для иллюстрации работы своей схемы автор использует заимствованный у Д. Марра известный пример кассового аппарата. В данном примере экспланандумом служит способность системы подсчитывать сумму к оплате. При этом на контекстуальном уровне рассматривается функция, которую кассовый аппарат выполняет в супермаркете, обеспечивая быстрый подсчет сумм и, соответственно, облегчая задачу продавцов и т.д. На изолированном уровне рассматривается как программное обеспечение, позволяющее аппарату производить вычислительные операции, так и его аппаратное обеспечение («железо»), реализующее программный вычислительный код. Наконец, на нижнем уровне объясняются особенности операций непосредственно электронных частей машины.
Как утверждает автор, механистические объяснительные модели отличает акцент на анализ уровней в более тесном сопряжении, нежели в рамках программы Д. Марра. Кроме того, механистические объяснения допускают вопрос «почему?» (который в схеме Марра относился к самому верхнему уровню) на каждом из уровней (например, почему дизайн аппарата удобен для пользователя и т.д.?).
Автор также вкратце демонстрирует возможности применения механистической объяснительной перспективы для анализа современных нейровычислительных моделей действия, в частности модели действия в рамках программы предсказывающего кодиро-вания1. Данный предсказывающий байесовский алгоритм предположительно реализуется системой зеркальных нейронов. Автор стремится показать, как механистический подход может быть использован для изучения предсказывающей модели действия на нескольких уровнях исследования, помогая, по его мнению, оценить ее зрелость с точки зрения «завершенности и эмпирической адекватности» (с. 201).
Механистические методологические принципы своим возникновением обязаны исследованиям в науках о жизни, нейронауке и когнитивной науке. Механистическая объяснительная перспекти-
1 Kilner J.M., Friston K.J., Frith C.D. Predictive coding: An account of the mirror-neuron system // Cognitive processing. - 2007. - Vol. 8, N 3. - P. 159-166.
ва, заявляет автор, допускает исследовательский плюрализм, поскольку требует только того, чтобы модели объясняемых феноменов включали в себя «релевантные в причинном отношении факторы» (с. 203).
М.А. Сущин
