Хеннинг Бекк - Ошибаться полезно [Почему несовершенство мозга является нашим преимуществом] [litres]

Разумеется, мозг учится не на пустом месте. В настоящее время мы исходим из того, что в процессе быстрой классификации новая информация стремительно распределяется по уже имеющимся категориям (возможно, даже без участия гиппокампа, с которым вы познакомились в предыдущей главе). Но и сами категории создаются очень быстро, причем именно тогда, когда у нас слишком мало времени на обдумывание. Если быстро показать трехлетнему ребенку один за другим три варианта игрушки (например, какие-то необычные погремушки, отличающиеся друг от друга по цвету и свойствам поверхности) и назвать их выдуманным словом «вуг», то малыш вряд ли опознает «вуг» в четвертой погремушке. Но если между демонстрацией трех первых погремушек проходило по полминуты и ребенку давали возможность немного с ними поиграть, то он быстро осваивал концепцию «вуга» и сразу же называл этим словом четвертую погремушку, хотя она была другой формы и расцветки. Казалось бы, эти паузы совершенно не нужны. Они только отвлекают внимание и являются пустой тратой времени в нашем мире, где все подчинено оптимизации и повышению производительности. Однако именно в них заключается наша сила, позволяющая добиваться большего, чем компьютер, который тупо накапливает новую информацию.

Мы чрезвычайно быстро разбираемся в категориях и практически моментально усваиваем связь между словами, предметами и действиями. Не верите? Вам по-прежнему кажется, что успех в учебе достигается только посредством множества повторений и упражнений? Попробую доказать обратное: сколько времени вам понадобилось, чтобы понять значение совершенно нового и искусственно придуманного слова «селфи»? Пожалуй, достаточно было один раз увидеть, как четверо молодых людей фотографируют себя смартфоном. А как быстро вы поняли смысл никому не известного раньше слова «Брекзит»? Видимо, тоже с первого раза. Понимание приходит сразу же. Более того, если вы поняли слово, то можете не просто воспроизводить его, но и образовывать на его основе что-то новое. Если «Брекзит» означает выход Британии из Евросоюза, то что могут означать слова «Фракзит» или «Грекзит»? Никаких проблем. Вы понимаете их моментально, потому что усвоили мыслительную модель, лежащую в их основе. Это позволяет вам и самим создавать нечто совершенно новое, не встречавшееся раньше!

Это к вопросу о многократном повторении и интенсивном обучении. Нет никакого искусства в том, чтобы выучить наизусть несколько слов. А вот понять их – это совершенно другое дело. Компьютеры и в будущем будут быстрее нас распознавать изображения и объекты, но никогда не смогут их понять. Для обучения компьютеры используют довольно простые алгоритмы анализа колоссальных массивов данных. Мы же идем противоположным путем: накапливаем намного меньше данных, но зато располагаем значительно более многочисленными возможностями их обработки. Чтобы что-то знать, не обязательно располагать большим объемом информации. Надо просто уметь распоряжаться ею.

Глубокое обучение – это хорошо, но глубокое понимание лучше. Компьютеры не понимают того, что они распознают. Об этом свидетельствует один интересный эксперимент, проведенный в 2015 году, в ходе которого исследовались самообучающиеся нейронные сети. Ученые решили выяснить, как должно выглядеть изображение малиновки, чтобы компьютерная программа распознала его со стопроцентной уверенностью и дала ответ: «Это птица малиновка». Те, кто ожидал идеальной фотографии малиновки, были разочарованы. Выбор компьютера пал на размытое изображение, состоявшее из непонятных цветовых пятен. Ни один человек не смог бы опознать в нем малиновку. А вот компьютер смог, потому что для него малиновка – это лишь графический символ и он не понимает, что речь идет о живом существе. Если ему сообщить, что Брекзит – это выход Великобритании из ЕС, он никогда самостоятельно не додумается, что Швекзит будет означать прощание со Швецией.

Такое поразительно быстрое обучение, а точнее говоря, понимание сути вещей, возможно лишь в том случае, когда новые факты и сведения усваиваются не сами по себе, а во взаимосвязи с уже известными категориями. Мы относим к ним какие-то предметы и явления и таким путем приходим к их пониманию. Компьютеры делают нечто противоположное: накапливают огромное количество данных, но при этом остаются такими же тупыми, как и тридцать лет назад. Правда, их тупость в последнее время стала намного быстрее. Ведь они не тратят время на размышления и не делают перерывов в работе. Они всегда трудятся в полную силу (пока подключены к источнику энергии). Но ведь если вы тоже будете работать без пауз, то и у вас не будет времени, чтобы на основе информации создать новое знание и использовать его. Для выработки концепций нам обязательно нужно время (например, сон), когда отсутствуют внешние раздражители. И нам это прекрасно удается, потому что мы не завалены доверху фактами и данными, а позволяем себе перерывы в работе. На первый взгляд этот подход неэффективен и воспринимается как слабое место, но на самом деле ему свойственна предельная эффективность. Он позволяет нам понять мир, вместо того чтобы заучивать его наизусть.