Сторонники модели PDP также детально рассматривают проблему восприятия букв. Общая критика программ ИИ, касающихся идентификации букв и восприятия фигур, состоит в том, что в них не используется сколь-либо удовлетворительное устройство для осуществления функции внимания. Машина «видит» фигуру, будь то буква или геометрическая конфигурация, в целый паттерн и в отличие от человека испытывает затруднения при сосредоточении на критических признаках. Один из способов, которым модель PDP решает эту трудную проблему, — использование датчиков признаков двух типов, один из которых называется элементом ретиноцентрических признаков, а другой — элементом канонических признаков. В ретиноцентрической системе зрительные стимулы регистрируются в «сырой» форме, то есть в форме образа на сетчатке. Канонические признаки соответствуют стандартному способу репрезентации информации, например тому, какой мы ожидаем увидеть букву A в этом тексте. В одной системе Хинтон (Hinton, 1981) описал метод отображения паттернов ретиноцентрических признаков на канонические паттерны. В подробностях эта идея слишком обширна, чтобы быть представленной здесь; отметим лишь, что эта важная проблема активно исследуется сторонниками модели PDP. Всех интересующихся ею я адресую к первоисточникам.
Более старые, и намного более простые, алфавитно-цифровые системы распознавания в рамках ИИ основывались на понятии эталона. Паттерн букв и цифр хранился в памяти компьютера. Когда компьютер «видит» цифру или букву, он «читает» ее, сравнивая с паттерном, например букву A с эталоном А. Если установлено соответствие, буква идентифицируется правильно. Даже описанные ранее методы последовательного и параллельного поиска были явно упрощенными. Более новые, основанные на принципах нервных процессов компьютерные модели фактически способны к «изучению» паттернов. Некоторые из этих компьютеров могут изучать, хранить и распознавать паттерны. Одна такая программа, названная DYSTAL (DYnamically STable Associative Learning — «Динамически устойчивое ассоциативное научение»), успешно усваивает буквы алфавита и последовательности букв и, что, возможно, более важно, распознает их даже при предъявлении только части паттерна (рис. 16.4).
Рис. 16.4. Распознавание паттерна искусственной сетью Алкона происходит согласно многим из правил, демонстрируемых биологическими системами. Когда сеть обучена распознавать паттерн, такой как строчная буква а, изображенная в верхней части рисунка, воспринимающим участкам, участвующим в распознавании, придается больший «вес», чем тем, которые не участвуют в распознавании, то есть их возбудимость повышается. Здесь синаптический вес представлен возвышением элементов в слоях. Повышение возбудимости облегчает образование связей между нейронами, участвующими в воспоминании, когда предъявлена только часть паттерна. (Этот рисунок помог сделать Томас П. Воджи из Экологического научно-исследовательского института Мичигана.) Источник: Alkon, 1989
По мнению Алкона, DYSTAL делает это так же, как мы узнаем знакомое лицо по нескольким линиям эскиза. Система «изучает» паттерн в том смысле, что предварительно в нее не было заложенной никакой связи между информацией на входе и на выходе. Тем не менее связь была установлена через больший вес, приписываемый определенным элементам (участкам), которые участвуют в процессе распознавания.
Другая новаторская особенность этой системы состоит в том, что она может вместить большое количество элементов, не задействуя значительных ресурсов компьютера. Во многих других сетевых системах каждая единица связана с каждой другой единицей, поэтому, когда число единиц возрастает, экспоненциально увеличивается число взаимодействий. Таким образом, системе, имеющей даже 100 единиц, требовалось бы значительное время для обработки, а сеть такого объема едва ли похожа на мозг. «В программе DYSTAL, однако, силы связей не сравниваются с фиксированным значением: скорее они достигают динамического равновесия, при котором увеличение и уменьшение силы связи в наборе репрезентаций паттерна равны, и в итоге не происходит никаких "весовых" изменений» (Alkon, 1989). Эта система сопоставима с долговременной памятью человека в том, что постоянные воспоминания, сформировавшись, большей частью становятся необратимыми. Как только эти устойчивые паттерны усвоены, они требуют меньше ресурсов компьютера, чем другие, небиологические сети.