Никита Моисеев - ЧЕЛОВЕК И НООСФЕРА

Морфологическое развитие мозга человека прекратилось несколько десятков тысяч лет тому назад. Но это вовсе не означает, что прекратилось совершенствование «интеллекта человечества», если подобный термин имеет право на существование. Связи между людьми, обмен информацией между «локальными интеллектами» приводят к некоторому процессу коллективного мышления, к необычайному ускорению познания, накопления и использования знаний.

Успехи информатики, понимаемой во всем многообразии, обуславливают появление феномена, который я осмелюсь назвать «коллективным интеллектом». Пока что процесс его становления и развития идет в значительной степени стихийно, но, я думаю, не за горами то время, когда сеть человеческих интеллектов — своеобразных «нейронов» коллективного мозга, объединенных с машинными комплексами, сделается предметом специальных исследований, а может быть, и проектирования, так как откроет совершенно новый этап в познании и управлении окружающим миром.

Начать этот раздел мне хотелось бы с одного замечания об удивительной особенности конкретной прикладной деятельности специалистов, создающих крупные вычислительные комплексы. Я буду ссылаться на опыт Вычислительного центра Академии наук СССР, но мне кажется, что все мы, работающие с большими системами имитации, идем в одном и том же направлении, хотя и используем подчас различную терминологию. Уже сейчас я замечу, что наша деятельность последних двух десятилетий невольно подводит к использованию терминов «сознание», «подсознание», «интуиция» и т. д. Далее я постараюсь показать, что такая терминология имеет определенный смысл.

Мы уже говорили о том, что в физике, химии, биологии, экономике, технике и многих других областях человеческой деятельности часто единственными средствами исследования являются математическое моделирование и машинный эксперимент с помощью имитационных систем. Сегодня уже накоплен значительный опыт работы с подобными системами и уместно делать определенные выводы.

Прежде всего заметим, что, как бы ни были различны задачи, для решения которых создаются те или иные компьютерные экспериментальные установки, в них всегда присутствуют некоторые общие элементы. Очень условно такая универсальность продемонстрирована на рис. 1.

Рис. 1.

Любая имитационная система неким образом интерпретирует реальность. Обычно это делается при помощи двух различных описаний: пассивного банка данных — ПБД и сценариев внешней обстановки. ПБД содержит совокупность сведений об исследуемой системе и параметрах внешней среды (обстановки). Так, например, для системы, имитирующей процессы, протекающие в биосфере, ПБД состоит из числовых значений основных характеристик атмосферы и океана, которые не варьируются в процессе машинного эксперимента. Сценарий описывает динамические воздействия на систему. Он содержит внешние характеристики, влияние которых на моделируемую систему мы хотим изучить. В биосферных моделях сценарии бывают посвящены описанию предполагаемых антропогенных воздействий на биосферу.

Заметим, что пока здесь еще ничего не сказано о самой модели. На начальном этапе мы имеем дело только с «сырой» информацией. И ее переработка, осмысление — это чрезвычайно трудоемкий и длительный процесс.

Внешняя среда через ПБД и сценарий воздействуют на систему, причем информация об этих воздействиях поступает по многочисленным и очень разным каналам. Например, при формировании системы, имитирующей глобальные биосферные процессы, мы должны иметь каналы для обработки информации об атмосфере, океане, появлении облаков, выпадении осадков, образовании снежного покрова, его таянии, состоянии лесных массивов и т. д. и т. п. И на первом этапе эта информация обрабатывается поканально, причем эта обработка может и не быть связанной непосредственно с работой компьютера. На этом этапе возникают различные частные модели, параметризации тех процессов, которые плохо формализуемы (например, образование облаков), разного рода экспертные оценки и т. д.

Этот первый этап обработки информации я назвал этапом «конвейерной машины». Такое название оправдывается тем, что работа с информацией здесь ведется в отдельных каналах, как правило, разными людьми и практически независимо друг от друга. Если этот этап машинизирован и каждый канал обеспечен собственным компьютером, то быстродействие здесь может быть очень высоким за счет распараллеливания операций. Поэтому работа имитационной системы на этом этапе подобна работе многопроцессорной электронной вычислительной машины, работающей по конвейерному принципу.

Но этот этап выполняет лишь предварительные обязанности. И все эти разные каналы поступления информации несут не разрозненные, а взаимосвязанные данные. Наступает момент, когда эти связи должны быть учтены. Поступление новой информации должно прекратиться. Все полученные знания должны быть взаимоувязаны. Начинается новый этап — этап «организующей программы».

Это важнейший этап в создании системы имитации. Он представляет собой не что иное, как набор процедур анализа всей поступившей информации, анализ связей полученных данных по разным каналам и, наконец, что самое главное, выработка некоторой «минимальной модели».

Какими бы мощными вычислительными средствами ни располагал исследователь, как бы ни был он талантлив, его возможности всегда ограничены. Следовательно, сопоставляя цели работы со своими возможностями и результатами анализа полученной информации, он создает модель, то есть описание, приближенно отражающее определенные свойства изучаемой реальности, особенности изучаемого явления. Вот эту модель я и называю «минимальной». Но, наверное, ее лучше называть «минимаксной», ибо она минимально простая из числа тех описаний, которые в максимальной степени учитывают реальность в рамках тех возможностей, которыми располагает исследователь. Да простит меня читатель за такую тарабарщину. Но такое словосочетание точно отражает то, что происходит на этом этапе математического моделирования.

Заметим, что проблема построения математической модели (лучше даже говорить о системе моделей), годной для использования, весьма нетривиальна: стандартных правил для ее построения просто нет и, наверное, не будет! Требования к описанию очень противоречивы: модель должна быть и достаточно простой, и достаточно точно отражать реальность. Исследователь сталкивается с тем обстоятельством, что для одной и той же совокупности опытных данных можно построить очень много разных вариантов описания. Это — следствие, в частности, того, что мы не владеем никогда вполне точным знанием отдельных фрагментов процесса, кирпичей, из которых строится математическая модель, следствием неточности исходной информации и теми трудностями принципиального характера, о которых я говорил в параграфе об «алгоритмах сборки». Поэтому и окончательные результаты лишены обычной аптекарской точности, а исследователь должен суметь из одинаково неточных описаний выбрать наиболее простое. Данная проблема «практического моделирования» еще не приобрела статуса математической задачи, хотя математики ею уже и начали заниматься.