Почему мы помним. Как раскрыть способность памяти удерживать важное

Разница между эпизодической и семантической памятью – основной фактор, позволяющий людям так быстро и эффективно учиться. Одно из свидетельств в пользу этого, как это ни странно, обнаруживается в исследованиях того, какие виды научения особенно трудно даются машинам. Многие продвинутые программы с искусственным интеллектом – от умных помощников вроде Алексы и Сири до прошивки беспилотных автомобилей – основаны на «нейронных сетях» – алгоритмах, которые в абстрактном виде воспроизводят научение так, как оно устроено в мозге[42]. Каждый раз, когда нейронная сеть при тренировке заучивает некий факт, меняются связи между ее смоделированными нейронами. По мере того как сеть выучивает все больше фактов, смоделированные клеточные ансамбли постоянно перекомпоновываются, голосуя уже не за отдельный выученный факт, а отражая целую категорию знания. Так, например, вы можете научить сеть следующему:

«Орел – птица. У него есть перья, крылья и клюв. Он летает».

«Ворон – птица. У него есть перья, крылья и клюв. Он летает».

«Сокол – птица. У него есть перья, крылья и клюв. Он летает».

Со временем компьютерная модель все лучше учится фактам о новых птицах, так как опирается на уже известное. Если сеть узнает, что чайка – птица, клеточные ансамбли могут заполнить пропуски и догадаться, что чайка умеет летать. Но что, если научить ее чему-то другому?

«Пингвин – птица. У него есть перья, крылья и клюв. Он плавает».

Теперь у машины возникнут сложности: пингвин отвечает всем признакам птицы, кроме одного. Пингвин – исключение из правила, согласно которому все птицы летают, так что, когда компьютер выучит исключение, он забудет то, что выучил раньше о признаках птиц. Это называется катастрофической помехой, и для машинного обучения это действительно катастрофа. Решение состоит в том, чтобы учить машину очень медленно: тогда, выучив исключение, она не будет тут же отказываться от правила. Это значит, что для эффективного выполнения задач нейронным сетям нужно очень много тренироваться и им плохо удается быстро приспосабливаться к сложности реального мира. Даже в наши дни самые сложные воплощения искусственного интеллекта нужно тренировать на колоссальных объемах данных, прежде чем они будут способны произвести что-то интересное.

Люди, как и описанные выше нейронные сети, отлично извлекают общие знания из прошлого опыта, так что мы можем делать предположения и допущения о ситуациях в будущем («Это смахивает на птицу, так что можно ожидать, что оно улетит»). Но, в отличие от машин, мы не даем сбой при каждом столкновении с отклонениями, потому что у нас есть еще и эпизодическая память. Она не предназначена для того, чтобы улавливать общее в нашем опыте: она хранит и регистрирует каждое событие по отдельности, благодаря чему вы не путаетесь, когда выучиваете исключение из правила[43].

Вооружившись эпизодической и семантической памятью, мы можем быстро выучить как правило (большинство птиц летает), так и исключение (пингвины – птицы, которые плавают). В реальном мире это позволяет нам черпать информацию, на которую обычно можно полагаться, – например, оптимальный маршрут на работу, – но оставаться при этом достаточно гибкими, чтобы приспосабливаться к необычным обстоятельствам – например, поехать другим маршрутом, вспомнив, что дороги временно перекрыты из-за строительных работ.