Стратегии, мозг, нейронные сети и когнитивная наука

С тех пор как Египетские хирурги вскрыли мозг 5000 лет назад, мы попробовали понять его и найти модели механизма его функционирования. Аристотель думал, что функция мозга заключалась в том, чтобы охлаждать кровь. Декарт думал, что сознание хранится в Pituitary и остаток мозга содержит память в виде траекторий.
Другие метафоры обычно поясняют, как работает мозг в терминах приборов, изготавливаемых человеком, например, коммуникации по трубам, телефонные коммутаторы или сравнительно недавно возникшее Нейро-Лингвистичес кое программирование (названное так в 1975 году, потому что вобрало в себя знания из области нейрологии и лингвистики). Программирование относится к тому, как мы организуем свои действия и идеи для создания результата, и метафора идет из науки о компьютерах (кибернетики).
Существуют заметные различия между компьютерами в 1975 году и компьютерами сегодня. Очевидно, компьютер, который стоит на моем столе, является более мощным, чем тот, который занимал весь первый этаж Лондонского Универси тета, когда я учился там в 1970-х годах. Компьютеры изменились сразу в дизайне и мощности, и наше понимание о том, как работает мозг, существенно различается. Цифровой компьютер никогда не был адекватной моделью мозга. Искусст венный интеллект не является заменой реальных вещей.
Наше предположение заключается в том, что НЛП захвачено устаревшей метафорой.

Истоки идеи о Думающей Машине, возможно, идут от книги Джорджа Буля "Исследование законов мышления", написанной в 1854 году. Буль описал путь математическо го определения логики. Он верил, что связь между алгеброй и языком демонстрирует более высокую логику, которую он называл законами мышления. Теперь булевская логика широко используется в цифровых компьютерах.
Следующий основной шаг был сделан почти 100 лет спустя Аланом Тьюрингом, разработавшим обобщенную модель вычислений, которая все еще является базисом самых сложных и мощных машин, работающих сегодня. Он предполагал, что машины могли бы манипулировать двоичной алгеброй нуля и единицы для решения любой математической задачи.
Джон фон Нейман взял идею Тьюринга и применил ее на практике. Он был удивлен тем, как работает сознание и верил, что он моделирует мозг. Фон Нейман создал компьютер, дизайн которого в то время был инновацией, модуль памяти, который хранил вместе числа для вычислений и инструкции (программы) для их выполнения. Это был большой шаг вперед, включая компьютеры, которые требовали перепрошивки для каждого другого типа операции. Фон Нейман думал, что такая общая память для данных и программ была моделью гибкости ума. Однако, это создало узкое место, где содержимое памяти могло бы быть проверено по одному элементу за один интервал времени. Современные компьютеры продвинулись в скорости, с которой проделывались эти операции, но узкое место осталось. Мозг не имеет такого узкого места. Он имеет биллионы автономных нейронов, которые функционируют одновременно.
Цифровой компьютер отличается от способа, которым работает наш мозг по нескольким параметрам. Цифровые компьютеры работают через блок центрального процессора для управления данными. Они управляют данными по одному блоку в единицу времени, и хотя их много и они работают параллельно, они все работают линейным и последовательным путем. По причине этого узкого места, чем быстрее они могут работать и чем больше единиц могут работать одновременно, тем лучше.
Это напоминает мне несколько нелогичную картину людей, проверяющих мозг Эйнштейна, чтобы убедиться, не больше ли он, чем мозг обычного человека. Так как цифровые компьютеры работают линейным и последовательным путем, они работают благодаря алгоритму причин, следствий и логики ЕСЛИ ... ТО... последовательности. Современные исследования рисуют картину мозга, которая описывает процессы, являющиеся куда более сложными.
Цифровые компьютеры часто являются слишком точными для их собственного предназначения. Если ответ должен быть "да" или "нет", это парадоксально ограничи вает ваше мышление. Более часто он нуждается в том, чтобы быть "Может быть" или "Возможно" в зависимости от того, что еще происходит. Высокая точность может быть необходима в математических задачах, но чаще всего - это долг чести. Мы выбираем и фильтруем из целого диапазона возможностей и сохраняем многие выборы открытыми как возможности, вместо того, чтобы пытаться их разрешить. Результатом одной цепочки мыслей является возврат к подобному процессу для уточнения его. Парадоксально, но это отнимает огромную вычислительную мощность компьютера, чтобы скопировать это природное качество человеческого мышления.
Теперь некоторые действительно решительные отличия. Цифровые компьютеры не обучаются, они расселяют знания, представляя собой метафору человеческого мозга как библиотеку - базу данных. В компьютере данные независимы от системы, которая их содержит. В метафоре библиотеки или базы данных совершенно не важно, в какой библиотеке вы нашли книгу, она будет абсолют но такая же. Книга или база данных может быть перенесена из одной системы в другую без изменения.
Теперь мы можем увидеть, где нарушается эта метафора. Вы не можете перенести знания из одного сознания в другое. Значение этой статьи для вас будет не тем же самым, каким оно будет для меня. Значение зависит от контекста, как скажет вам любая ворона.
Есть известная история о компьютерном анализе случаев, собранных в "Обзорах домашних происшествий", где статистически исследовались происшествия на лестницах, и было обнаружено, что большинство из них происходило на первой и последней ступени. Логичное предложе ние: уберите первую и последнюю ступени. Компьютер требует программиста, внешнего по отношению к нему.
Существует надежда и обещание, что компьютеры будут думать и побеждать людей в их собственные игры. Лучшим примером этого является, возможно, работа, которая проистекает из разработки компьютерных программ, которые были бы в состоянии играть в шахматы и противостоять высочайшим шахматным мастерам. Первоначально на это возлагались большие надежды. Это казалось идеальным тестом. Шахматисты предположительно анализи ровали последовательность возможностей в их сознании и правильный ход был тот, который принес победу или дал преимущество в конце игры. Лучшие шахматисты в отношении этой модели были теми, кто мог видеть намного вперед и анализировать большее дерево возможных шагов.
К сожалению, люди как игроки делают ошибки. Или они не рассматривают непосредственные возможности, потому что число возможных шагов на шахматной доске астрономическое, или они вникают в план только до такой степени, что-бы провести этот анализ, не заглядывая достаточно далеко вперед. Тогда их оппонента удивил бы их шаг, который он не предвидел. Все, что должны были делать компьютеры, заключалось в расчете на много шагов вперед, дальше, чем человек способен как шахматист, и в рассмотрении всех возможностей, которые человек упустил. Это проще, по крайней мере, в принципе.
Хотя компьютерные шахматы сделали большой шаг за последние 10 лет, разрыв между лучшими компьютер ными программами, играющими в шахматы, и лучшими шахматистами является большим как никогда. Компьютеры высшей классификации имеют рейтинг, располагающий их в первой тысяче мировых лидеров.
Когда Вы моделируете успешность шахматиста, чаще всего, Вы обнаружите, что они чувствуют позиции, которые они анализировать не будут. Они основывают это чувство на чем-то подобном, происходившем в прошлом. Они не будут просчитывать столько шагов вперед, сколько компьютер, но так же как компьютер вычисляет, мастера получают доступ к позициям глазами в их мозге. Они отбрасывают многие позиции как нежелательные без попытки проанализировать, почему конкретно они плохи. Когда одного из лучших шахматистов спросили, как много шагов вперед он видит, он ответил: "Один. Но это всегда самый лучший!"
Даже в простейшей игре - шашках - неофициальный чемпион доктор Марион Тинслей был побежден ближайшим соперником, компьютером Chinook в 2-х играх из 40. Небольшое отступление - Chinook мог вычислять 3.000.000 шагов в минуту и просматривать 20 шагов вперед. Доктор Тинслей, проведя пять игр, после того как стал чемпионом в 1955 году, сказал: "Chinook был запрограммиро ван человеком, а я запрограммирован Богом."

Как метафора программирования влияет на НЛП? Подумаем о моделировании. НЛП первоначально было разработанно извлечением паттернов idiosyncretic гениальности (Перлз, Сатир и практически Эриксон) и применением их в различных областях. Это было удивительно удобно и творчески в некоторых направлениях и бедственно в других. Если вы извлечете удивительные гипнотические навыки Эриксона и воспримете их так, будто они могут быть перенесены независимо от этики и ценностей Эриксона, то вы напроситесь на проблемы. И проблемы, таким образом, будут пропорциональны мощности инструментов, которыми Вы обладаете. Возможно именно поэтому Грегори Бейтсон, который подтвердил Структуру Магии I,позже говорил: "НЛП? Если Вы повстречались с НЛП - бегите как можно быстрее в противоположном направлении. Я перестал отправлять людей изучать Милтона, они все приходят энергетически голодными."
Многие техники НЛП читаются как алгоритмы. Шаг 1: получите раппорт. Шаг 2: получите доступ к состоянию. Шаг 3: .... Эти пошаговые модели техник удобны до тех пор, пока мы помним, что они в действительности не происходят последовательно. Они являются удобной фикцией, замерзшей абстракцией. Что значит сделать шестишаговый рефрейминг с генерацией нового поведения во время коллапса якорей с помощью метафоры?
Другая основная область, где метафора программи рования дала эффект - стратегии и моделирование. Большинство якорений стимул-отклика и моделирование стратегий внутренних процессов были основаны на восстании Миллера, Галантера и Прибрама против ограниче ний (и бихевиоральной тирании) стимул-отклик рефлекса в центральной нервной системе. Чуть раньше, чем в 1923 году, его открыватели (Шерингтон и Павлов) ссылались на стимул-отклик рефлекс как просто удобную фикцию. Их модель была улучшена Миллером и др. добавлени ем обратной связи к исторически последовательной модели нейронных коммуникаций.
Принятая мудрость стратегий в том, что Вы извлекаете физиологию, убеждения, и внутренние последовательности сенсорных репрезентаций с соответствующими субмодаль ностями. Диаграммы стратегий картированы как алгоритмы с циклами, указателями и шагами. Эти карты не территория.

Человеческий мозг весит около 3-х фунтов и содержит более 100 биллионов нейронов. Церебральный кортекс содержит более 10 биллионов нейронов. Это - связи между нервными клетками, которые более важны, чем клетки сами по себе. Единичный нейрон может иметь до 100 тысяч входов. Кортекс содержит более миллиона биллионов связей. Если Вы бы считали их по одному в секунду, то это бы заняло у вас 32 миллиона лет.
У нас нет подобной электроники. Нет двух совершен но идентичных мозгов. Мы рождаемся со всеми нашими нейронами, и в первый год нашей жизни до 70% из них умирает, прежде чем сформируется некоторая структура. Спасшиеся нейроны формируют еще более сложную сеть связей, и наш мозг учетверяется в размерах. Определен ные связи укрепляются, используя гибель других. Мы учимся на последствиях и ошибках. Нервные клетки специали зируются и формируют гиперплотную сеть. Мозг не независим от мира, он сформирован миром. Мозг часто описывается сегодня нейрологами как взаимосвязанная, децентрализованно параллельно функционирующая, рассредоточенная сеть одновременных волн интерактивно резонирующих паттернов. Мозг представляет собой великое множество надежд и опасений одновременно.
Метафора компьютера имела бы систему символов управления сознанием, основанную на логических законах. Если бы это было бы так, то он на самом деле мог быть изучен независимо от мозга. Сознание не мозг, и строить теории того, как работает сознание без рассмот рения работы мозга очень рискованно. Мозг превосхо дит все модели, потому что он строит все модели.
Мозг использует процессы, которые меняют сами себя. Они создают память, которая меняет наш способ думать о будущем, они делают изменения в самих себе. Мы выстраиваем фильтры восприятия, которые определяют, на что нам обращать внимание. Мы обращаем на что-то внимание, чтобы укрепить сети и, таким образом, строим фильтры восприятия. Мозг должен моделировать много различных возможностей будущего мира в одно и то же время. Мы не можем знать заранее, на что обратить внимание, потому что мир не приходит к нам с приклеенными метками. Мы присоединяем метки и потом часто забываем, что мы это сделали, думая, что метки являются непосредственной частью мира. Компьютеры могут расширить нервную систему, они не могут заменять или моделиро вать ее. На самом деле, многие кибернетики строят компьютеры, чтобы просто лучше понять, как, по их мнению, может работать мозг.
Наша вторая статья будет исследовать типы нейронных сетей компьютеров, которые смоделированы по способу работы мозга, чтобы затем начать объяснять, как включить новую модель стратегий, которые не столь дигитально обоснованы.

Он рассказывает о человеке, который хотел узнать о мозге - как он работает на самом деле и будут ли компьютеры когда-либо умнее человека. Этот человек ввел в самый мощный современный компьютер (который занимал целый этаж университета) вот такой вопрос: "Как ты считаешь, будешь ли ты когда-нибудь думать, как человеческие существа?"
Машина загрохотала и забормотала, начиная анализиро вать ее собственные вычислительные способности. Окончательно машина напечатала свой ответ на кусочке бумаги. Человек, торопясь и волнуясь, прочел эти аккуратно напечатанные слова: "Это напоминает мне историю..."