Вот и получается, что не нужен ни тактовый генератор, ни циклы и условные переходы, ни глобальное состояние и принудительное распараллеливание ситуации

Коллективы таких нейронов уже несут в себе и внутреннее состояние, и сложную итеративную логику, и условную обработку.

Причём пачки нейронов могут объединяться в альтернативные (параллельные) цепочки, каждая со своим видением ситуации, и на выходе, все эти цепочки сами между собой конкурируют за то, чьё решение будет подано на выход. И такая обработка вполне поддаётся моделированию на обычных компьютерах. Другое дело, что поначалу она, скорее всего, будет более прожорлива к ресурсам, чем модель интеллекта с принудительным распараллеливанием, но в перспективе, менее регулируемая модель, думается, окажется более эффективной.

Теперь вспоминаем про ансамбли и метаансамбли. Получается, что по отдельным ансамблям бродят целые волновые фронты, которые на разных ансамблях в сочетании дают сложные волновые паттерны, может даже и посложнее чем голографические образы. Вот эти волновые паттерны и сцепляют динамически отдельные нейроны (или правила-сети в нашем искусственном интеллекте) в ансамбли и метаансамбли.

Посмотрите, как всё получилось естественно, и, тем не менее, прагматично. Не надо выдумывать отдельно никакие частотные и голографические сети, не надо их мучить и заставлять распознавать образы. Достаточно применить эффективный и естественный ход вещей, как все эти частотно-голографические свойства проявились сами, как побочный эффект.

Исходная ситуация, попав в мозг, расщепляется на многие альтернативные цепочки, вызывает целые бури волн изменений нейронных потенциалов, и в итоге получает намного более сложное и качественное представление. На выходе же, вся эта обработка опять свёртывается в узкие пределы, которые нужно выдать во внешний мир.

Ассоциации, категории, обобщения и прочая философия

В разделе про ансамбли мы упомянули, что для правил хорошо бы участвовать в разных местах программы, отчего правила научатся качественно обобщать опыт из совершенно разнородных ситуаций. А именно, они будут на пути высокоуровневых абстрагирований, таких как ассоциативное мышление и категоризация. Например, смогут вынести что-то общее из понятий "белое" и "пушистое" и применить это в ситуации "летает". Такая обработка сделает мышление намного мощнее и позволит в динамике выстраивать ансамбли правил под совершенно разнородные ситуации.

Чтобы получить такие свойства, мы искусственно ввели ансамбли и их поддержание. Какими ещё способами можно получить свойства, позволяющие правилу, будучи обученным под одни ситуации (понятия), принимать участие и дообучаться в совершенно отличных ситуациях (для других понятий, как в примере про белое/пушистое/летает)?

Пока вырисовывается два варианта.

Вариант первый, динамическое сочетание входов и выходов. Помните, вначале мы поставили жёсткое соответствие входов и выходов правил (нейронных сетей) с ячейками глобального состояния? Эволюционные изменения при этом были настроены так, чтобы по минимуму изменять эти соответствия. В следующем варианте, без глобального состояния, входы и выходы разных правил-сетей тоже жёстко соединялись друг с другом.

Теперь разрешим в процессе работы и в процессе обучения входам и выходам менять положение друг относительно друга. Возникает два вопроса. Во-первых, как определить, насколько совместимы элементы полученной комбинации, насколько это соединение эффективно решает задачу? Во-вторых, как быстро подобрать совместимые/эффективные комбинации входов и выходов, ведь комбинаций очень много?

Самый простой вариант - каждому входу и выходу правила сопоставить признак-совместимость, которая меняется эволюционно, и, может быть, есть способ донастраивать эту совместимость более точно, в процессе обучения, по результатам работы правил. (Может ли совместимость выходов вычисляться в процессе работы правила? Было ли бы это эффективно?) Для входов и выходов во внешнюю среду тоже понадобиться набор совместимостей, который будет частью общего набора. При работе программы соединяться правила будут только с учётом совместимости входов-выходов. Задача подбора такой совместимости нелёгкая в вычислительном плане, но всё-таки и не совсем тяжёлая. Возможно, в этом подборе помогут алгоритмы сетей Хопфилда, которые умеют делать похожие вещи.

Следующий вариант - по-разному комбинировать в процессе обучения входы и выходы разных правил и накапливать информацию об эффективности (совместимости) разных комбинаций. При реальной работе поступать, как и выше - комбинировать входы в соответствии с совместимостью.

Предыдущие варианты подходят для реализации искусственного интеллекта, но такого комбинирования входов и выходов в естественном интеллекте, похоже, нет. Зато есть карты признаков, см. про свёрточные сети и неокогнитрон в предыдущих частях. И такие карты, похоже, существуют в естественном интеллекте.

Смысл карт признаков такой. Есть набор правил, есть набор входных ячеек. Каждое правило сканирует входные ячейки с помощью подвижного окна, и все ячейки из окна попадают на вход правила. Результат работы правила записывается в ячейку карты признаков, соответствующую положению окна на входных ячейках. В итоге для каждого правила получится карта признаков, в которой места наилучшего срабатывания правила будут иметь самые высокие значения. В следующем слое все карты признаков составляют вход для нового набора правил, которые опять составляют свои карты признаков. Обучаться правила могут обратным распространением ошибки. Как такие правила обучать в составе программы - вопрос открытый.

Карты признаков хорошо проявили при распознавании изображений, при искажениях, связанных с изменением масштаба, ракурса, поворота и при деформациях, специфических для изображённого объекта.