Когда человек решает сложную задачу, когда он формирует новую стратегию, в его деятельности обычно присутствует процесс узнавания, который существенным образом рационализирует ее. Действительно, решающий задачу человек распознает то или иное условие задачи как предмет, обладающий определенными свойствами, нередко он усматривает сходство между данной ситуацией и теми задачами, которые он уже решал ранее. Все эти процессы не могут не сказаться на ходе решения.
Значение узнавания как фактора, существенно рационализирующего поведение человека в проблемных ситуациях, позволяющего, не прибегая к пробам, «с места» увидеть решение сложной задачи, выдвигает перед психологической наукой ряд сложных вопросов: как соотносится узнавание с конкретным процессом решения задач разного типа, каковы оптимальные условия и формы протекания узнавания и т. д.
Однако проблеме узнавания долгое время в психологии не уделялось должного внимания. К необходимости детального исследования механизмов узнавания привело развитие кибернетики. И там, где в психологии ощущались пробелы, они заполнялись инженерами и математиками. В большинстве работ представителей кибернетики процесс узнавания рассматривается, однако, лишь в связи с восприятием чувственно доступных, наглядных объектов типа букв, геометрических фигур и т. д. И лишь в последнее время начинает осознаваться важность изучения этого явления как компонента решения задач.
Подобный интерес к проблеме узнавания со стороны кибернетиков, занимающихся созданием «думающих» машин, неслучаен. Как известно, очень долго в кибернетической литературе процесс решения проблемных ситуаций рассматривался как простой перебор различных попыток решения, в ходе которого отбрасываются попытки (пробы), не приведшие к желаемому результату, и отбирается такой способ действия, который решает данную проблемную ситуацию. Эта торндайковская концепция проб и ошибок очень скоро перестала себя оправдывать, ибо полный перебор всех возможных способов решения достаточно сложных задач либо вообще невозможен (например, в шахматах), либо неэффективен. Но как сократить область поиска? Оказывается, что для сокращения области поиска и устранения перебора машина должна действовать фактически как человек, т. е. уметь, используя обобщенный прошлый опыт, на основе анализа предложенной задачи выделить, «узнать» те ее составные части, способы решения которых ей известны.
Однако способ узнавания, которым пользуются «думающие» машины при решении задан, очень неэффективен. Дело в том, что при моделировании узнавания используется метод «списка признаков», или «абстрактных понятий». Метод этот состоит в том, что машина в период обучения строит и отбирает полезные признаки — признаки, которые хотя бы у двух объектов имеют разное значение (т. е. у одного из объектов этот признак присутствует, а у другого отсутствует). По этим признакам и характеризуется тот или иной объект.
Есть и такой тип задач, в которых признаки отдельных элементов меняются. К ним относится, например, игра «15». Так, если в ситуациях этой игры в качестве признака взято расположение фишек 1, 2, 3, 4, 5 относительно друг друга, то этот признак будет меняться от хода к ходу, а соответственно станет иной и характеристика каждого элемента. Очевидно, что применение «списка признаков» как механизма узнавания при решении задач такого рода не будет эффективным. Высокая динамичность признаков элементов характерна для многих видов задач, встречающихся в деятельности человека.
Для задач, представленных в виде совокупности разрозненных элементов, малопригодны и другие виды моделирования узнавания, предлагаемые кибернетикой. Возьмем, например, принцип моделирования, разработанный Э. М. Браверманом и М. А. Айзерманом. Кратко его суть состоит в следующем. Человек способен распознавать цифры и буквы, даже если они будут написаны не совсем единообразно. Так, пятерка останется пятеркой, даже если ее вертикальная линия будет несколько наклонена вперед или назад. Буква «о» будет восприниматься, как таковая, независимо от того, написана она наклонно или вертикально, есть у нее разрыв или образующая ее линия сплошная.
С точки зрения указанных авторов, одна и та же буква, имеющая несколько различные начертания, образует некоторую область, элементы которой близки друг к другу. Она называется компактной областью. На основе этой идеи оказалось возможным обучать кибернетическую машину распознаванию различно начертанных букв и цифр. В ходе последовательного предъявления той или иной буквы у машины формировалась компактная область этой буквы. Благодаря этому машина и могла опознать данную букву в любом ее начертании.
При всей своей эффективности этот метод, однако, неприменим к оперативным задачам (например, к шахматным).
Здесь достаточно слегка переставить фигуру на доске, как перед нами будет совершенно другая ситуация. И в этом случае уже не может помочь принцип компактности, применимый к объектам, которые могут быть охарактеризованы как непрерывные: буквам, цифрам и т. д. А ведь задачи, подобные шахматным, очень характерны для деятельности человека, поскольку любая проблема может быть в конечном счете представлена в виде совокупности данных (условий), более или менее разобщенных друг от друга.
Как же протекает процесс узнавания в такого рода задачах у человека?
Особенности процесса узнавания как компонента простых форм эвристической деятельности изучались в ряде экспериментов. Эксперименты проводились на материале игры «15». Тот факт, что конечная ситуация в этой игре представлена всегда одной и той же структурой (эталоном), облегчает процесс узнавания. На довольно раннем этапе формирования навыка испытуемый начинает «с места» узнавать в некоторых предложенных ситуациях конечную, ограничиваясь лишь незначительным мысленным преобразованием этих ситуаций. Однако, несмотря на наглядность задачи, на простоту преобразующих действий (ходов), процесс узнавания, включенный в ее решение, не может быть сведен к узнаванию в восприятии. Он требует специальной мыслительной деятельности. Это связано с тем, что элементы данной игры, как и элементы шахматной позиции, представляют собой дискретную совокупность. Они являются самостоятельными объектами, хотя и объединяются условиями задачи. Связи между такими элементами ситуации не даны. Они устанавливаются самим человеком в процессе специальной аналитико-синтетической и преобразующей деятельности.
К особенностям таких задач относится динамичность признаков элементов, ибо каждый ход создает новую ситуацию и изменяет взаимное отношение всех элементов задачи. Для решения подобных задач необходим особый вид узнавания, а именно динамическое узнавание. Характер этого явления, как компонента решения задач, связанных с перемещением объектов в пространстве, и исследовался с помощью экспериментов.
Испытуемым предъявлялись задачи четырех степеней сложности (6-, 8-, 10- и 12-ходовые). Задачи различались по характеру объективных связей между элементами.
Опыты проводились с видеорегистрацией движения глаз. Это позволило получить определенную качественную характеристику процесса решения, в частности проследить связь между мыслительной деятельностью, ее характером и структурой, с одной стороны, и структурными особенностями проблемной ситуации, например особенностями расположения элементов относительно друг друга, с другой. Эта зависимость выразилась в том, что каждая из предъявляемых проблемных ситуаций порождала специфическую интеллектуальную деятельность, объективированную в движении глаз. Эта деятельность включает и момент узнавания.
Анализ экспериментальных материалов показал, что узнавание, в процессе решения задач данного класса протекает в двух формах:
1) узнавание в наличной ситуации конечной,
2) узнавание ситуации, встречавшейся ранее.
В связи с этим эффективность динамического узнавания, как компонента решения задач, зависит от двух факторов: от умения испытуемого организовать элементы предложенной ситуации наилучшим образом с точки зрения требований конечной ситуации; от наличия у него навыка решения.
Было установлено, что на начальных этапах решения задачи динамическое узнавание имеет место очень редко. Исключение составляют так называемые структурные задачи — задачи первого вида, в которых фишки расставлены частично в нужном порядке. Однако, хотя в этом случае созданы оптимальные условия для узнавания, оно происходит далеко не всегда.
При этом «неузнавание» больше всего было свойственно испытуемым, которые увлекалась выработкой различных алгоритмов (правил, схем решения). Это закономерно. Ведь динамическое узнавание требует от человека постоянной оценки и переоценки складывающихся ситуаций, постоянного учета изменяющихся признаков элементов задачи.
Разумеется, на пути формализации и последующей автоматизации процессов узнавания, вплетенных в эвристическую деятельность, стоят еще значительные трудности. Прежде всего, трудности эти связаны с той формой узнавания, которую можно назвать собственно эвристическим узнаванием, ведущим к открытиям. Суть этого чрезвычайно сложного процесса состоит в следующем. Человек решает сложную задачу с неопределенной областью поиска, узнавая в случайно встретившемся ему явлении принцип решения этой задачи. Примером может служить «ньютоновское яблоко»: падение яблока оказалось моделью закона всемирного тяготения.
Пока совершенно неясно, в каком направлении вести разработку методов формализации этого явления. Ведь для современных кибернетических систем большую сложность представляет моделирование узнавания объектов, данных в плане непосредственного восприятия (образа). Уже здесь кибернетика столкнулась с большими препятствиями. Что же касается эвристического узнавания, то в этом случае необходимо моделирование такой деятельности, которая дает возможность в одном видеть совсем другое, т. е. каждый воспринимаемый кибернетической системой образ должен иметь многомерные характеристики.
Узнавание в эвристической деятельности тесно связано с использованием прошлого опыта, с памятью человека. В распоряжении шахматиста имеется как бы словарь связей, из которого он черпает то или иное необходимое ему «слово». Если учесть, что каждое из таких «слов» имеет обобщенный характер, т. е. применимо к множеству конкретных шахматных ситуаций, то становится ясной та удивительная способность мастера играть на многих досках, которая иногда воспринимается как чудо. Поскольку динамическое узнавание — неотъемлемый элемент решения задач, то моделирование системной работы, происходящей в голове человека, — путь к формальному описанию и автоматизации эвристического узнавания как процесса.
Психология эвристического узнавания еще ждет своей научной разработки. На пути исследователей здесь возникают многочисленные трудности. Наиболее существенная из них — раскрытие самого механизма узнавания. Действительно, почему одной-двух секунд достаточно, чтобы в мелькнувшем перед нами лице мы узнали лицо знакомого нам человека? Почему его образ, отражение сразу попадает в нужное «место» памяти? На эти вопросы нельзя ответить, если представлять себе память в виде некоторого склада или хранилища образов, в виде некоторого обособленного от других видов психической деятельности помещения. А в кибернетике память понимается часто именно таким образом. Прошлый опыт, с этой точки зрения, располагается в ячейках. Поступающий в машину новый образ соотносится с содержимым ячеек до тех пор, пока в одной из них не будет обнаружено то, что соответствует этому образу.
Нетрудно увидеть, что такого рода представление о работе памяти не имеет ничего общего с реальной деятельностью человека. Человек распознает окружающие его предметы почти мгновенно, при одном взгляде на них. А ведь нервная система человека работает значительно медленнее, чем существующие компьютеры, способные совершать миллион операций в секунду. Так в чем же секрет этого мгновенного узнавания, которое позволяет людям быстро ориентироваться в окружающем их мире?
Не поможет ли раскрыть этот секрет так называемый механизм резонанса? Механизм этот аналогичен следующей ситуации. Когда раздается музыкальный звук определенного тона, то звуковые колебания падают на все струны рояля. Однако откликается лишь одна из этих струн, а все остальные молчат.
В мозгу человека существуют тысячи образов, или моделей внешнего мира. При восприятии того или иного знакомого предмета отзывается, резонирует та модель, которая соответствует поступившему на вход образу.
Это довольно логичное предположение. Однако оно обоснованно лишь в том случае, если в мозгу существует некоторая промежуточная инстанция, в которую поступают образы из внешнего мира, прежде чем попасть в кору. Эта инстанция и могла бы «оповещать» все модели внешнего мира, хранящиеся в мозгу, и давать, таким образом, возможность одной из этих моделей отзываться, или, иначе говоря, резонировать. Интересно, что такого рода промежуточная инстанция действительно существует. Это зрительные бугры, находящиеся в глубине мозга. Зрительный бугор так и называется — «депо чувствительности». От всех органов чувств приходят импульсы в эту инстанцию, а от нее направляются в кору. Таким образом, анатомия мозга подтверждает гипотезу о резонансном механизме узнавания.
Однако в этом механизме еще много неясного. И прежде всего, неизвестно, по какой системе работает это «внутримозговое радио», т. е. как передаются сигналы всем моделям, находящимся в коре больших полушарий. Этот процесс осложняется и тем, что каждая из подобных моделей включает различные компоненты (образный, речевой, двигательный, динамический). А центры их находятся в коре в различных местах. И все эти компоненты выступают как единое целое. Когда мы вспоминаем знакомый предмет, мы представляем его образ, мысленно называем его и мысленно же оперируем с ним.
Много еще исследований придется провести психологам и всем, кто изучает сложнейшую работу мозга, прежде чем будут раскрыты подлинные механизмы узнавания. Нет сомнения, что на этом пути исследователей ждут удивительные находки и открытия. И не только в области психологии. Расшифровка механизмов творчества и, в частности, эвристического узнавания прольет свет и на многие проблемы биофизики мозга.
Процесс узнавания может быть понят, например, как взаимодействие молекул нервных клеток коры и зрительных бугров, которые находятся друг от друга на гигантских, космических расстояниях (если сравнивать величину молекул, относящихся к одной и той же модели, с величиной участков мозга, которые разделяют эти молекулы). И расшифровка механизмов узнавания означала бы открытие своеобразного молекулярного резонанса.
Но это дело будущего. Пока исследования узнавания должны проводиться на другом уровне — на уровне психологических закономерностей, открывающихся в ходе экспериментов с процессом решения задач.
