КИБЕРНЕТИКА И ПРАКТИКА
(вместо предисловия)

Прежде чем рассмотреть некоторые особенности практических приложений теоретических разработок в кибернетике, необходимо сказать о серии, в которой выходит настоящая книга. Сборники серии отражали разные этапы развития кибернетики.

В 1963 г. в Издательстве Академии наук СССР вышел сборник «Возможное и невозможное в кибернетике». Книга появилась благодаря поддержке Научного совета по комплексной проблеме «Кибернетика» при Президиуме АН СССР и инициативе энтузиастов пропаганды новой науки. Выход сборника был приурочен к пятнадцатилетию со дня опубликования работы Норберта Винера «Кибернетика, или управление и связь в животном и машине» (эту дату считают рождением кибернетики).

В 1968 г. увидел свет сборник «Кибернетика ожидаемая и кибернетика неожиданная». Он был приурочен к двадцатилетию кибернетики.

Затем через десять лет, в 1979 г., вышел сборник «Кибернетика. Итоги развития» — первая из трех книг; в 1980 г. была выпущена вторая — «Кибернетика. Современное состояние», в 1981 г. — третья — «Кибернетика. Перспективы развития», объединенные общим названием «Кибернетика — неограниченные возможности и возможные ограничения». Сборники были приурочены к новому юбилею кибернетики — ее тридцатилетию.

В основу каждой из книг, выходивших в разные годы начиная с 1963 г., ставилась главная тема, объединяющая все статьи. Так, самая первая книга — «Возможное и невозможное в кибернетике» — посвящена дискуссии вокруг проблемы «Автомат и мыслящее существо», отражавшей взгляды на вопрос в начале становления новой науки. Вторая книга — «Кибернетика ожидаемая и кибернетика неожиданная» — дала возможность ее авторам выступить и против противников кибернетики, и против тех, кто хотел бы подменить кибернетикой другие науки.

Название трех сборников о кибернетике: «Итоги развития», «Современное состояние» и «Перспективы развития» сами раскрывают их содержание. Следует лишь  {3}  заметить, что третий сборник, сохраняя тот же принцип дискуссионности, что и все остальные, был посвящен обсуждению проблем искусственного интеллекта.

Как видим, каждая из выходивших книг отражала актуальные вопросы кибернетики своего времени. Все сборники посвящались в основном теоретическим проблемам. Практическим задачам уделялось меньше внимания.

Само название нового сборника «Кибернетика. Дела практические» говорит о том, что редколлегия серии «Кибернетика — неограниченные возможности и возможные ограничения», отвечая требованиям времени, решила в большем объеме рассматривать проблемы практических приложений кибернетики, больше показывать, как теоретические разработки в кибернетике помогут решению важных народнохозяйственных задач. В последующих сборниках освещению практических задач будет уделено еще больше внимания. Надо отметить, что такой подход правилен и необходим. Перед страной стоит задача перехода на преимущественно интенсивный путь развития. Важнейшее средство ее решения — ускорение научно-технического прогресса и, в частности, усиленное развитие работ в области информатики, вычислительной техники и автоматизации. Неоспоримо важное государственное значение этого направления для всего народного хозяйства нашей страны.

Успехи советских ученых в физике твердого тела, теории и технике полупроводников, квантовой электронике достаточны для того, чтобы вычислительная техника и автоматизация развивались ускоренными темпами. Высок авторитет советской научной школы и в области математического обеспечения электронно-вычислительной техники, и в широком спектре кибернетических исследований. Вот почему сейчас ставится задача максимальной концентрации усилий всех исследователей этих направлений по всему широкому фронту работ.

Известно, что любое научное открытие трудно планировать. Нельзя, например, приказать себе или другим к определенному моменту времени открыть новое явление или сформулировать закономерность. А вот прикладные исследования, конструкторские разработки в значительной степени поддаются «практическому предвидению». Именно этой цели и служит развитие программно-целевого метода. На одиннадцатую пятилетку, например, Госкомитет по науке и технике СССР, Госплан СССР и  {4}  Академия наук СССР разработали 170 научно-технических программ, в том числе 40 целевых комплексных, предусматривающих масштабную реализацию в народном хозяйстве наиболее значимых достижений науки. Реализация таких программ открывает новые возможности для упрочения связей науки, техники и производства.

Укрепление связей науки с практикой, комплексное решение проблем влияет, в свою очередь, и на развитие теории, порождая новые отрасли знания. Все это является и важнейшей чертой развития самой науки в ее современном виде, когда она полна взаимосвязей и взаимообогащения одного вида знания другим. Ярким примером здесь может служить возникновение и широкое распространение в современном познании методов теоретической и прикладной кибернетики.

Появление электронных вычислительных машин дало мощный толчок к необычайно бурному развитию исследований управляющих процессов в природе, технике и обществе, открыло возможность создания систем, не только реализующих функции, казавшиеся привилегией человеческого интеллекта, но и позволяющих овладеть многими новыми важнейшими процессами управления. Активное внедрение вычислительных машин в сферу человеческой деятельности наложит, видимо, не меньший отпечаток на рост производительных сил общества, чем это было вызвано распространением станков и машин в эпоху промышленного переворота.

Вообще можно сказать, что одной из характерных черт современных исследований стала математизация физического познания, интенсивное применение методов математического моделирования. В связи с актуальными задачами, выдвигаемыми практикой, жизнью перед наукой, намечаются и новые черты в развитии кибернетики. В ней появляются все новые направления, а в существующих областях происходит смещение акцентов и возникают проблемы уже другого характера. Конечно, непреходящее значение кибернетика сохраняет как наука об управлении и переработке информации (математическая и техническая кибернетика), а также теория передачи и обработки данных.

Все более кибернетика поворачивается лицом к практике, к конкретным задачам техники и производства. Даже такие сугубо теоретические разделы науки, как математическая логика и теория алгоритмов, занимающиеся исследованием логических исчислений, разработкой  {5}  методов поиска доказательств теорем, все больше направляют свои усилия в сторону математического обеспечения быстродействующих электронных вычислительных машин и автоматизации их конструирования. Развитие новых аспектов математической логики теории вероятностей тоже происходит в непосредственной связи с созданием все более мощных электронных вычислительных систем и развитием автоматов.

И дискретная (машинная) математика направляет свои усилия на изучение общих принципов алгоритмизации управляющих систем, исследование функциональных систем, характеризующих работу автоматов, их синтеза, сложности, надежности и преобразования.

Все более расширяется математический аппарат, применяемый не только для изучения процессов управления, но и для решения его практических проблем. Теория адаптивных, обучаемых и самообучающихся систем помогает организации процессов управления в сложных причинно-обусловленных и трудно предсказуемых по поведению системах. Теория оптимального управления входит в непосредственное соприкосновение с конструированием объектов и систем.

Практика ставит такие задачи развития кибернетики, как автоматизация экспериментальных исследований и инженерного проектирования, разработка методологии построения робототехнических систем. Практика заставляет крепить связь кибернетики с прикладной механикой и технической физикой, что дает «прямой выход» при изучении проблем аэрокосмического цикла или управляемого термоядерного синтеза.

Здесь необходимо заметить, что благодаря развитию современной вычислительной техники и расширению возможностей ЭВМ, а также прогрессу в области численного моделирования существенно расширились возможности теоретических разработок. Сегодня практика выдвигает перед ученым-прикладником различного рода вопросы, полное исследование которых может быть проведено в большинстве случаев лишь численным путем или с помощью тщательно поставленного физического эксперимента. Вот почему столь важно создание общих численных методик (алгоритмов) для изучения задач математической физики.

Что же такое математическое моделирование? Это, по существу, определение свойств и характеристик рассматриваемого явления, процесса или состояния путем решения  {6}  с помощью ЭВМ системы неких уравнений — математической модели. Важно так «сконструировать» приближенную модель, чтобы она достаточно точно отражала характерные свойства рассматриваемого явления и в то же время была доступной для исследования. Понятно, что все это представляет большие трудности. Лишь с помощью современных ЭВМ удается проводить численное моделирование сложных природных и технических систем.

Появился новый метод исследования — численный эксперимент, когда постановка задачи, метод ее решения и реализация алгоритма на ЭВМ рассматриваются в едином комплексе. По сравнению с натурным численный эксперимент, проводимый на вычислительных машинах, экономически существенно дешевле, а в ряде случаев (когда физический эксперимент трудно осуществим) является единственным инструментом исследования. В процессе численного эксперимента происходит, по существу, уточнение исходной постановки задачи. Путем расчета на ЭВМ различных вариантов ведется накопление фактов, дающих возможность провести отбор наиболее реальных и вероятных ситуаций.

Активное использование методов численного моделирования позволило резко сократить сроки научных и конструкторских разработок, например, при исследовании задач аэрокосмического профиля. Уменьшение металлоемкости конструкций (один из способов интенсификации современного производства) также можно осуществить совершенствованием методов расчета на прочность. Все шире внедряются автоматизированные системы, ориентированные на ЭВМ высокой производительности и использующие для расчетов на прочность современные численные подходы, методы оптимизации, информационные поисковые системы и банки данных. В итоге исследования механизмов разрушения и критериев прочностной уточнение характера и значений нагрузок, воздействующих на конструкцию) можно скорректировать нормы прочности, являющиеся основой при проектировании конструкций.

Благодаря ЭВМ математические методы стали применять и в нетрадиционных областях, где не удается построить компактные математические модели вроде дифференциальных уравнений, но можно создать модели, доступные запоминанию и изучению на ЭВМ. Моделирование в этом случае сводится к цифровому кодированию схемы изучаемого объекта (например, языка) и отношений между его элементами (словами, фразами).  {7} 

Особенно велики перспективы комплексного подхода, использующего возможности как численного, так и физического эксперимента. Происходит своеобразное перераспределение функций между аналитическим подходом, численным и физическим экспериментами. При такой новой методологии научных исследований теснее и глубже увязываются физическая сущность явления, математическая постановка задачи и численный метод ее решения, учитывающий особенности ЭВМ. Рождается новый стиль работы различных специалистов, развивается их творческая активность, позволяющая быстрее и разностороннее вникнуть в суть проблемы. Это, в свою очередь, стимулирует поиск оптимальных путей решения, позволяющих уменьшить сроки внедрения полученных результатов в практику. Активное использование ЭВМ в прикладных исследованиях, а также развитие методов численного эксперимента должны сопровождаться прогрессом в понимании его роли и места. Новая методология не рождается сразу, она формируется в процессе работы, растет и уточняется вместе с эволюцией научного познания. Одно из решающих условий для успеха в этом важном деле — подготовка научных кадров, овладевших новой методологией и готовых развивать ее.

Коснемся другой очень важной проблемы. Индустриальные методы создания автоматических систем управления потребовали автоматизации их проектирования, создания математических моделей типовых технологических процессов, банков стандартных программ. Получило развитие автоматическое проектирование электронной элементной базы АСУ. Мы наблюдаем применение теории управления к конкретным классам технологических процессов, предприятий, транспорта, связи.

Интенсивно развивается конструирование манипуляторов и роботов не только первого и второго поколений, но и более сложных — третьего поколения, и более совершенных и высокоорганизованных. Для их построения научные исследования должны идти в направлении создания многозвенных механизмов и конструкций с заданными (в смысле управляемости) свойствами. Необходимо обеспечение функциональной адаптации таких конструкций к условиям производственной среды и наделения их своеобразными техническими исполнительными органами чувств (зрение, слух, тактильные ощущения). Наука должна помочь создателям роботов производить системы, которые быстро и качественно обрабатывали бы всевозможную информацию  {8}  с целью планирования и программирования действий робота. Научные исследования должны содействовать налаживанию серийного производства таких автоматов с учетом надежности функционирования, типизации, стандартизации и унификации их узлов и деталей, удобства обслуживания, а также обеспечить экономически целесообразное комплексное использование средств автоматизации в народном хозяйство. Только тогда будет достигнуто положительное влияние роботизации на социальные стороны жизни общества.

Во многом помогает кибернетика обеспечению и поддержанию высокой надежности технических изделий, устройств и систем при их производстве и эксплуатации.

В решениях партии и правительства указывается на необходимость совершенствовать структуру и методы управления, разрабатывать научно обоснованные системы управления, опирающиеся на точные расчеты и планы, нацеленные на конечный результат, на полное решение поставленных проблем. Для этого, в частности, рекомендуется обратить внимание на новейшие достижения научных, исследований «применительно к современным требованиям управления, планирования и анализа хозяйственной деятельности с эффективным использованием возможностей электронно-вычислительной техники»¹.

Большие перспективы открываются для решения задач управления и планирования при использовании таких новейших методов, как системный анализ и искусственный интеллект. Вот почему все более углубляется взаимодействие кибернетики с системным анализом, одно из направлений которого — исследование операций — сыграло в свое время немалую роль в формировании фундамента кибернетических идей. Самостоятельное значение приобретают и вопросы управления сложными системами, проблемы автоматизации в управленческой сфере, информационные аспекты научно-технического прогресса.

Совершенствуются методы формализованного описания и распознавания ситуаций и сценариев развития процессов в больших народнохозяйственных системах, практические методы прогнозирования на основе представления объектов прогнозирования в виде моделей.

В таких комплексных проблемах, как «кибернетика и семиотика» и «кибернетика и психология», все больше появляются разработки теоретически и практически  {9}  значимых лингвистических и психологических моделей обработки информации.

В направлении «искусственный интеллект» наряду с установкой на решение задач, перспективных в прикладном плане, происходит поиск использования кибернетически ориентированных неклассических логик.

В биологической и медицинской кибернетике на первый план выдвигаются задачи, имеющие прямой выход в здравоохранение, народное хозяйство и технику. Ведется создание эффективных средств автоматического слежения за состоянием больных и выработка принципов применения ЭВМ в медицинских учреждениях: проводится разработка кибернетических систем непрерывного контроля за состоянием организма человека в экстремальных условиях, изучается синтез биотехнических систем управления динамическими объектами.

Следует заметить, что вопреки мнению, усиленно распространяемому популярными журналами, успехи кибернетики сегодня определяются не столько достижениями в области «искусственного интеллекта», сколько достижениями в создании технических аналогов биологических регуляционных систем, нашедших применение в разнообразных технических приложениях — от управления подвижными объектами до автоматизации различных процессов в промышленности, экономике, проектировании, конструировании и научных исследованиях. Здесь можно упомянуть, например, принципы самонастройки, адаптации, инвариантности, оптимизации, компромиссного выбора, гомеостаза.

Логико-математический и информационный аппарат кибернетики неразрывно связан с расширяющимся распространением ЭВМ во всех сферах управления. Именно, две особенности кибернетики — техническая имитация природного и биологического управления и создание информационно-математической базы для дальнейшего развития средств вычислительной техники — определяют практическую линию кибернетики.

Вероятнее всего, главным направлением, по которому, как можно ожидать, в ближайшие годы пройдет дальнейший прогресс кибернетики, будет развитие мощной вычислительной техники — как универсальной, так и специализированной (включая соответствующее математическое обеспечение) — и прикладной математики. Продвижение здесь безусловно окажет громадное влияние и на сам стиль математических и прикладных разработок.  {10} 

Эти области исследований приобретают все большее значение как основной аппарат применения математики в технике и экономике. Создаются многопроцессорные и многомашинные комплексы высокой производительности. Идет поиск новых структурных решений и принципов построения ЭВМ, коренным образом отличающихся от существующих. Все делается для повышения эффективности ЭВМ, т. е. увеличения их производительности, отнесенной к затратам.

Сейчас прилагается много усилий для упрощения взаимодействия человека с ЭВМ, расширения областей применения вычислительных машин. Средствам обработки данных придают некоторые качественно новые черты, например позволяющие воспринимать информацию в виде зрительных образов, человеческой речи, чтобы непосредственно управлять технологическими процессами в реальном масштабе времени.

Особо следует сказать о поисках новых принципов физической реализации средств обработки данных, например оптических и оптоэлектронных с применением матричной, «картинной» логики, что может существенно повлиять на структуру вычислительных машин и принципы обработки данных. Здесь надо отметить следующие работы: по голографическим запоминающим устройствам большой емкости; в области использования лазерных лучей для передачи информации; по существенному повышению быстродействия светоизлучающих вводов, фотодиодов и фототранзисторов и др. Такие работы уже ведутся в ряде стран не только в исследовательском плане, но и в направлении их практической реализации.

Важная область приложения усилий ученых и инженеров-электронщиков — это создание и развитие микро-ЭВМ, ориентированных на взаимодействие с человеком или непосредственно с объектом. Микро-ЭВМ находят все большее применение в системах управления технологическими процессами и экспериментами, в комплексах с числовым программным управлением металлообрабатывающим оборудованием, а также в низших звеньях автоматизированных систем управления, при автоматизации проектирования, в системах связи и в робототехнических устройствах. Здесь широко начинают применять как микропроцессоры, так и микро-ЭВМ.

Анализируя перспективы развития машинной математики и вычислительных средств, следует отметить, что в вычислительной, технике ожидается пятое поколение  {11}  ЭВМ. Как следует из проектов, осуществляющихся в ряде стран, вычислительные машины, комплексы и сети связей ЭВМ пятого поколения обещают быть разительно отличными от прежних. Это будет уже семейство машин, построенных на сверхбольших интегральных схемах, ЭВМ многопроцессорного типа, — машин, элементная база, архитектура и математическое обеспечение которых позволят достичь сверхвысокой производительности (вплоть до миллиардов операций в секунду). Новые машины будут обладать высокой надежностью, обеспечиваемой как характером используемой в них аппаратуры, так и применением методов помехоустойчивого кодирования информации. Настраиваемая и перестраиваемая структуры и другая перспективная технология обеспечат эффективную реализацию принципа управления потоками данных в ЭВМ. Это будут машины различных масштабов и назначения — от супер-ЭВМ до весьма совершенных мини-и микро-ЭВМ. Они уже сегодня вторгаются не только в мир математики, но и в практическую деятельность людей, даже в их повседневную жизнь.

Это будут вычислительные устройства, в едином комплексе органически увязанные с входо-выходной аппаратурой, допускающей представление информации в многообразной форме (символьно-цифровой, графической, аудиальной и т. п.), с оригинальными и эффективными «действующими органами». Наконец (последнее по счету, но, пожалуй, одно из первых по важности), это будут машины и системы, основанные на распараллеливании процесса переработки информации на разных уровнях — от распараллеливания самих задач (разделение их на относительно самостоятельные блоки, допускающие независимую обработку) до параллельной работы многих процессоров и их узлов и одновременного выполнения множества операций.

Конечно, создание таких машин, систем и комплексов — дело чрезвычайно сложное. Разработка структур, «архитектуры», алгоритмов и программ высокопроизводительных ЭВМ, обеспечение их надежности потребуют решения многих труднейших задач. Должны подвергнуться тщательному изучению физико-химические свойства материалов, из которых будут создаваться элементы и блоки таких ЭВМ, с выяснением физики соответствующих процессов. Необходимо системотехническое проектирование, нацеленное на решение задач оптимизации аппаратуры, а также отработка технологических процессов, постановка  {12}  надлежащих изысканий и натурных испытаний. И наконец, нужно развивать новые математические методы, модели и программы распараллеливания информационных процессов, параллельной выборки данных из запоминающих устройств, системное математическое обеспечение, а также создать соответствующие системы автоматизации программирования.

Безусловно, новое поколение ЭВМ привнесет новое и в математическое мышление. Но существует и обратное воздействие. Решение математических проблем, связанных с созданием мощных — неэвристических и эвристических — алгоритмов, позволяющих решать трудные («большие») задачи, неизбежно предъявит свои требования к вычислительной технике и, значит, к организации информационно-вычислительных человеко-машинных систем.

Помимо уже упомянутых направлений прогресса вычислительной техники, математической технологии и программного обеспечения, можно указать в данной связи и на перспективность развития так называемой векторной обработки информации при соответствующем расширении языков общения человека и ЭВМ, а также на использование для «векторизации» эффективных машинных программ. В том же контексте следует смотреть и на перспективы развития территориальных информационных сетей на базе ЭВМ, на растущее значение больших банков данных (информационных банков), управление которыми вырастает в крупную проблему. Эти сети и банки станут в будущем повседневным вспомогательным орудием в работе математика, да и не только математика.

Мы убеждены, что кибернетика в ближайшие десятилетия изменит характер и стиль мышления математиков и многих, многих других специалистов в различных областях науки, техники и производства. Математики и исследователи получат в свое распоряжение новые мощные средства, которые позволят развивать новые математические теории в режиме диалога с автоматами. И кто знает, какие математические дисциплины, какие теоретические концепции, какие новые практические приложения породит развитие самой вычислительной техники, в которой аппаратурная часть и программное обеспечение будут все более проникать друг в друга?!

О. М. Белоцерковский

И. М. Макаров

В. Д. Пекелис

ИТОГИ И ПЕРСПЕКТИВЫ

КИБЕРНЕТИКА НА НОВОМ ЭТАПЕ
Б. Н. ПЕТРОВ

Перед нами стоит задача подвести итоги развития кибернетики и наметить перспективы дальнейшего движения вперед. Нет сомнения в том, что кибернетика в нашей стране стремительно и плодотворно развивалась. Сформировались мощные направления теоретической и технической кибернетики, ее вычислительная база, прошли обработку, апробацию и показали свою результативность ее методы, главный из которых — моделирование сложных систем и процессов. К чему же конкретно мы пришли? Какие задачи — и как — мы решали и решили, какие еще подлежат решению, разработке?

Правильные ответы на поставленные вопросы могут существенно повлиять на дальнейший прогресс кибернетики, так как определятся актуальные направления исследований и те области, в которых работу следует форсировать. Но чтобы ответить на вопросы, нужна совместная слаженная работа и теоретиков, и практиков, специалистов самых разных профилей. Стоит отметить, что эта задача во многом носит методологический характер, и думается, что не только, например, математики или специалисты в области технической кибернетики, но и наши философы и логики должны участвовать в ее решении.

На современном этапе следует прежде всего разобраться в том, что следует понимать под «кибернетикой». В теоретических и прикладных разработках, в литературе нередко дают слишком широкое толкование этого термина. Такая трактовка кибернетики не соответствует ни одному из тех определений, которые давались этому научному направлению в свое время. За рубежом есть тенденция заменить термин «кибернетика» другими. Так, во Франции говорят об «информатике». Однако ясно, что кибернетика и информатика (как наука о переработке информации) — это не одно и то же. В других странах (США, Англии) вместо «кибернетики» стали употреблять  {14}  термины «компьютер сайенс» и «теория систем». Но ведь ясно, что кибернетика и вычислительные техника и математика — это не одно и то же, что изучение систем на предельно высоком уровне абстракции (общая теория систем) слишком узко по сравнению с тем богатым содержанием, которое мы вкладываем в понятие «кибернетика».

Необходимо во всем этом разобраться и выработать четкое определение понятия кибернетики, соответствующее нынешнему положению дел в данной области. Надо исходить не только из того, что между упомянутыми понятиями нельзя ставить знака равенства, но прежде всего — из рассмотрения проблемы в историческом плане. Такой взгляд помогает, как мне представляется, понять, что ныне кибернетика все более становится областью, в которой изучаются нетрадиционные — по постановке, сложности и путям решения задачи управления (включая процессы родственные, но не совпадающие с управлением, например проектирование), разрабатываются разнообразные теоретические и технические средства, адекватные решению.

На сегодня главная задача в кибернетике — это определение направлений наиболее перспективных, актуальных исследований, разработка комплексных проблем, в которых кибернетика взаимодействует с другими разделами науки и техники. И отсюда задача координации исследований, обеспечения тесного взаимодействия специалистов различного профиля, занятых решением задач, возникающих в кибернетике. В этой работе мы должны держать в поле зрения и общеметодологическую проблематику кибернетики, памятуя о том, что наши философы-методологи, работая совместно с представителями технического знания и математиками, должны способствовать выработке новых конструктивных подходов, успеху реальных кибернетических исследований. Для этого нужны действенная критика недостатков, имевших место в прошлом, выработка позитивных методологических идей, а не возврат к вопросам, которые — иногда с пользой, а иногда и нет — обсуждаются из года в год.

Главное внимание следует сосредоточить на формировании, на поиске новых плодотворных идей, концентраций и подходов, на разработке новых принципов построения и моделирования сложных систем, причем не только систем управления, во всяком случае в его традиционном смысле, берущем свое начало с постановок задач в  {16}  теория автоматического регулирования, а на таких принципах, подходах и идеях, которые выходят за пределы возможностей традиционного подхода. Это необходимо для изыскания резервов повышения эффективности управления и переработки информации в тех областях, где методы, оправдавшие себя в случае сравнительно простых систем, уже не действенны и нужны собственно кибернетические методы, ибо иначе возникающие задачи попросту нельзя решить.

Проводя такую работу, надо, конечно, всемерно использовать накопленный опыт и полученные результаты, продвигаясь вперед смело, но осмотрительно. Расширяя и углубляя традиции, сложившиеся в советской школе кибернетики, мы должны помнить, что новые этапы в развитии науки и техники выдвигают и новые задачи. Ратуя за выдвижение новых идей, нельзя разбрасываться, в погоне за новизной оставляя «старые» результаты и методы недоведенными до конца, недостаточно использованными. Опыт развития кибернетики учит, что каждая задача в ней должна ставиться лишь тогда, когда она назрела и возможно ее разрешение. Когда в 60-х годах была выдвинута задача применения кибернетики в обучении человека — задача важная и нужная, — она оказалась недостаточно подготовленной и в кибернетике, и в педагогике, что обнаружилось в 70-х годах. Таких ситуаций мы должны избегать.

Надо четко отдать себе отчет в том, что в кибернетике реально сделано из того, за что ее представители в свое время взялись с таким энтузиазмом, полагая, что решение стоящих перед ними задач не за горами. Вспомним машинный перевод. Каким осуществимым он тогда казался некоторым! Однако же последующее развитие показало, что работа связана с гораздо большими трудностями, чем поначалу казалось. Но усилия не пропали даром, и если у нас нет сегодня экономически эффективного автоматического перевода с одного естественного языка на другой, то есть интересные работы по автоматической обработке текстов диалоговыми системами человек — ЭВМ, перспективные для многих прикладных задач.

Этот пример показывает, как важно верно уяснить, что и как надо делать.

Ныне очевидно, что работы в области кибернетики должны быть введены в контекст более широких перспектив. В Академии наук СССР завершена работа над комплексной программой научно-технического прогресса  {16}  нашей страны до 2000 г. Какое отражение эта программа должна найти в развитии кибернетических исследований? По-видимому, следует наметить свою подробную комплексную программу перспективных работ, причем на достаточно большой отрезок времени — на ближайшие десять и более лет.

В настоящее время главное в кибернетике — разработка нетрадиционных подходов к вопросам управления и переработки информации, к вычислительной технике и ее математическому обеспечению, к автоматизации процессов в науке, технике, народном хозяйстве, культуре.

Что же представляется ведущим в этой нетрадиционной проблематике? По нашему мнению, поиск новых путей в разработке и использовании ЭВМ, радикально обогащающих возможность информационно-вычислительной техники.

Это положение требует пояснений. Кибернетика — об этом уже говорилось — не тождественна непосредственно вычислительной технике и прикладной математике. Они в их развитой современной форме —база кибернетики. Но не только это. Современные технические средства переработки информации — фундаментальная основа для разработки методов кибернетики. Здесь надо заметить, что традиционный, сложившийся на протяжении трех десятилетий подход к ЭВМ — к их разработке, конструированию, программированию и применению — не требует, по существу, кибернетических идей. Принципы реально применяющейся электронно-вычислительной техники, сформировавшиеся более 20 лет назад, далеки от таких идей кибернетики, как самоорганизация, адаптация и активный поиск. Но в настоящее время теоретические результаты и имеющаяся технология позволяют ставить задачи и распараллеливания вычислений, и гибкой организации аппаратной части систем, и памяти с перестраиваемой структурой. Это уже существенные шаги на пути создания адаптивных вычислительных систем. В настоящее время актуально создание не ЭВМ, основанных на последовательном счете и жесткой структуре данных, хранящихся в памяти, а гибко организованных распараллеленных систем с памятью, допускающей запись информации с произвольной структурой, обеспечивающей связь между единицами информации и ассоциативный поиск ее.

Одно из направлений создания таких машин — в разработке «мозгоподобных» систем, приближающихся к человеческой способности гибкого оперирования данными  {17}  и нахождения эвристических («неточных») решений, которые тем но менее часто оказываются рациональными. Но здесь не надо ударяться в крайности. Для совершенствования ЭВМ не обязателен путь приближения к мозгу. Надо использовать все полезные для техники принципы работы мозгоподобных систем и вместе с тем: все то лучшее, что дают электронная, лазерная, голографическая и другая техника, оптоэлектроника и т. д., применение которых для создания устройств счета, переработки информации и управления вызывает необходимость технических решений, отличных от пути, по которому исторически пошла живая природа.

Другой путь усовершенствования работы ЭВМ при решении сложных, плохо формализуемых задач заключается во взаимодействии с человеком, что ставит перед кибернетикой много новых проблем. Человеческая часть систем с технической точки зрения имеет больше ограничений, чем машинная, и в то же время она несравненно более гибка, нежели машинная. Возникает задача их согласования, которая в настоящее время еще далека от эффективного решения.

Организация параллельного счета — это не просто техническая задача и даже не только задача математического обеспечения ЭВМ, это задача теоретическая. Как показали работы советских ученых, решение задач эффективного распараллеливания программ требует развития новых разделов дискретной математики.

Перед наукой возникают задачи, требующие развития новых разделов логики. Оказывается, новые логики используются в последнее время для решения задач безошибочного программирования, автоматизации программирования при структурно-блочной организации машинных процедур. Активно стали использоваться идеи теории рекурсивных функций. Задача построения рекурсивных машин стала весьма актуальной. Однако это только часть возможностей, скрытых в логике, — логике, ориентированной не на теорию математического доказательства, а на выражение закономерностей интеллектуальной переработки информации (специалисты считают, что здесь могут помочь такие логические теории, как интуиционистская и комбинаторная логики, модальные и временные логические системы и пр.). Так ли это? Данный вопрос заслуживает внимательного изучения. Подходить к нему следует достаточно вдумчиво. Мы должны с осторожностью относиться к некоторым модным «поветриям»,  {18}  распространяющимся подчас в кибернетике. Не отвергая возможных перспектив, например, теории размытых множеств и алгоритмов, приобретшей ныне большую популярность, следует вместе с тем предостеречь против тенденции к «переодеванию» известных вещей в новую «размытую» терминологию или к переоткрыванию результатов, уже известных в других разделах математики.

Основной метод кибернетики — моделирование. О нем у нас написано много, особенно философами. Но не всегда учитывалось, что для кибернетики моделирование — это прежде всего моделирование машинное. В некоторых же работах моделирование расплывается, лишается специфически кибернетического смысла, который ему придают не только ориентация на машинный выход, но и характер задач моделирования в кибернетике, связанный с преодолением «сложностных трудностей».

Смысл моделирования в кибернетике заключается в представлении изучаемого процесса в ходе машинного эксперимента, принципиально отличающегося от обычного эксперимента в таких естественных науках, как физика. Вместе с тем следует учитывать, что модель, закладываемая (и обрабатываемая, и «развивающаяся») в память ЭВМ, не тождественна теоретическому описанию процесса. Специфика ЭВМ требует, например, дискретизации непрерывных соотношений и времени, организации специальных синхронизирующих процедур при моделировании параллельных процессов и т. п.

Моделирование в кибернетике неотделимо от соответствующих технических средств. Ими все более становятся информационно-вычислительные сети — мощное средство для решения задач управления, в частности, в реальном масштабе времени) в системах коллективного пользования. Именно в связи с этим большое значение приобретают параллельные методы обработки информации, использование баз данных, позволяющих учитывать в моделях многие тысячи параметров.

Вычислительные сети не только средство кибернетики, но и ее объект. Их разработка способствует постижению феномена сложности, определяющего специфику «больших систем». Трудности, связанные с решением на ЭВМ задач большой размерности, хорошо известны специалистам. Методы, отработанные для задач со сравнительно небольшим числом параметров, часто оказываются непригодными, когда их на порядок больше. Работа с вычислительными сетями — информационными системами,  {19}  аккумулирующими в себе вычислительные мощности множества ЭВМ, — позволяет разрабатывать новью концепции программирования, способствующие преодолению указанных трудностей и уяснению того, как на пути моделирования, ориентированного на машинную реализацию, возможно овладение различными «порогами сложности». Следует подчеркнуть, что на этом пути открывается возможность моделирования процессов, задаваемых не только «точно» измеримыми, но и во многом качественными параметрами, которые фигурируют в описаниях большинства биологических, экономических и социальных систем и процессов.

Когда говорим о наличии нетрадиционных задач в кибернетике, о разработке новых, неклассических идей и методов, надо иметь в виду, что речь идет прежде всего об учете адаптационных явлений. Методы кибернетики должны стать инструментом при построении адаптивных технических систем управления и переработки информации, учитывающих и внешнюю обстановку, и внутреннее состояние системы, а также — что особенно важно — изменение используемых критериев качества управления и построение новых критериев, адекватных решаемым задачам. Выработка алгоритмов решения задач, в которых в. ходе процесса меняются критерии, где имеет место отказ от однокритериальности и она заменяется многокритериальностью, имеет чрезвычайно большое значение.

Здесь уже накоплен определенный опыт. Но кибернетика еще недостаточно обращается к использованию (в соответствующих кибернетических формах) тех приемов, которые применяются человеком при решении сложных задач. Можно ли — и как, в какой степени — запрограммировать ЭВМ, чтобы она решала задачи, опираясь в определенном смысле на человеческие знания, чтобы в ней протекали процессы, формально аналогичные процессам мышления человека? Ответ на этот вопрос должен быть дан в ходе надлежащих комплексных исследований. Развиваемые в последние годы в нашей стране работы по использованию методов логики и семиотических моделей для формализации человеческого опыта в управлении сложными системами — первый шаг в указанном направлении.

Другим направлением такого рода работ является автоматизация проектирования. Это направление, чрезвычайно важное само по себе (так как оно служит освобождению  {20}  большого количества квалифицированного человеческого труда, который может быть использован для других целей, а также существенно повышает качество проектных решений), является хорошим «полигоном» для отработки нетрадиционных методов кибернетики. Машинно реализуемые модели, нацеленные на автоматизацию процесса проектирования, и в частности модели развивающихся систем проектирования, закладывающиеся в машинную память и автоматически обрабатываемые, — пример типично кибернетического подхода к решению сложных задач.

Самостоятельное значение в кибернетике имеют работы по проблематике человеко-машинных систем (организация эффективного взаимодействия пользователя и ЭВМ, коллективов людей и комплексов машин и пр.). Здесь еще много нерешенных задач. В их числе качественное распределение функций между человеческим интеллектом и тем кибернетическим «инструментарием», который используется человеком, управляющим некоторым процессом. Решение вопросов этого рода требует разработки технологии проектирования человеческой деятельности в сложных технических системах, существенного повышения надежности человеко-машинных систем, разработки и изучения комплексов средств управления, предназначенных для решения тех задач, которые невыполнимы вне человеко-машинного взаимодействия.

В нашей стране уже имеется опыт успешного применения человеко-машинных систем в таких важных областях, как отраслевое планирование или оперативная диспетчеризация. Важность дальнейшего развития работ такого рода несомненна. Следует отметить, что кибернетические постановки задач и соответствующие методы касаются человеко-машинного взаимодействия не только в случае систем «человек — информационно-вычислительная техника», но и в случае эрготехнических систем, т. е. систем, в которых человек осуществляет «обычную» трудовую деятельность.

Человеко-машинная проблематика кибернетики составляет, по существу, уже часть того направления, за которым закрепилось название «искусственный интеллект». Можно по-разному относиться к этому термину. Возможно, он и неудачен, так как вызывает не идущие к делу ассоциации. Во всяком случае, данное направление не имеет никакого отношения к надуманной проблеме «думающих машин», которую любят обсуждать некоторые философы.  {21}  Следует решительно подчеркнуть, что недооценка значения этого направления кибернетики недопустима.

Рассказ об исследованиях по проблеме «искусственный интеллект» — самостоятельная тема. Отметим лишь некоторые существенные стороны дела. Искусственный интеллект самым тесным образом связан с решением нетрадиционных задач управления и переработкой информации. На одном из первых мест здесь стоит разработка диалоговых систем, включая языки общения человека и ЭВМ, особенно приближенные к естественным языкам человеческого общения. При решении соответствующих вопросов придется учитывать тонкие аспекты человеческой психики, важные для эффективной организации процесса коммуникации при взаимодействии с вычислительной системой.

Работы по созданию диалоговых систем у нас ведутся успешно. Имеется, в частности, продвижение в создании систем распознавания слитной речи, разработки языков диалога, отображающих информацию из определенной предметной области деятельности человека. Такие отечественные системы, как ДИСПУТ (Институт проблем управления), ДИЛОС (ВЦ АН СССР) и подобные им, говорят о перспективности работ в этом направлении.

Другое направление искусственного интеллекта, которое заслуживает быть отмеченным, это автоматизация доказательств теорем в формальных математических теориях.

В нашей стране, одной из первых, были начаты работы по автоматизации доказательств и дедуктивного логического вывода. Постепенно выяснилось, что решение соответствующих задач интересно не только для сравнительно простых случаев формальных систем, но и в применении к более богатым областям математики; Ученые Института кибернетики АН УССР подчинили соответствующую задачу более общей и более важной цели повышения производительности труда математиков. На этой основе сформулировали- подход, который его создателями был назван «алгоритмом очевидности» и смысл которого состоит в такой организации взаимодействия математиков-пользователей системы с последней, когда вычислительная система берет на себя все более сложные функций математической дедукции и проверки предлагаемых ей доказательств теорем, вывода новых нетривиальных математических результатов и т. п.

С формализацией доказательств тесно связана проблема  {22}  автоматического построения необходимых для ЭВМ программ из типовых модулей по словесной формулировке исходного задания. В СССР работы в этом направлении привели к созданию системы ПРИЗ (Институт кибернетики АН ЭССР) — первой системы, с помощью которой удалось успешно решить подобную задачу. По-видимому, системам такого типа предстоит большое будущее.

Весьма перспективны работы в области автоматизации игровых задач при учете человеко-машинного взаимодействия (в случае шахмат, например, такая система может помочь шахматисту в выборе наилучших ходов в игре). Здесь у кибернетиков нашей страны ощутимые успехи. Советская шахматная программа «Каисса» достигла больших успехов в турнирах ЭВМ, в частности, и потому, что она использовала эффективные процедуры поиска, разработанные в Институте проблем управления.

Излишне, пожалуй, говорить о важности работ в области роботостроения. Создание роботов и манипуляторов с использованием результатов в области биомеханики, разработка автономных роботов (особенно адаптационного типа), роботов, управляемых голосом человека, — все это требует привлечения новых идей. Технические решения, базирующиеся на технической кибернетике, должны быть дополнены опытом изучения живых организмов, в частности систем восприятия окружающего мира и отображения его в памяти живых существ. Раскрытие механизмов ориентации, навигации и связи в живой природе в перспективе может быть весьма полезно для создания роботов и их «коллективов», способных к функционированию в незнакомой среде.

Перечисленные вопросы обычно замыкаются на проблему «интеллекта» робота. Решая ее, придется, по-видимому, во все большей мере изучать и моделировать нейронные и нейроноподобные структуры. Искусственный интеллект на основе этих структур — при полном использовании возможностей современной электронной и иной технологии — обещает открыть новую ступень в развитии ЭВМ адаптационного типа.

Отличительная черта кибернетики — органическое соединение в ней теоретической и прикладной сторон. Здесь можно было бы привести много примеров об имеющихся уже реальных достижениях: результаты в автоматизации испытаний сложной аппаратуры, использование кибернетики в экспериментальном исследовании сложных объектов (в том числе и летной аппаратуры) и т. д. Можно  {23}  отметить успехи в конструировании бортовых цифровых вычислительных комплексов, дозволивших глубже автоматизировать работу систем. Автомат задает программу и контролирует ее выполнение, оценивает поведение блоков, принимает решение — что включить, что выключить — и еще докладывает экипажу на экране, чем занят. Однако еще очень много задач, которые предстоит решить в этой и других областях.

Традиционными направлениями кибернетических исследований в нашей стране являются области социально-экономических явлений, биология и медицина, гуманитарные науки. Однако следует признать, что здесь достижения гораздо скромнее.

Всем понятна важность задачи автоматизации в сфере организационного управления. Один из эффективных путей ее решения — рационализация на кибернетической основе процессов организационного управления (безбумажная технология). В идеале можно говорить об автоматизированных формах такого управления — сверху донизу, при которых устраняются традиционные формы документации. О специфически кибернетическом характере этой задачи говорит то, что решить ее в полном объеме можно, лишь используя адаптивные модели, охватывающие достаточно высокие уровни управления. Работы в данной области должны быть продолжены и усилены.

Всестороннего обсуждения заслуживают вопросы бионики, биологической и медицинской кибернетики. Однако это выходит за рамки данной статьи. Отметим лишь важные для технической кибернетики бионические работы.

Произошло обогащение традиционного содержания бионики. В ее рамках ведется разработка нового вида замкнутых систем, где человек (и его органы) является объектом воздействия со стороны техники или же выступает в качестве реципиента, воспринимающего информацию от системы датчиков технической аппаратуры. На этой основе разрабатываются биотехнические системы медицинского назначения, обещающие создание аппаратов, эффективно компенсирующих функции утраченных органов. Компенсаторная «автоматизация», комплексирование живых организмов, и прежде всего человека, с техническими системами, создание аппаратов-протезов типа искусственного сердца или опорно-двигательной аппаратуры — эти ответвления бионических разработок, непосредственно ориентированные «на человека», конечно, недооценивать не приходится.  {24} 

Особую тему составляет проблематика «Кибернетика и гуманитарные науки». В подходе к ней следует проявить должную трезвость. В кибернетико-лингвистических, информационно-психологических, математико-экономических исследованиях, в применениях кибернетики в праве (в частности, в использовании ЭВМ в криминалистических исследованиях) мы имеем определенные достижения. Но надо помнить, что развитие в этих направлениях происходило неравномерно. Были периоды увлечения и периоды охлаждения интереса. Теперь в этих областях четко обозначились реальные задачи. Но совершенствованием работ в этих направлениях кибернетики сами по себе заниматься не могут: необходимо тесное сотрудничество их со специалистами соответствующих областей (это же, конечно, касается и работ в области биологической и медицинской кибернетики).

Это ясно видно на примере работ в кибернетико-лингвистической области. Очевидно их значение для теории и практики автоматизации управления, переработки информации, развития на основе кибернетических принципов математического обеспечения ЭВМ. Без достаточного продвижения в этих работах нельзя получить добротных языков информационного поиска или общения человека с ЭВМ, создать средства, обеспечивающие «понимание» текстов естественного языка машиной.

Однако надо помнить, что решение такого рода задач неотделимо от развития лингвистики, психолингвистики и психологии, а также средств логико-семантической формализации.

Это также справедливо и относительно проблематики моделирования творческих процессов. Здесь было больше постановок задач, чем конкретных результатов. Поэтому актуален вопрос о том, в каких направлениях следует вести дальнейшие исследования. Ответа надо ожидать прежде всего от сотрудничающих с математиками и кибернетиками психологов и логиков.

В заключение о философско-методологических вопросах. Разработки методологических проблем кибернетики необходимы. Тот, кто их не понимает, не учитывает в работе, рискует не увидеть перспектив и не сможет предвидеть тех трудностей, которые могут встретиться на избранном им исследовательском пути.

Философско-методологическая проблематика особенно важна для разработки проблем искусственного интеллекта. Задачи, которые возникают в этом направлении, таковы,  {26}  что их решение не может быть делом только кибернетиков, только математиков или логиков, только представителей технического знания, только физиологов или психологов. Эта проблема сегодня приобретает общенаучное звучание и, значит, без серьезного философско-методологического обоснования решена быть не может.

КУДА ИДЕТ КИБЕРНЕТИКА?
М. Г. ГААЗЕ-РАПОПОРТ

Представляется весьма интересным кратко рассмотреть основные этапы развития кибернетики и попытаться наметить некоторые наиболее важные пути ее дальнейшего развития. Несмотря на возможность субъективизма и понятные трудности прогнозирования, необходимость таких попыток бесспорна.

О кибернетике. Существует множество определений кибернетики, исходящих из основного положения о том, что это наука об управлении в системах различной природы (технических, биологических, экономических, общественных и т. д.). С течением времени круг систем» к которым считались применимыми кибернетические подходы, вначале включавший только технические и биологические системы, интенсивно расширяется. Уже можно говорить о нейрокибернетике, экономической, правовой, сельскохозяйственной кибернетике и т. д.

В разнообразных определениях понятия «кибернетика» подчеркиваются такие ее стороны, как системность, сложность, надежность, использование моделей и ЭВМ и пр. В различных источниках в качестве составляющих кибернетики указываются многие науки и научные направления, часто весьма слабо связанные друг с другом. Можно ли такой конгломерат относительно самостоятельных элементов считать наукой или научным направлением? Можно ли все эти направления, дисциплины, разделы других наук включать в понятие «кибернетика»? Видимо, ответ на эти вопросы может быть только отрицательным. Следует ли из этого вывод, что кибернетики не существует? Может быть кибернетика — это просто ставший модным синоним для современной теории автоматического регулирования и управления, теории, существующей и успешно развивающейся уже более 50-ти  {26}  лет? Думается, что и на эти вопросы следует ответить отрицательно.

Дело, по-видимому, обстоит следующим образом. Кибернетика — это прежде всего научно-методологическое направление, рассматривающее весь объективно существующий мир с одной, а именно информационной, точки зрения. При этом кибернетика намеренно отвлекается от материальной (субстратной) стороны мира, от энергетического рассмотрения его, не забывая, конечно, о их существовании, а рассматривает и изучает только информационные процессы, т. е. получение, кодирование и — в широком смысле слова — обработку информации, в том числе ее передачу и использование. При этом информация понимается не в узком шенноновском смысле, а более широко, как сведения, знания, факты —все то, что используется для принятия решений по управлению. Этой методологической направленностью, так сказать «кибернетическим мировоззрением», и определяется значение кибернетических представлений, проникновение кибернетических подходов во все области современной науки и техники, во все формы человеческой деятельности. Именно в этом и проявилось в прошедшие годы основное значение кибернетики.

Представляется, что изложенного достаточно, чтобы показать неправильность и необоснованность иногда встречающихся мнений, что кибернетика якобы себя дискредитировала и не оправдала возлагавшихся на нее надежд.

Значение и польза кибернетики не в наличии каких-то чисто кибернетических результатов, математически сформулированных законов кибернетики — их нет, а в том, как мы уже говорили, в какой степени кибернетические идеи, кибернетический образ мышления проникли в конкретные науки, стимулировали их развитие, привели к появлению новых научных результатов в этих специальных областях.

В качестве одного из наиболее ярких примеров, подтверждающих успешное применение и методологическое значение кибернетических подходов, рассмотрим проблему расшифровки генетического кода и изучения процессов передачи информации от нуклеиновых кислот к белкам. Сама постановка этих задач¹ была бы невозможна  {27}  без кибернетических представлений об информации, о ее кодировании, об обязательном наличии канала для ее передачи и о необходимости существования материальных носителей информации (сигналов). Решение поставленной проблемы представляет собой сложную биохимическую, но не кибернетическую задачу, которая и выполнена биохимиками с помощью тонких специальных методов².

Другой характерный пример -— интенсивно развивающиеся в настоящее время работы по изучению на нейронном уровне процессов управления поведением животных, и в первую очередь полетом насекомых³. Эти интересные биологические работы также в значительной степени опираются на кибернетические представления о системе управления как системе с обратной связью, воспринимающей, перерабатывающей и использующей информацию, и без этих представлений не могли бы быть выполненными.

Число примеров из различных областей науки легко умножить.

Кибернетика и ЭВМ. Одно из до сих пор часто встречающихся ошибочных мнений — отождествление проблем создания и использования ЭВМ с кибернетикой. Многие считают, что если в какой-то области знаний применяются ЭВМ, то, следовательно, в этой области «используется кибернетика». В действительности же это совсем не так. Использование информации и ее обработка не есть кибернетика, если при этом объектом изучения не являются сами процессы использования информации, методы ее обработки.

ЭВМ, их возникновение и развитие действительно тесно связаны с кибернетикой.

Во-первых, ЭВМ используется для переработки информации. Существует даже мнение, что их следует называть не «машинами», а «маперинами» (машиноподобные  {28}  устройства, перерабатывающие информацию)⁴. При этом имеется в виду не техническое устройство — ЭВМ — само по себе, которое ничего не может делать, а ЭВМ вместе с заложенной в нее программой. С этой точки зрения расширение областей применения ЭВМ, использование их для решения не только вычислительных, но и логико-информационных задач, для моделирования информационных процессов и для исследования разнообразных процессов переработки информации, конечно, тесно связано с кибернетикой и распространением ее идей и делает ЭВМ инструментом для кибернетических исследований.

Во-вторых, сами ЭВМ, их логика, архитектура, программирование для них (исключая чисто технические вопросы их проектирования и изготовления) — объект рассмотрения с математико-кибернетической (информационной) точки зрения.

Таким образом, ЭВМ выступают сразу в трех планах: как инструмент для вычислений и обработки информации в интересах различных научных и народнохозяйственных направлений, позволяющий существенно ускорять эти процессы; как средство для расширения областей применения кибернетических принципов и идей в разнообразных областях науки и практики; наконец, сами являются объектом приложения кибернетических идей и методов и используются для непрерывного совершенствования и развития последних.

Являясь мощным инструментом обработки информации, ЭВМ сыграли и продолжают играть очень большую роль в формировании, развитии и распространении кибернетических идей и методов. Именно это и привело к возникновению ошибочной тенденции относить все связанное с ЭВМ к кибернетике.

Нерешенность же многих кибернетических задач объясняется не слабостями кибернетических подходов, хотя и они, рассматривая только информационные аспекты, конечно, не являются всеобщими и не могут служить панацеей для преодоления любых научных и практических трудностей, а заключается в специфических внутренних трудностях этих проблем и в определенной ограниченности, по сути, очень больших возможностей  {29}  ЭВМ. Так, говоря о проблеме перевода, следует отметить, что ее лингвистические и психологические основы, еще недостаточно полно изучены лингвистами и психологами. Обнаружены и продолжают обнаруживаться все новые и новые, чисто лингвистические трудности и нерешенные задачи, затрудняющие эффективный машинный перевод. Кибернетические подходы, ЭВМ и эксперименты с их использованием существенно помогают в продвижении работ над этой проблемой.

Аналогичное положение и с проблемой искусственного интеллекта. Наши представления о сознании, разумности, интеллекте еще недостаточно полны и не содержат еще достаточных результатов для их машинной интерпретации. Однако это не означает, что использование кибернетических подходов и ЭВМ не способно помочь психологам в дальнейшем решении проблем сознания и мышления.

В настоящее время подавляющему большинству специалистов стало ясно, что без широкого использования кибернетических идей и применения ЭВМ невозможно развитие науки и техники.

Моделирование как один из эффективных методов научного исследования было известно задолго до появления кибернетики. Но интенсивное развитие его в наше время не без оснований связывают с появлением кибернетических методов и ЭВМ.

Существуют различные классы моделей. Ограничимся рассмотрением лишь одного — широко используемого в научных исследованиях. В этих моделях, называемых информационными, воспроизводятся не сами свойства и характеристики объекта моделирования, а их описания на каком-либо формальном или естественном языке. Точность и успешность моделирования в этом случае определяются только точностью описания объекта, его характеристик и связей между ними.

Существенное достоинство информационных моделей, особенно при их реализации на ЭВМ, — возможность варьирования и уточнения исходных описаний, облегчающая выделение исследователем существенных для него свойств объекта. Реализация информационных моделей на ЭВМ позволяет, ускоряя процесс моделирования, резко увеличить объем исследования, а также допускает последовательное усложнение (уточнение) описания по мере расширения знаний об объекте и его свойствах. В частности, такие модели с успехом могут быть использованы для  {30}  проверки гипотез. Например, с помощью информационных моделей, воспроизводя в них условия, в которых функционирует объект, и знания о его структуре (устройстве) и сравнивая функционирование объекта и модели в одинаковых условиях, можно установить, насколько точны, правильны наши знания об объекте. Аналогично, зная условия, в которых функционирует объект, и воспроизводя на модели известные реакции объекта в этих условиях, можно, анализируя полученную структуру модели, сформулировать гипотезы о возможной структуре объекта. Такое использование моделей получило название моделирования «черного ящика».

Возможности реализации на ЭВМ сложных информационных моделей, а также наличие технических устройств, способных преобразовывать информационные сигналы, получаемые от ЭВМ, в информационные и физические воздействия на управляемые (реальные) объекты, привели к интенсивному проникновению информационного моделирования с помощью ЭВМ в самые различные области науки и техники. Однако отождествление моделирования с кибернетикой привели к переоценке его значения, к представлениям о том, что моделирование само по себе «все может» и что все достигается достаточно легко. Можно сказать, что наступил период «модельной эйфории». Думали, исходя из принципиально правильного положения, что раз процессы сознания, мышления, принятия решений, творчества, работы мозга, перевода и многие другие являются процессами, осуществляющими переработку информации, и могут быть описаны, то, следовательно, они могут быть воспроизведены (промоделированы) с помощью ЭВМ. При этом забывали, что, помимо принципиальной возможности такого моделирования, нужны еще и конкретные знания свойств и особенностей объектов, причем достаточно точные, чтобы их можно было заложить в машины.

Преувеличенные представления о возможностях моделирования основывались и на том факте, что информационное моделирование позволяет получать новые данные, новые знания об объекте моделирования. Молчаливо предполагалось, что таким образом можно будет получить все необходимые для успешного моделирования данные.

Забывалось и следующее обстоятельство. Сам процесс перевода сведений, описаний объектов на язык машины представляет собой трудность, которая увеличивается с усложнением решаемых задач. А для решения возникающих  {31}  вспомогательных задач необходима разработка специальных программных средств описания сложных классов задач (языки, трансляторы), а также систем ввода больших объемов информации в ЭВМ.

Все это приводило к тому, что не только явные скептики высказывали мнение о самодискредитации кибернетики, о том, что информационные подходы, моделирование, ЭВМ не оправдывают возлагавшихся на них надежд.

Исследования последних лет, приведя к значительным успехам, показали одновременно и наличие серьезных трудностей, связанных не с подходами, а с недостаточной изученностью свойств и характеристик объектов моделирования. Преодолеть это можно лишь при целенаправленной исследовательской работе в соответствующих специальных областях с широким привлечением кибернетической методологии. Такие исследования, видимо, должны быть построены в форме последовательных приближений к цели, при которых специалисты описывают известные им характеристики объекта и формируют гипотезы. Затем следует моделирование с последующей оценкой его результатов и уточнением гипотез и исходных сведений об объекте. Потом процедура повторяется. Таким образом, например, продолжительное время ведутся работы по модельному изучению творческого процесса у композитора, сочиняющего музыку.

Расширение областей применения кибернетических подходов к изучению информационных процессов в сложных системах различной природы практически наблюдается во всех областях знания. Если вначале считалось, что применение этих методов может быть ограничено только техникой и некоторыми разделами биологии, то теперь никого не удивляет успешное использование кибернетики в экономике, праве, сельском хозяйстве, нейрофизиологии, медицине и некоторых других областях.

Несколько медленнее идет проникновение кибернетических идей и методов в гуманитарную сферу — литературу, искусство, историю, социологию и др. Кибернетические идеи используются здесь лишь при решении вспомогательных задач. Объясняется это как сложностью объектов исследования, так и отличиями в стиле мышления представителей гуманитарных направлений и представителей точных и технических наук. Именно поэтому потребуется, видимо, довольно продолжительное время для установления более тесного содружества в работе гуманитариев со специалистами, владеющими  {32}  системно-кибернетической методологией и соответствующим инструментарием (ЭВМ и программирование).

Необходимо подчеркнуть, что речь идет не о создании какой-то новой «гуманитарной кибернетики», а о проникновении кибернетического подхода и образа мышления в гуманитарные науки, что должно способствовать и решению собственно гуманитарных проблем.

В качестве примера, подтверждающего правильность такого взгляда на науки «некибернетического» профиля, рассмотрим некоторые вопросы, связанные с развитием биологии. Лет 10—15 тому назад казалось, будто одно из традиционных биологических направлений — морфология — уже не имеет больших перспектив и мало что может дать в развитии биологии. Даже говорили о целесообразности сокращения исследований по морфологии. Однако бионические идеи, задачи создания точных технических датчиков, проблемы построения шагающих устройств, роботов, исследования машущего полета существенно стимулировали поиски в морфологии. В настоящее время интенсивно ведутся морфологические исследования рецепторных и локомоторных органов многих животных, например ракообразных и насекомых.

Кибернетические идеи позволили объединить эти исследования с нейрофизиологическими и получить новые интересные данные о строении и функционировании (на нейронном уровне) систем управления движением, полетом и другими функциями.

Структуризация и формализация знаний. Как известно, результаты исследований в силу специфики объектов, изучаемых гуманитарными науками (человек, коллектив, творчество, общественные процессы и т. п.), в значительной степени носят описательный характер. Многие понятия и закономерности сформулированы только качественно. Однако теперь в эту область знания все шире проникают и количественные методы.

Использование информационно-кибернетических подходов, необходимость для информационного моделирования точных описаний объектов исследования существенным образом стимулируют проникновение во все области знания точных методов, формализованных постановок проблем, системно-кибернетического образа мышления. Так, необходимость совершенствования систем программирования для ЭВМ, развитие языков программирования привели к существенной формализации и структуризации лингвистики. Появилась и развивается структурная  {33}  лингвистика. Она стала не только базой развития и совершенствования языков программирования, без которых немыслимо использование и внедрение ЭВМ, но оказывает заметное влияние на развитие и структуризацию лингвистики и языкознания.

В порядке дня стоят задачи структуризации и формализации в некоторых разделах других наук гуманитарного профиля, и в первую очередь психологии. Проблемы общения людей, воздействия на их сознание, управления группами и коллективами, по существу, имеют информационный характер, и без четкой структуризации и определенной формализации уже известных знаний в этой области их практическое использование не может быть достаточно полным и эффективным.

Сложность и многоаспектность таких объектов, как, например, человек, мышление, деятельность, приводят к концентрации внимания на индивидуальном, частном и затрудняют выделение существенных факторов, общего, определяющего свойства и особенностей изучаемых объектов. Представляется, что информационное моделирование позволит последовательно оценить степень значимости различных факторов и их групп при изучении подобных объектов, выделить достаточно формализуемые закономерности, лежащие в основе изучаемых явлений.

Интенсификация процессов структуризации и формализации в гуманитарных науках приведет к математизации некоторых их сторон и позволит точнее оценивать в них уровень конкретных знаний.

Комплексные исследования человеко-машинных систем. Развитие науки и техники приводит к непрерывному усложнению систем, с которыми приходится иметь дело человеку. К таким сложным системам относятся большие промышленные комплексы, отрасли народного хозяйства, народное хозяйство в целом, рассматриваемое как единая система, и, наконец, биосфера, частью которой является человек. Важной становится задача разумного, целесообразного и эффективного взаимодействия человека с природой, обеспечения эффективности их функционирования. Непосредственное взаимодействие человека с внешней средой постепенно заменяется опосредованным взаимодействием с использованием искусственных систем и устройств. При этом наряду с материально-энергетическими факторами, определяемыми машинами, все большую роль играет информационный — получение и обработка информации о среде, о тех же машинах, воздействующие  {34}  на нее, о деятельности других людей, участвующих в этом общем целенаправленном взаимодействии. Интенсивная автоматизация обработки информации приводит к тому, что в коммуникационные связи, в потоки информации, которыми обменивается человек, во все большей степени вовлекаются машины, выдающие ему и воспринимающие от него информации.

Таким образом, человек и его среда, все взаимодействия между ними превращаются в сложную человеко-машинную систему, в которой большое значение приобретают информационные процессы. Одновременно усиливается роль коллективного взаимодействия, целенаправленной совместной деятельности людей по решению общих задач, по достижению общих целей.

Естественно, что качество информационного взаимодействия как людей между собой, так и людей с машинами в человеко-машинных системах становится существенным, а часто и определяющим фактором, от которого зависит эффективность функционирования таких систем. Поэтому вопросы, связанные с информационным взаимодействием (общением) в сложных человеко-машинных системах, превращаются в важный объект научных исследований, результаты которых имеют большое практическое значение.

Одна из интереснейших проблем среди различных аспектов кибернетических и системных подходов — проблема общения (диалога). В ней много составляющих: понимание; выбор языка общения; принятие решений с учетом целей и мотивов, определяющих выбор решений; согласование целей; вопросы использования различных видов информации; обеспечение комфортности; информационные потребности и многие другие.

Проблема общения подразделяется на две: диалог между людьми и диалог с машиной. Естественно, что полное решение проблемы диалога с машиной невозможно без переосмысления и рационального использования уже накопленных в психологии и социологии знаний о человеческих коммуникациях. Тем не менее в силу информационного характера обеих составляющих проблемы центральное место в ее решении по праву должно принадлежать специалистам, владеющим системно-кибернетическими подходами.

Несмотря на то что диалог с машиной несомненно должен опираться на опыт человеческого общения, оба эти фактора настолько связаны друг с другом, что должны  {35}  решайся в одном комплексе. Поэтому следует признать, что экспериментальные данные по общению с машиной, в свою очередь, имеют немаловажное значение и для понимания механизмов чисто человеческих коммуникаций.

Большое значение имеют и лингвистические аспекты. Без их решения трудно ожидать серьезного продвижения, например, в осмыслении текстов с помощью ЭВМ и разработке форм и способов представления и хранения знаний в машинных системах. Эти исследования ведутся в настоящее время в рамках проблематики искусственного интеллекта,

ПУТИ РАЗВИТИЯ АВТОМАТИЗАЦИИ
И. А. АПОКИН

В. И. Ленин указывал, что «прогресс техники в том и выражается, что человеческий труд все более и более отступает на задний план перед трудом машин»¹. Из этого определения, в частности, следует, что автоматическое (без непосредственного участия человека) выполнение некоторого процесса с помощью машин представляет собой высшую стадию прогресса машинной техники в любой области ее применения. Разумеется, это не означает остановки технического прогресса, поскольку средства автоматизации станут объектом дальнейшего совершенствования (с технической, экономической, экологической и других позиций). Тем не менее автоматизация основных отраслей производства и сферы обслуживания означала бы качественный скачок в развитии материально-технической базы общества.

История технического прогресса свидетельствует, что технические устройства любого типа имеют объективный спектр характеристик и возможностей применения- Понятие «тип технического устройства» может быть соотнесено с материалом (например, деревянные и железные орудия), принципом работы (механические и электронные устройства), с разными видами энергии, используемой для приведения этих устройств в действие (энергия воды и ветра, атомная энергия и т. п.).  {36} 

В зависимости от применяемой технологий спектр характеристик может быть сравнительно широким, однако для каждого типа устройств существуют определенные пределы совершенствования. Например, если задаться целью конструировать цифровые вычислительные устройства, то очевидно, что один, сравнительно низкий, уровень вычислительных возможностей может быть получен при использовании механических элементов, другой, более высокий, — за счет применения электромеханических компонентов (контактных реле) и, наконец, существенно более высокий — в результате использования электронной техники. Даже наиболее совершенные из известных нам систем — биологические — имеют свои очевидные ограничения. Так, человек может решать достаточно сложные задачи за время, измеряемое секундами. Однако абсолютно невозможно добиться решения даже самой простой задачи за микро- или наносекунды. Между тем это доступно современным ЭВМ, т. е. устройствам, более примитивно организованным по сравнению с человеческим мозгом. Только благодаря тому, что скорость передачи и обработки сигналов в электронных системах на пять-шесть порядков выше, чем в биологических, ЭВМ несравненно более производительны в некоторых видах умственной деятельности.

Принцип жесткого программирования

Рассмотрим с позиций «предельных возможностей» принципы, на которых основаны современные средства автоматизации. Принцип жесткого программирования трактуется в настоящей статье в более широком смысле, чем обычно употребляется. Под «жестким программированием» мы понимаем такой способ управления системой, когда для реализации процесса управления используются относительно простые алгоритмы. В связи с этим нет необходимости в емком устройстве памяти (для записи алгоритма) и быстродействующем логическом устройстве (для его реализации), т. е. нет необходимости применять ЭВМ, а можно использовать либо сравнительно простое логическое устройство, либо вообще обойтись без логических элементов. В последнем случае алгоритм обычно реализуется «в металле», т. е. в некоторой совокупности определенным образом связанных технических элементов. Поэтому изменение алгоритма требует серьезных изменений в структуре системы.  {37} 

Примере таких сравнительно простых (с точки зрения алгоритмов управления) устройств весьма многочисленны. Это автоматические линии и станки-автоматы на заводах, различные типы торговых автоматов, автоматические телефонные коммутаторы, различные виды автоматического оружия и т. д.

Каковы предельные возможности развития и внедрения систем с жестким программированием? Теоретически с помощью таких систем можно было бы автоматизировать основную часть современной сферы материального производства, но при одном (невыполнимом) условии — если рассматривать систему производства как статичную, т. е. выпускающую одни и те же изделия с неизменными характеристиками. Однако и в этом случае комплексная автоматизация потребовала бы огромных затрат, причем, во-первых, многие процессы оказались бы вне досягаемости автоматов, во-вторых, вне автоматизации осталась бы сфера управления, что потребовало бы значительного роста управленческого персонала, и, в-третьих, во многих случаях автоматизация была бы неэкономичной, т. е. не повышала бы производительности труда.

Автоматизация производства на базе устройств с жестким программированием получила распространение в промышленно развитых странах в 20—30-х годах и продолжала развиваться ускоренными темпами в последующие годы. В СССР заметными вехами в области автоматизации явилось создание первой отечественной автоматической электростанции (1932), первой автоматической линии металлообрабатывающих станков (1940) и др. Начальные успехи в области комплексной автоматизации заводов также связаны с использованием принципа жесткого программирования.

Так, в 1921 г. в США в г. Милуоки введен в эксплуатацию автоматизированный завод по производству автомобильных рам, причем потребность в рабочей силе была уменьшена на 95%. В СССР в годы Великой Отечественной войны построен автоматизированный шинный завод и автоматизирован ряд нефтеперерабатывающих заводов. В первое послевоенное десятилетие введены в действие автоматический завод по изготовлению поршней для двигателей грузовых автомобилей (1950), автоматические передвижные бетонные заводы и ряд других автоматизированных производств. В последующие годы конструирование и внедрение устройств «жесткой автоматизации» продолжалось высокими темпами. Так, в 1965 г. в СССР  {38}  работало около 6 тыс. автоматических линий, а в 1981 г. — свыше 27 тыс.² Заметим также, что одна из важных тенденций технического прогресса — унификация, стандартизация и нормализация продукции — объективно способствует внедрению жесткой автоматизации. При высокой степени унификации компонентов и деталей относительно ограниченный их набор выпускается крупными сериями, что позволяет широко применять автоматические линии. Тем не менее комплексная автоматизация основных отраслей материального производства на базе устройств с жестким программированием нереальна из-за постоянной смены номенклатуры и параметров выпускаемых изделий.

Системы управления на основе ЭВМ

В эпоху научно-технической революции процесс выпуска не только усовершенствованных, но и принципиально новых изделий существенно ускорился. В этих условиях жесткое программирование не может быть ведущим принципом автоматизации, хотя как способ автоматизации отдельных элементов производства полностью сохраняет свое значение. Иными словами, количество станков-автоматов и автоматических линий, различных систем автоматического контроля и регулирования (для автоматизации производственных процессов, железных дорог, электростанций и т. п.) будет расти и впредь. Однако во второй половине XX в. этот процесс начинает развиваться в рамках другого, несравненно более высокого по своим возможностям — процесса применения ЭВМ для управления автоматическими и автоматизированными системами. Вскоре после создания первых ЭВМ им была отведена первостепенная роль в перспективах развития автоматизации. Так, Н. Винер в работе «Кибернетика и общество» (1954) дал удивительно точный прогноз изменений в промышленном производстве: управление производством будет осуществляться с помощью ЭВМ, которые будут использоваться как для непосредственного управления исполнительными механизмами, так и для обработки деловой информации. В то время, когда ЭВМ применялись в основном в научных исследованиях, Винер предсказывал, что данные машины или подобные им устройства  {39}  явятся основой переворота в промышленном производстве, причем «новым машинам потребуется от десяти до двадцати лет, чтобы занять подобающее им место»³.

Время внесло коррективы в сроки реализации прогноза Н. Винера, однако сущность подтвердилась. После 50-х годов, когда ведущей областью применения ЭВМ были научно-технические расчеты, наступило время широкого использования ЭВМ в сфере обработки больших массивов информации в основном экономического характера. Для этой сферы характерно не изолированное применение ЭВМ (как это имело место в области научно-технических расчетов), а построение на их основе информационных и информационно-управляющих систем.

Информационные и информационно-управляющие системы относятся к классу автоматизированных, т. е. человеко-машинных систем, причем их развитие в каждой конкретной области применения идет по линии повышения роли машины как в сфере принятия решений, так и в сфере реализации принятых решений. Предельный случай, когда ответственность как за принятие решений, так и за их выполнение возлагается на вычислительную машину, обычно рассматривают как отдельную сферу применения ЭВМ, а именно сферу автоматического управления в реальном масштабе времени. В этом случае вычислительная машина используется в контуре обратной связи некоторой автоматической системы управления, т. е. вмешательство человека в процесс управления полностью исключается.

Коренное отличие применения ЭВМ в системах управления от построения таких систем на принципе жесткого программирования заключается в том, что изменение параметров управляемого процесса либо предусмотрено программой, либо требует изменения программы, что несравненно проще, чем перестройка (переналадка) жестко запрограммированных систем. С каждым поколением ЭВМ их быстродействие и емкость запоминающих устройств существенно повышаются, в памяти записываются все более сложные программы, имеет место систематическое повышение возможностей ЭВМ как средств обработки информации и соответственно как средств автоматизации все более сложных объектов.

Область применения систем, управляемых ЭВМ, весьма  {40}  обширна: автоматизированные системы управлении (АСУ) экономическими объектами; автоматические системы управления непрерывными технологическими процессами; информационно-управляющие системы, предназначенные для аэрокосмических объектов; информационно-поисковые системы; системы программированного обучения; диагностические медицинские системы; системы управления экспериментом и т. д. Ведущее место (по применению таких систем) занимают отрасли материального производства (включая сферу управления производством).

В СССР первые системы, управляемые ЭВМ, появились в 50-х годах. В 1962 г. была создана одна из первых в мире систем с непосредственным цифровым управлением технологическим процессом (система «Автооператор» для управления химическими производствами, разработанная в Киевском институте автоматики им. XXV съезда КПСС)⁴. Внедренные в 60-е годы АСУ (Ленинградского оптико-механического объединения, московского завода «Фрезер», Львовского телевизионного завода, Барнаульского радиозавода и др.) принесли значительный экономический эффект.

В относительно широких масштабах применение в народном хозяйстве систем, управляемых ЭВМ, начинается во второй половине 60-х годов, когда было введено в действие более 400 таких систем, в том числе 170 систем управления технологическими процессами производства. В 70-е годы масштабы работ существенно расширяются. Так, в 1972 г. проектированием и созданием АСУ было занято около 40 тыс. специалистов, а АСУ создавались на каждом пятом крупном промышленном предприятии⁵. Всего в 1971—1981 гг. было введено в действие свыше 5 тыс. систем, управляемых ЭВМ, в том числе 2190 систем управления технологическими процессами производства⁶.

На протяжении 60—70-х годов постепенно все большая часть затрат на автоматизацию связана с ЭВМ. В СССР в 1960 г. производство вычислительных машин и устройств в общем объеме выпуска приборов, средств автоматизации и вычислительной техники составляла  {41}  всего 7,4%. За десять последующих лет оно утроилось и в 1970 г. достигло 23,8%. В дальнейшем в результате быстрого роста производства ЭВМ выпуск вычислительной техники в 1981 г. достиг уже 47% всего производства приборов и средств автоматизации⁷.

В последние годы роль ЭВМ как средства автоматизации существенно возросла в связи с разработкой систем коллективного пользования, т. е. систем разделения времени и информационно-вычислительных сетей. С позиций расширения масштабов применения средств вычислительной техники появление систем коллективного пользования сопоставимо по своему значению с созданием ЭВМ.

Концепция разделения времени базируется на использовании фундаментального различия в скорости прохождения и обработки сигналов в живых организмах и электронных системах. В результате возникает возможность такого типа общения ЭВМ с некоторой группой пользователей, когда ЭВМ поочередно взаимодействует (решает задачи, отвечает на вопросы) с каждым из данной группы. Однако вследствие того, что быстрота реакции человека в тысячи раз меньше, чем у электронной системы, у человека создается впечатление, что только он в данный отрезок времени ведет непрерывный диалог с ЭВМ. Практическая реализация концепции разделения времени состоит в том, что достаточно мощная ЭВМ через линии связи соединена с некоторым количеством терминалов, установленных на рабочих местах абонентов или на дому. Поскольку предполагается, что ЭВМ работает круглосуточно, обращение к ней возможно с любого терминала в любое время, в том числе со всех терминалов одновременно. В СССР разработка таких систем была начата в 1966 г. в Вычислительном центре Сибирского отделения АН СССР (проект АИСТ — автоматическая информационная станция). В 1971 г. была введена в действие система АИСТ-0, а также система разделения времени общего назначения на базе машины БЭСМ-6.

Важнейший результат развития систем разделения времени — создание информационно-вычислительных сетей, объединяющих десятки и сотни ЭВМ, обменивающихся информацией друг с другом. Цель создания сетей — в предоставлении их пользователям всего спектра возможностей, обеспечиваемых работой ЭВМ в режиме разделения времени, т. е. при наличии соответствующих  {42}  программ выполнение расчетно-вычислительных и проектно-конструкторских работ, выдача справочных данных, обработка экономической информации, моделирование вариантов решения и т. д.

Информационно-вычислительные сети обеспечивают более высокий уровень использования ЭВМ за счет объединения вычислительных мощностей, банков данных и средств программирования, а также специалистов, работающих в различных звеньях сети. В соответствии с концепцией всеобщего информационно-вычислительного обслуживания терминалы сетей, установленные на предприятиях, в учреждениях, а также на квартирах абонентов, получат в дальнейшем не менее широкое распространение, чем современные телефоны и телевизоры. В целом информационно-вычислительные сети выступают в качестве мощного средства общего повышения уровня автоматизации, прежде всего в сфере управления экономикой и информационном обслуживании.

В середине 70-х годов в мире эксплуатировалось более 250 информационно-вычислительных сетей различной мощности и назначения. В СССР концепция Государственной сети вычислительных центров, предложенная В. М. Глушковым, предусматривает ряд этапов формирования сети, объединяющей основные вычислительные мощности страны и являющейся базой ОГАС (Общегосударственная автоматизированная система сбора и обработки информации для учета, планирования и управления народным хозяйством). Практическую реализацию в 70-е годы получили специализированные сети (например, «Сирена» — для резервирования авиабилетов), сети, создаваемые в рамках отраслевых АСУ («Морфлот», «Прибор» и др.), отдельные территориальные вычислительные сети (например, сеть, разработанная АН ЛатвССР)⁸.

В настоящее время основные перспективы развития автоматизации, как правило, связывают с применением систем, управляемых ЭВМ. При этом молчаливо подразумевается, что таким образом будут решены основные проблемы автоматизации. Насколько оправданны такие надежды? Существуют ли и если существуют, то каковы предельные возможности современного типа автоматических устройств, которые мы объединяем термином «системы, управляемые ЭВМ»?  {43} 

Для ответа на этот вопрос полезно рассмотреть распределение занятости в двух основных областях — сфере материального производства и вне ее. С середины XX в. в промышленно развитых странах увеличивается относительное количество занятых в сфере обслуживания. В США, одной из стран, где этот процесс происходит наиболее интенсивно, в настоящее время в сфере обслуживания занято людей больше, чем в производственной (по различным оценкам на 1973 г., от 54 до 60%)⁹.

Данный процесс имеет две основные причины. Во-первых, определенный, достаточно высокий уровень развития материального производства требует эффективного развития ряда непроизводственных областей, таких, как научные исследования, образование и медицинское обслуживание. Высокий уровень производства определенным образом связан с материальными условиями жизни людей, развитием системы массовых коммуникаций и т. д.

Вторая причина более быстрого увеличения количества работающих в непроизводственных отраслях заключается в том, что они труднее поддаются не только автоматизации, но и во многих случаях механизации. Автоматизация труда в непроизводственной сфере требует во многих случаях принципиально новых средств, качественно отличных от систем, управляемых вычислительными машинами.

Важно отметить также, что и в производственной сфере имеется ряд областей, требующих малоквалифицированного труда и в то же время почти не поддающихся автоматизации. Например, уровень автоматизации одной из важнейших отраслей промышленности — машиностроения — существенно ниже, чем электроэнергетики, химической, пищевой промышленности и других отраслей с непрерывным производством. Так, в США полностью автоматизированные процессы в химической промышленности составляют 50—60%, в то же время в наиболее автоматизированной из отраслей машиностроения — автомобильной промышленности — около 10—15%, а в целом по машиностроительной и металлообрабатывающей  {44}  промышленности США существенно ниже. Такая ситуация имеет место, несмотря на высокий уровень затрат на автоматизацию (25—26% от общей суммы капиталовложений в 1973-1974 гг.)¹⁰.

Причина низкого уровня автоматизации машиностроения — в дискретности производственных процессов и большом количестве производств с мелкосерийной продукцией. Современные средства автоматизации могут в перспективе выполнять многие производственные операции в машиностроении. Перспективное направление в области автоматизации станочных операций при мелкосерийном производстве — создание многооперационных многоинструментных станков (обрабатывающих центров) с числовым программным управлением. Такие обрабатывающие центры можно объединять в группы, которые управляются ЭВМ и оснащены автоматизированными системами транспортных и погрузо-разгрузочных средств.

В то же время такой трудоемкий процесс, как конвейерные сборочные операции, мало поддается автоматизации. Приблизительно 90% сборочных операций в промышленности США осуществляется вручную, причем в машиностроении на этих операциях занято около 700 тыс. человек (по данным 1970 г.). Несмотря на интенсивное внедрение автоматического сборочного оборудования (около 17 тыс. единиц по состоянию на 1973 г.), оно в состоянии заменить ручной труд лишь на 20% операций¹¹. Тоже ограничены, хотя и более высоки, возможности роботов, с помощью которых, как ожидается, в 1987 г. в машиностроении США будет выполняться 15% сборочных работ.

Интеллектуальные автоматы

Итак, не только непроизводственная сфера, но и часть современного производства не может быть автоматизирована с помощью таких средств, как системы на основе современных ЭВМ и системы с жестким программированием. Какими свойствами должны обладать устройства, способные решать задачи, недоступные современным автоматам? Некоторое, хотя и весьма приблизительное,  {45}  представление об этом может быть получено при рассмотрении основных направлений исследований по созданию роботов третьего поколения.

Уместно отметить, что роботы первого поколения, которые уже широко применяются в промышленности (в 1980 г. в СССР эксплуатировалось 6,5 тыс. роботов, в Японии — 10 тыс., в США — 4 тыс.¹²), относятся к устройствам промежуточного типа, переходного от систем с жестким программированием к системам, управляемым ЭВМ. С первыми их объединяет строгая предопределенность выполняемых операций и относительная простота алгоритмов. Отличительная черта роботов первого поколения — отсутствие обратных связей с окружающей средой. С системами на базе ЭВМ роботов первого поколения объединяет многопрограммность работы, т. е. переход к решению новой задачи осуществляется обычно обучением новой программе (а не переналадкой, как в устройствах жесткой автоматизации). Отметим также, что к подклассу промежуточных устройств относятся наряду с роботами первого поколения станки с числовым программным управлением, большинство устройств программированного обучения и т. д. Роботы второго поколения (имеющие обратную связь с внешним миром через датчики окружающей среды) могут быть отнесены к классу систем на основе ЭВМ.

Проблемы построения роботов третьего поколения изучаются в настоящее время в ряде лабораторий. Общее направление исследований — повышение интеллекта роботов (с помощью роботов первого поколения невозможно моделировать какую-либо интеллектуальную деятельность, а роботы второго поколения способны к этому на исключительно примитивном уровне). Роботы третьего поколения можно подразделить на автоматически действующие и биотехнические (с дистанционным управлением). Высший уровень дистанционного управления — диалоговое управление — предполагает «интеллектуальный» контакт робота с человеком в ходе выполнения задания (уточнение задачи, обсуждение случайных или неучтенных заранее обстоятельств и т. п.)¹³.  {46} 

Общая задала, решаемая в различных исследованиях по интеллектуальным роботам, — формирование достаточно полной модели окружающей среды в запоминающем устройстве робота (наличие такой модели рассматривается как отличительная черта роботов третьего поколения). Важная область исследований — совершенствование систем типа «глаз—рука», причем в качестве «глаза» используется подключенная к ЭВМ телекамера. Разработка таких систем, способных выполнять значительную часть сборочных операций в промышленности, явится крупным шагом на пути создания третьего поколения промышленных роботов. Другие, не менее важные направления исследований связаны с перемещением роботов в пространстве, распознаванием ими речевых команд и т. п. По имеющимся оценкам, пригодные для практического применения на заводах, хотя и весьма дорогостоящие, роботы третьего поколения будут выпущены к 1990 г.¹⁴ Существуют также роботы для домашних работ.

В настоящее время известна, хотя и в самых общих чертах, концепция принципиально нового средства автоматизации, для которого можно использовать термин «интеллектуальный автомат» (частный случай — «интеллектуальный робот»). Качественное отличие интеллектуальных автоматов от современных ЭВМ (и систем, управляемых ЭВМ) заключается в следующем. Способность ЭВМ к высокоэффективному выполнению определенных видов умственной деятельности базируется исключительно на вводимых в машину программах. В интеллектуальные автоматы будут вводиться «принципы составления программ» и «общие принципы работ», а также соответствующие задачи. Программы же формируются в ходе обучения и самообучения интеллектуальных автоматов. Составленные программы не являются окончательными, они корректируются в процессе деятельности автоматов. Таким  {47}  образом, интеллектуальные автоматы в отличие от современных ЭВМ будут самостоятельно (после процесса обучения) составлять алгоритмы того класса задач, для решения которых спроектированы. Кроме того, будут совершенствоваться исполнительные органы интеллектуальных автоматов.

Каждый из рассмотренных классов автоматических устройств (средства жесткой автоматизации, системы на основе ЭВМ и интеллектуальные автоматы) отражает определенную историческую ступень развития автоматов и будет совершенствоваться и применяться в будущем без вытеснения одного типа автоматов другим. Современные ЭВМ в процессе совершенствования будут превращаться в мощные интеллектуальные автоматы универсального типа с большими информационно-вычислительными возможностями. На машиностроительных заводах будут работать автоматические линии (для крупносерийной продукции), системы, управляемые ЭВМ (группы обрабатывающих центров для мелкосерийной продукции, АСУ предприятия в целом и др.), и интеллектуальные роботы (на сборочных и вспомогательных операциях).

Каждый класс автоматов имеет определенный спектр возможностей, причем в совокупности они охватывают большинство видов человеческой деятельности, включая практически весь диапазон неквалифицированного, мало-и полуквалифицированного труда.

Технологический подход к автоматизации

Важно отметить, что применение автоматов не единственный подход к проблеме автоматизации (как это может показаться на первый взгляд). Существует совокупность методов, которую можно назвать «технологическим подходом к автоматизации».

Сущность технологического подхода лучше всего пояснить конкретным примером. Допустим, поставлена задача автоматизировать процесс изготовления некоторой' детали автомобиля, получаемой (в момент постановки задачи) обработкой на токарном станке. Можно заменить обычный токарный станок станком с числовым программным управлением и применить промышленный робот для установки заготовки и снятия со станка детали. Но можно решить эту задачу и другим способом, например изготовить ту же деталь из пластмассы одноразовой технологической операцией. Результат обоих процессов  {48}  один и тот же: деталь изготовлена без непосредственного участия человека. Таким образом, сущность технологического подхода к автоматизации состоит в разработке новых технологических процессов, обеспечивающих выпуск продукции, функционально эквивалентной той, которую в принципе можно получить при применении автоматов в рамках существующих технологических процессов.

Рассматривая в целом характер связей в системе «автоматы—технология», можно выделить два аспекта. Один из них рассмотрен выше. Суть другого в том, что развитие технологии — один из важнейших факторов совершенствования автоматов (например, эволюция технологии изготовления транзисторов и интегральных схем, качественным образом изменившая многие характеристики ЭВМ и других электронных устройств).

Как и развитие автоматов, исторический процесс смены господствующих типов технологии подчинен определенным закономерностям. Так, в XX в. значительно возрастает удельный вес химической технологии и постепенно расширяется область применения биотехнологии. Это дает некоторые основания наметить тенденцию к использованию в технологических процессах более высоко организованных структурных уровней материи. В то же время имеет место тенденция к техническому использованию результатов физических исследований микромира, атомного, и субатомного уровней организации материи. Например, в энергетике наряду с преимущественным использованием химических процессов (традиционная энергетика, базирующаяся на угле, нефти, природном газе и т. п.) возрастает роль атомной энергии, в машиностроении наряду с доминирующим применением механической обработки металла растет значение физических методов (технология, основанная на использовании лазеров, электронного луча, электроэрозионной обработки и т. п.).

Таким образом, процессы автоматизации развиваются в условиях изменяющейся технологии, причем в некоторых случаях сама технология выполняет функции своеобразного метода автоматизации.

ТЕОРИЯ — ПРАКТИКЕ

КАЧЕСТВЕННЫЕ И КОЛИЧЕСТВЕННЫЕ
МЕТОДЫ В ИЗУЧЕНИИ НАУКИ
Г. Н. ВОЛКОВ

Науку нередко рассматривают как систему знаний, одну из форм общественного сознания. Но современная наука является также и солидным социальным институтом, большим и все растущим сектором общественной деятельности. В Советском Союзе в сфере науки занято около четырех миллионов человек, на нее тратится внушительная часть государственного бюджета.

Наука как сфера общественной деятельности, как отрасль общественного производства — производства новых знаний о природе, обществе и мышлении — включает в себя различные компоненты: кадры с их знаниями, способностями, квалификацией и опытом, разделением труда; научные учреждения с их организационной структурой, экспериментальным и лабораторным оборудованием; определенные методы и методики научно-исследовательской работы; понятийный, категориальный аппарат; систему научной информации.

Система имеющихся знаний — необходимый компонент сферы научного производства. Научные знания выступают в качестве либо предпосылки, либо средства, либо результата научного производства. В таком понимании современная наука и предстает в качестве объекта познания. За последние годы оформились и быстро развиваются направления, ставящие своей целью специальное изучение науки как целостной системы. Это науковедение и — в его рамках — социология науки.

Науковедение имеет свои разделы, такие, как логика науки, психология науки, экономика науки, организация науки и, наконец, социология науки.

Особенность науковедения в том, что все разделы его, так сказать, гибридны: они не входят исключительно  {50}  в науковедение, они сохраняют связь со смежными конкретными науками. Экономика науки, входя в науковедение, остается в то же время разделом экономической науки, психология научного творчества — разделом психологии, а организация научной деятельности — разделом научного управления обществом. Социология науки становится одним из ведущих разделов общей социологии, марксистско-ленинской теории об обществе вообще и теории развития производительных сил в частности.

Можно сделать вывод, что науковедение выполняет в системе наук синтезирующую функцию: объединяет целый ряд далеко отстоящих друг от друга наук —экономику и психологию, теорию управления и теорию познания — и на подменяет их собой, а предоставляет им новую область исследований, ставит перед ними новые проблемы, объединяет ряд «традиционных» наук для исследования одной сферы общественной деятельности — самой науки. Науковедение как бы стягивает их в этот важнейший узел социальной жизни. Оно дает им новое направление, новый фронт исследования, оставляя за собой «кураторские», координирующие функции.

Поэтому о науковедении следует говорить не как об одной из научных дисциплин в традиционном понимании, а как о направлении исследований в системе наук, как о науковедческом ракурсе исследования или науковедческом «узле» наук (аналогичным образом дело обстоит с кибернетикой, экологией человека, научным управлением обществом).

Науковедение, будучи направлением исследований, рекрутирует кадры из самых разных областей науки, объединяет талант и разносторонние знания ученых для решения своих специфических задач. Люди, работающие в науковедении сегодня, не перестают оставаться социологами, экономистами, историками, психологами.

Это и естественно, ибо наука во всех своих аспектах — логическом, экономическом, психологическом, историческом и организационном — явление общественное, институт социальный.

И если мы говорим о психологии научного творчества, то науковедение может и должно рассматривать творческий процесс ученого со своей, социально-психологической точки зрения.

Или если мы возьмем экономику науки, в частности вопросы эффективности научного труда, его производительности, оценки участия в создании новой продукции,  {51}  то все эти вопросы также не чисто экономического, а социально-экономического характера.

Что касается логики научного познания, его анатомии, гносеологии, то социологический угол зрения здесь давно уже утвердился, получив название социологии познания. То же самое относится и к другим аспектам науковедения.

Значит, социология науки — такой аспект, «срез» науковедения, который проходит по всем его разделам.

Задача социологии науки — изучение места и роли науки в обществе, взаимоотношения науки с другими социальными институтами, прежде всего с материальным производством. Социология науки призвана выявить взаимодействие внутренней логики развития науки с закономерностями социально-исторического процесса, вскрыть механизм функционирования науки как определенной системы, разработать теоретические основы организации научной деятельности, научных коллективов, планирования и управления наукой.

Социология науки, как и науковедение в целом, имеет два уровня исследований: теоретический, или фундаментальный, и прикладной. Перечисленные выше задачи требуют прежде всего теоретического, содержательного анализа развития науки как в генетическо-историческом, так и в функционально-структурном плане. Социология науки призвана включиться в решение той задачи диалектической обработки истории человеческой мысли, науки и техники, которую В. И. Ленин рассматривал как «продолжение дела Гегеля и Маркса...»¹.

Естественно, что в решении этих задач качественные методы исследования играют ведущую, доминирующую роль. Марксистская социология науки (в отличие от западной, преимущественно эмпирической социологии) — дисциплина высокого уровня обобщений, основывающихся на всем предшествующем развитии мысли, на методологии социалистического анализа, разработанной трудами К. Маркса, Ф. Энгельса, В. И. Ленина.

Это вовсе не означает какой-либо недооценки количественных методов исследования, важности обобщения эмпирического, конкретно-социологического материала, наукометрических данных. Количественные методы — необходимый инструментарий прикладного уровня социологии науки, без их помощи невозможна выработка практических  {52}  рекомендаций по совершенствованию управления наукой, ее планирования и прогнозирования, организации работы научных коллективов. Количественные методы — база для теоретических обобщений и выводов. Сама социологическая теория развивается, совершенствуется, уточняется благодаря прикладным исследованиям.

В свою очередь, прикладные исследования эффективны только тогда, когда освещаются прожектором верной научной теории.

К сожалению, надо констатировать, что исследования прикладного, наукометрического характера, получившие у нас с конца 60-х годов широкий размах, не всегда исходили из ясного теоретического осознания природы науки и сущности решаемых задач. А следовательно, рекомендации и выводы, полученные таким путем, могли зачастую лишь дезориентировать научную общественность, производя завораживающее впечатление математическим аппаратом, многозначительными формулами и графиками. За аксиому принимались выводы, которые не выдерживают строгой критики. В науковедении и в социологии науки прочно обосновались некоторые утверждения, далеко не адекватно отражающие реальные процессы в науке.

Чтобы не быть голословным, остановлюсь на некоторых конкретных фактах. Вот одно из утверждений, которое кочует по страницам многих книг, диссертаций и статей: «Время от появления теории до ее практического воплощения последовательно сокращается». На чем основана эта, с позволения сказать, закономерность? Оказывается, на строгих и неопровержимых фактах. Какие это факты? Вот они.

«Если между открытием принципа фотографии и началом его использования прошло 102 года, то для телефона этот срок сократился до 56 лет, для радио — до 35 лет, для телевидения — до 14 лет, для атомной бомбы — до шести лет, для лазера — до пяти лет». По логике этих рассуждений в дальнейшем сроки реализации теории дойдут до минимума, не успеет она появиться, как уже будет воплощаться в практику.

Сами по себе приведенные факты бесспорны, но ведь можно привести и совсем другие факты, столь же бесспорные. Например, известно немало печальных случаев, когда открытия, изобретения и в наше время ждали и ждут своей реализации до 20—30 лет.  {53} 

С другой стороны, можно привести факты, свидетельствующие о сравнительно быстрой реализации открытий, изобретений, различных разработок в прошлом и позапрошлом веках. Разве не нашла быстрого воплощения в сельскохозяйственном производстве минеральная теория питания растений Юстуса Либиха? А результаты исследований Дэви, Аркрайта, Бертолле?

Важен теоретический анализ этой проблемы. Бели бы сроки реализации теории последовательно сокращались, если бы в самом деле действовали объективные закономерности последовательного сокращения сроков, то сейчас не было бы столь злободневной проблемы внедрения научных открытий, не стояла бы она так остро.

Хотя тенденция к сокращению сроков реализации существует (именно как тенденция), но она наталкивается на другую тенденцию, которая тоже довольно хорошо известна. А именно: в ходе научно-технической революции научные открытия все более и более обгоняют практику, «забегают вперед», что ведет не к сокращению, а к последовательному увеличению времени разрыва между теорией и ее реализацией.

Если ранее опережение теорией практики материального производства было не так велико, то в нашем веке этот разрыв быстро увеличивается. Можно сказать, что никогда еще наука не имела такого огромного и все увеличивающегося запаса идей, не реализованных в практике. Такова ситуация в физике, химии, биологии и многих других науках.

И это вполне естественно. Наука и призвана во все ускоряющемся темпе опережать производство. Естественно и то, что общество со своей стороны стремится извлечь из теоретического запаса знаний максимум возможного для практики. Отсюда стремление сократить разрыв, отсюда необходимость пристального внимания к проблеме внедрения научных достижений, совершенствования принципов организации научной деятельности, необходимость тратить на прикладные исследования и особенно на разработку и внедрение львиную долю всех ассигнований на науку. Следовательно, реальный процесс воплощения научных идей в производство складывается из противоборства двух тенденций.

Утверждение второе: «Наука развивается по экспоненте».

Опирается ли это утверждение на факты? Как будто да. Число статей в физических и химических журналах  {54}  на английском языке росло за последние 300 лет почти по экспоненциальной кривой. Один из самых горячих энтузиастов изучения науки количественными методами — Д. Прайс объявил рост по экспоненте общим законом всей науки, по всем основным параметрам во всех странах. Это утверждение повторяется во многих работах как непреложный факт.

Попробуем, однако, посмотреть на так называемый закон экспоненциального роста науки критически.

Наука, по Д. Прайсу, растет так же, как стенка дома складывается из кирпичей нескольких форматов. Д. Прайс оперирует преимущественно тремя «кирпичиками» — параметрами: число ученых, число опубликованных статей, рост расходов на науку. Каждый новый ряд кирпичей, вырастающий за одинаковый отрезок времени (10—15 лет), ровно вдвое длиннее предыдущего. Так будет продолжаться, пока наука не достроится «до потолка».

«Преимущества» этого плоскогеометрического представления о науке по «способу кирпичной кладки» — в том, что оно открывает безграничное поле для бурной «деятельности»: ведь «кирпичи» можно считать! Складывать, делить, умножать, пересчитывать сверху вниз, слева направо и по диагонали — число ученых, число статей, число открытий, число ссылок, число цитат. Можно оперировать с логарифмами, функциями, формулами, графиками, «совсем как в точных науках». При этом неважно, что Ньютон ставится в один ряд с ординарными профессорами физики, а статья Эйнштейна о специальной теории относительности — с ученической статьей аспиранта. Важно, что результаты такого рода исследования выглядят так «научно, профессионально», строго математично! Важно, что читателя, суеверно благоговеющего перед математикой, можно поражать перлами прайсовой статистики, вроде того, что нашими современниками являются 90% всех когда-либо живших ученых и что в ближайшие 10—15 лет будет совершено столько же открытий, произведено столько же «научного продукта», сколько было сделано за все время существования науки².

Даже исследователям, далеким от марксизма, претят грубо примитивные построения Д. Прайса, отдающие дешевой сенсационностью. Известный французский историк науки Рене Татон справедливо заметил: «Увеличение  {55}  числа лабораторий, центров исследования и постоянный прогресс науки часто заставляют забывать некоторых наших современников о важности научного наследства. Так, некоторые из них без всяких колебаний заявили, что 90% всех людей, способствовавших прогрессу науки с самого раннего детства человечества, живут в настоящее время. Сам факт существования такого мнения свидетельствует о полном незнании истории. Статистика имеет смысл только тогда, когда она размещает параллельно сравнимые элементы. Каким бы ни было восхищение перед достижениями современной науки, историк вряд ли будет утверждать, что гении такого ранга, как Архимед, Галилей, Декарт, Ньютон, наводняют наши лаборатории»³.

Нет сомнения в том, что тенденция (опять-таки только тенденция!) ко все ускоряющемуся росту некоторых показателей науки имеет место. Несомненно, что, чем шире теоретический фундамент уже достигнутых знаний, тем больше возможностей для появления новых, тем успешнее и стремительнее движение теоретической мысли вперед. Этот факт Ф. Энгельс подметил еще в 40-х годах прошлого века. «Наука движется вперед пропорционально массе знаний, унаследованных ею от предшествующего поколения, следовательно, при самых обыкновенных условиях она также растет в геометрической прогрессии»⁴. В «Диалектике природы» Ф. Энгельс выразил это математически точной фразой, отмечая, что со времен Коперника развитие науки «усиливалось, если можно так выразиться, пропорционально квадрату расстояния (во времени) от своего исходного пункта»⁵.

Однако, во-первых, предстоит еще исследовать, как эта тенденция воплощается в реальном ходе истории, какие модификации претерпевает под воздействием тех или иных политических событий, войн, кризисов, как выявляется в разных социально-экономических системах. Во-вторых, не следует отождествлять прирост научной информации с увеличением и углублением, совершенствованием наших действительных знаний. Если в настоящем году опубликовано статей больше, чем в прошлом, то это еще не говорит о том, что произошел какой-либо шаг вперед в познании мира.  {56} 

Д. Прайс не приводит достаточно убедительных доказательств всеобщности «экспоненциального закона» развития науки. Правомерно поэтому подвергнуть сомнению и тщательной проверке его утверждения, которые часто некритически воспроизводятся и в советской литературе.

Нас ждет большое разочарование, как только мы заглянем в первый же статистический справочник.

В Советском Союзе кривая роста науки совсем не подчиняется экспоненте, а определяется социально-экономическими и политическими факторами: культурная революция 20—30-х годов, война, восстановление народного хозяйства, соревнование с капиталистическими странами и форсирование научно-технического прогресса — все это прямо и зримо отразилось на кривой роста науки. Если взять данные за период с 1950 г., то получим, что первое удвоение числа ученых произошло за 10 лет, второе — за 6 лет, третье — за 11 лет. Где же тут экспонента?

Тем не менее даже в работах советских ученых продолжает встречаться утверждение, что наука развивается по экспоненте. Действительная же сложная картина роста науки, ее закономерностей и движущих сил остается невыясненной. Тенденция к экспоненциальному росту модифицируется иногда до неузнаваемости под воздействием целого комплекса социально-экономических и политических факторов, которые необходимо принимать во внимание.

В поисках модели для объяснения развития науки исследовательская мысль последних десятилетий все чаще обращается к объектам естественных наук и особенно к миру органики. Рост науки рассматривается по образцу физических и биологических форм движения материи. Так, К. Поппер изображал различные идеи и гипотезы как «частицы, взвешенные в жидкости». По мере развития науки эти частицы опускаются на дно сосуда, осаждаясь слоями, из которых каждому последующему соответствует теория большей общности, чем предыдущему, а прогресс науки состоит в том, что толщина осадка растет вместе с числом слоев⁶.

Такой редукционизм привлекает своей кажущейся простотой и возможностью применения в науковедении методов точного исследования; он находит большое количество сторонников, которые предлагают разные способы  {57}  познания организма науки с помощью представлений, выработанных в естествознании.

К сожалению, полученные при этом результаты неадекватно отражают науку, ибо она не биологический и не физический объект исследования, а социальный, обладающий более высоким уровнем системных взаимосвязей.

В частности, физикалистское и организмическое представления об историческом развитии науки приводят к тому, что идея ее прогресса как социального института сводится к идее комулятивности, т. е. накоплению готового научного материала, увеличение которого уподобляется росту клеток в молодом организме. Д. Прайс при построении своих математических моделей прямо отталкивается от биологической закономерности роста: «Сточки зрения математики закон экспоненциального роста следует из элементарной посылки, что в любой момент времени темп роста пропорционален размеру популяции или, в общем случае, величине в данный момент: чем больше вещь, тем быстрее она растет»⁷. С присущей ему прямолинейностью Д. Прайс декларирует, что метод, которым он пользуется, «сродни тем методам термодинамики, которыми исследуют поведение газа в различных условиях температуры и давления»⁸.

Пожалуй, самый существенный порок прайсовского представления о развитии науки заключается в принципиальной антиисторичности. Наука увеличивается в объеме, в то время как темпы этого возрастания остаются неизменными на протяжении столетий. Отсюда логичен вывод, который и делают некоторые авторы, что сама по себе наука не изменяется, а изменяется лишь ее роль в обществе. Как будто и впрямь все внутренние законы развития науки исчерпываются прайсовской экспонентой!

В связи с этим можно сказать еще об одном утверждении, что будто бы современного ученого захлестывает избыток информации (на этот счет также приводятся количественные данные). Да, захлестывает, но не избыток информации, а избыток публикаций, «информационный шум». Что же касается содержательной информации, то современный ученый страдает скорее от ее недостатка, чем от избытка, и каждый знает это на собственном опыте. Поэтому действительные проблемы, стоящие перед  {58}  информационными центрами, заключаются не в том, чтобы подавать в сжатом, спрессованном виде всю имеющуюся научную информацию, а в том, чтобы из монблановых гор публикаций выделять крупицы действительно новых знаний. К решению этой задачи нашим информационным центрам еще предстоит по-настоящему приступить.

Далее бытует утверждение, что каждые 10—15 лет затраты на науку возрастают вдвое, а производительность труда ученых при этом вдвое падает. Производительность научного труда падает якобы пропорционально четвертой степени от числа сотрудников. При этом дается точный подсчет, выводятся количественные соотношения. Но если бы это было так, то наука очень скоро проела бы весь государственный бюджет и пустила бы человечество по миру.

Видимо, точное количественное соотношение здесь неправомерно, оно относится к области математического мифотворчества и дает лишь «спиритуалистическое» представление о действительности. Однако сама тенденция, отмеченная в этом подсчете, заслуживает внимания: действительно, не существует прямой зависимости между вложениями в науку и отдачей науки.

Часто приводятся цифры, говорящие об эффективности науки в том духе, что каждый рубль, вложенный в научные исследования, дает полтора рубля (или больше) прибыли, что вложения в науку — самая выгодная сфера приложения капитала. Само по себе это верно. Но значит ли, что если увеличить вложения в науку, то соответственно увеличится и отдача? Отнюдь нет. Можно вдвое увеличить ассигнования на науку и не получить ровно никакого роста прибыли, никакого экономического эффекта.

Почему же нет прямой положительной зависимости между количеством занятых в науке и ее эффективностью?

Если имеется научный коллектив определенной квалификации, оснащенный всей необходимой техникой, если он оптимально организован, то это еще совсем не значит, что он непременно добьется успеха. Он может трудиться впустую, получая иллюзорные пли дублирующие результаты. Сколько ни укрупняй этот коллектив, сколько ни вкладывай средств, сколько ни реорганизуй его, эффект будет тот же.

Очевидно, здесь ситуация другая, нежели в материальном производстве, и при тех условиях, которые достаточны  {59}  для успешного функционирования производства, успешное функционирование науки затруднено.

Главное, что здесь необходимо, не просто квалифицированные, но и талантливые люди, способные создавать новое. Научный коллектив жизнеспособен тогда, когда он группируется вокруг одного пли нескольких «генераторов идей», когда научные идеи цементируют коллектив, когда организация подчинена наилучшему использованию ума и таланта. Факт этот представляется банальной и самоочевидной истиной, и все-таки в практике нашей научно-организационной работы он далеко не всегда учитывается.

Проблема заключается не в том, чтобы определенными темпами увеличивать число ученых вообще, а в том, чтобы увеличить количество талантливых ученых в общей массе занятых научно-исследовательской деятельностью. Как это можно сделать? Возникают два вопроса. Во-первых, в какой степени существующая система образования способствует формированию творческих сторон интеллекта, умению мыслить, производить нужные знания? Во-вторых, насколько духовный климат в науке и существующая система организации научной деятельности способствуют полному выявлению и эффективному приложению умов и талантов?

Когда несколько лет назад был проведен анкетный опрос среди научных работников (ряда институтов прикладного звена) в Москве и Московской области, оказалось, что около половины из них трудятся, по их собственному признанию, не в полную меру сил, ниже своих возможностей. Многие имеют нереализованные открытия и рационализаторские предложения. Разве не скрыты здесь огромные неиспользованные резервы повышения научного потенциала?

Характерной чертой марксистской социальной теории вообще и социологии науки в частности становятся поиски все более активного и быстрого влияния на материальное производство и общественную практику. При этом социальные процессы рассматриваются не только как объекты познания, теоретического осмысления, но и вместе с тем как объекты управления, как системы, управляемые на научной основе. Значит, задача научного предвидения путей развития социальных процессов и социальных институтов дополняется задачей точного прогноза на основе обработки огромного количества статистических и фактических данных, математических  {60}  расчетов, методов экстраполяции, материалов конкретно-социальных исследований и результатов социальных экспериментов.

Проникновение количественных, экспериментальных методов в общественные науки, «управленческий ракурс» в исследованиях — эти позитивные процессы получают все большее признание и распространение как благодаря требованиям социалистического способа хозяйствования, так и под воздействием достижений и успехов современного естествознания, и в частности кибернетики. Все это, безусловно, имеет огромное положительное значение, способствует усилению роли общественных наук в коммунистическом строительстве, приобщению их к роли непосредственной производительной силы нашего общества.

Следует, однако, иметь в виду, что «ток» от естествознания к гуманитарному знанию оказывается живительным лишь тогда, когда в полной мере учитываются специфика и сложность организации социальных процессов. Нельзя механически и бездумно переносить методы и подходы, сложившиеся в естествознании, на социальную форму движения материи. Социальные процессы, как и процессы мышления, по самой природе своей не могут быть полностью формализованы и измерены. И поэтому опять-таки следует повторить, что чрезмерное увлечение количественными методами и формализацией, абсолютизация их значения в ущерб содержательному анализу в лучшем случае создают лишь обманчивую видимость этакого «научного модерна», иллюзию строгой научности, заводя нередко исследование в тупик и компрометируя благое дело союза социологии с математикой.

Такого рода исследования рождают впечатление сугубой точности, однозначно оценивая и четко раскладывая по полочкам процессы, которые меньше всего поддаются формализации и схематизации.

На эту сторону дела обратил внимание еще Норберт Винер. По его выражению, успехи математической физики вызвали у социологов «чувство ревности» к силе ее методов, чувство, которое едва ли сопровождалось отчетливым пониманием интеллектуальных истоков этой силы. При динамичности, сложности, неопределенности и аморфности, которыми обладают социальные процессы, безнадежно добиваться слишком точных определений величин, вступающих в игру. Н. Винер с полной определенностью резюмирует свою мысль: «Приписывать таким неопределенным по самой своей сути величинам какую-то  {61}  особую точность бесполезно и нечестно, и, какой бы ни был предлог, применение точных формул к этим слишком вольно определяемым величинам есть не что иное, как обман и пустая трата времени»⁹.

Мода на «позитивный» подход в социологии приводит порой к тому, что некоторые авторы пытаются решать сложные социальные проблемы с «инженерных» позиций, вторгаются в самые тайники человеческой психики и духовной жизни, «исчисляя» даже такие явления, как патриотизм, гуманизм, человеколюбие, выводя коэффициенты эгоизма и альтруизма, определяя индексы счастья, интеллигентности, смелости, конформизма. При. этом упускается из виду, что социальные системы, феномены общественного сознания и психики вовсе не механические конструкции, функционирование которых может быть исчерпывающе описано с помощью математических формул, графиков и схем, что здесь действуют иные закономерности.

«Диктат» естествознания над обществоведением, проявляющийся в некритическом и подобострастном копировании методов точного анализа при исследовании социальных процессов, столь же чреват отрицательными результатами, как и имевшиеся в свое время претензии философии на «диктат» над естествознанием. Поэтому равно неприемлемо ни позитивистское требование рабски послушного следования общественных наук по пути, указанному естествознанием, ни догматическая позиция, по которой естественные науки лишь «подтверждают» правильность предвзятых «диалектических» схем.

Перспективы развития науки в целом уже сейчас отчетливо видятся на путях взаимопроникновения, взаимообогащения опыта развития естественных и общественных наук — двух основных ветвей единого человеческого познания, некогда разошедшихся и противостоящих друг другу, взаимодополнения методов точного, экспериментального, количественного исследования и философско-социологического освоения мира на высоком теоретическом уровне обобщений.

Сама наука как объект познания со стороны науковедения и социологии науки выступает ныне в качестве одной из интереснейших областей, где практически осуществляется союз качественных и количественных методов  {62}  исследования. Будущее — за укреплением этого творческого союза.

Успешное планирование и прогнозирование развития науки в условиях развитого социалистического общества невозможно без точного количественного учета всех параметров роста отрасли общественной деятельности, количественного выражения тенденций роста. Ясно также, что при этом еще более важно исследовать закономерности развития науки как социального организма, понять ее место в системе социальных институтов и социальных отношений, ее роль во взаимовлиянии технических, экономических, политических факторов.

Жизнь постоянно вносит новые моменты в решение всех этих проблем, побуждая совершенствовать и развивать марксистско-ленинскую социологическую теорию развития науки.

О НЕКОТОРЫХ ПРОБЛЕМАХ СОЗДАНИЯ И ПРИМЕНЕНИЯ ВЫЧИСЛИТЕЛЬНОЙ ТЕХНИКИ
Ю. Е. НЕСТЕРИХИН

По мере того как осваиваются все более совершенные виды ЭВМ, становится очевидным, что мы имеем дело с явлением, которому нельзя подобрать аналогию в истории человечества. Дело в том, что приближается период действительного и широкого включения вычислительной техники в состав производительных сил.

Революция в микроэлектронике

В ближайшие годы «значительно расширится производство миниатюрных электронных управляющих машин как составной части основного технологического оборудования, приборов, различных систем и средств управления и контроля»¹.

Сейчас уже не вызывает сомнения, что главная задача вычислительной техники — автоматизация интеллектуальных и производственных процессов деятельности  {63}  всего общества. Именно здесь использование вычислительной техники даст наибольший эффект.

Современные супер-ЭВМ способны осуществлять миллион операций в секунду. Такие ЭВМ можно сделать только на новых микросхемах. Ожидается, что микросхема-пластинка размером менее одного квадратного сантиметра будет содержать миллион единиц информации (сейчас она содержит десятки тысяч).

Если сегодня быстродействие ЭВМ определяется кремниевыми полупроводниками и достигает триллионных долей секунды, то использование новых материалов вместо кремния может в 10 раз улучшить быстродействие ЭВМ. Однако ясно, что будущее принадлежит оптическим волокнам и разработанным на их основе оптическим ЭВМ.

Прогресс в микроэлектронике останется важнейшей составной частью научно-технической революции по меньшей мере до конца XX в. Все проблемы вычислительной техники складываются из трех основных компонентов: создание элементной базы, создание самих ЭВМ и главное — это экономически выгодное использование вычислительной техники в народном хозяйстве.

Об изменении взгляда на ЭВМ

Известно, что сегодня любое устройство, относящееся к вычислительной технике, состоит в общем случае из двух частей: из аппаратного и программного обеспечения. Известно также, что доля программного обеспечения неуклонно растет и сейчас является основной в стоимости электронно-вычислительных систем и определяет затраты на их создание. При изготовлении серийной ЭВМ на промышленном предприятии затраты на развитие сложного системного математического обеспечения предусматривают только стоимость копирования инструкций и программоносителей, магнитных лент или дисков. То, что стандартное математическое обеспечение достается пользователю практически задаром — мера разумная, это даже не бросается в глаза, когда ЭВМ функционирует как большой арифмометр. Но как только ЭВМ оказывается встроенной в технологическое оборудование, ситуация в корне меняется. Дело в том, что аппаратное и программное обеспечение, в сущности, едины. Понятно, что, чем большее количество функций берет на себя программное обеспечение, тем «дешевле» оказывается технологическое оборудование, управляемое ЭВМ.  {64} 

Умело составленная программа, которую и в руки-то взять нельзя, эквивалентна многотонному оборудованию и большому числу квалифицированных рабочих. Здесь и возникает психологический барьер, не преодолев который мы не научимся выбирать действительно эффективные направления в развитии вычислительной техники и ее применения.

На современном этапе научно-технического прогресса устаревает представление о вычислительной технике как машинах большой вычислительной мощности, которые работают самостоятельно, вне связи с другими вычислительными машинами, без обмена с ними программами и информацией. Сейчас уже мало кто говорит о вычислительных машинах как таковых, говорят о системах обработки данных, системах, в которых объединены многие ЭВМ, зачастую расположенные не только в разных городах, но и в разных странах и на разных континентах. В такую систему — вычислительную сеть — входят несколько десятков вычислительных центров. Их суммарная вычислительная мощность может составить миллиарды операций в секунду. Более 50 ЭВМ из состава такой сети могут заниматься только передачей данных из одного вычислительного центра в другой по запросам пользователей. Известны сети, способные обслуживать несколько десятков тысяч пользователей из разных стран.

Накоплен определенный опыт создания вычислительных сетей и в нашей стране. В экспериментальном порядке в Сибирском отделении АН СССР была опробована система АИСТ, разработанная под руководством члена-корреспондента АН СССР А. П. Ершова. Советские ученые с интересом изучают опыт вычислительной сети Чехословацкой академии наук, в составе АН СССР создан коллектив разработчиков, реализующий проект «Академ-сеть».

Что же представляет собой работа ученого-исследователя или, например, технолога, рабочее место которого подключено к вычислительной сети? Все изменяется коренным образом. Исследователю теперь не нужно идти в библиотеку и через ОНТИ составлять в течение нескольких месяцев обзор литературы. Можно посылать в вычислительную сеть запрос, скажем, о работах по арсениду галлия, и спустя несколько секунд на экране дисплея появится перечень всех материалов, известных по данному вопросу на сегодняшний день. Незачем тратить драгоценное время на то, чтобы корпеть над  {65}  научно-техническими журналами и библиографическими указателями.

Технологу, работающему с вычислительной сетью, ни к чему разрабатывать новый технологический процесс с нуля или ездить по другим предприятиям в надежде, что попадется передовой опыт. Надо ввести в вычислительную сеть информацию об основных параметрах изделия и допустимых вариантах технологии. В архивах, разделах памяти вычислительной сети, начнется поиск технологического процесса, способного служить аналогом. По подобранному процессу-аналогу технолог получит самую подробную информацию: структура технологических операций, средние нормы расхода материалов и трудовых затрат на каждую операцию и многое другое, вплоть до адреса предприятия, где данный технологический процесс функционирует с минимальными издержками. Можно затребовать информацию об отдельной технологической операции или провести корректировку числовых данных с учетом конкретных возможностей оборудования и т. д. Продолжительность технологической подготовки производства сокращается в десятки и сотни раз. Грубо говоря, речь идет о создании своеобразного коллективного интеллекта в конкретных сферах деятельности человека.

Но давайте задумаемся, готова ли к такому резкому изменению стиля работы наука в целом? Многое, с чем мы внутренне свыклись, что кажется нам естественным и само собой разумеющимся, оказывается в новых условиях ненужным. Понятно, что если нет спроса на отдельные научно-технические статьи и книги, то не должно быть и предложения. В технике и большей части естественных наук часть информации быстро устаревает, даже если она представлена в виде журнальной статьи. Тем менее она ценна, будучи разделом в книге: ведь от получения результатов до поступления книги в торговую сеть или библиотеку проходит несколько лет! Вдумайтесь: несколько минут или несколько лет! Разве могут быть сомнения в жизненной важности перехода всей сферы науки и техники к оперативной работе с использованием вычислительных сетей, конечно специализированных!

Нужно решительно рвать с устаревшими, сохранившимися за счет инертности мышления способами подведения итогов исследовательской и даже опытно-конструкторской деятельности. Выработка новых, экономически обоснованных критериев неизбежно потребует более эффективного освоения вычислительной технику.  {66} 

Из практики применения ЭВМ

Одна из наиболее перспективных сфер приложения современной вычислительной техники — создание автоматизированных систем управления технологическими процессами на базе ЭВМ, сочлененных с программно-управляемым оборудованием.

Принципиальным решением проблемы резкого повышения эффективности автоматизации следует считать стандартизацию технических средств сопряжения ЭВМ с экспериментальными и технологическими установками (унификацию оборудования) и системотехнического обеспечения. При автоматизации конкретного технологического агрегата или опытной установки система автоматизации должна собираться из стандартных функциональных модулей, как из детских кубиков. Только так можно быстро внедрять современные средства автоматизации, и об этом свидетельствует имеющийся уже опыт.

Две западногерманские фирмы на таком принципе по заказу наших внешторговых организаций установили автоматизированную систему управления прокатным станом на Череповецком металлургическом заводе.

Академия наук СССР разрабатывает и активно осваивает аппаратуру, выполненную в межгосударственном стандарте КАМАК. Аббревиатура КАМАК составлена из первых букв английских слов «приложение компьютеров к измерениям и управлению» (любыми процессами, конечно, поддающимися объективной математической формализации). Стандарты КАМАК задают условия сопряжения функционально-управляемых модулей, объединяемых в однотипные унифицированные блоки-крейты, которые, в свою очередь, соединяются стандартной многопроводной шиной-магистралью.

Модули в системе КАМАК функционально могут быть любыми: от набора индикаторов и дисплеев до микро-ЭВМ. Главный конструктивный элемент системы КАМАК — крейты. В современном английском и американском словоупотреблении крейт — это ящик для фруктов, сколоченный из реек, корзина. Внешний вид крейта описывается его названием достаточно точно.

В системе КАМАК допускается только один тип крейта для 25 стандартных печатных плат — модулей. По задней стенке крейта, где расположены разъемы, все модули соединяются между собой. Крайнее правое посадочное место в крейте занимает управляющий модуль,  {67}  предназначенный для управления и передачи данных, — крейт-контроллер. Через него осуществляется обмен данными между модулями крейта, а также данным крейтом и другими крейтами и ЭВМ. Существует несколько способов соединения крейтов: веер, вертикаль, ветвь и т. д. Но любой способ соединения обеспечивает работу всех функциональных модулей, находящихся в соединенных крейтах, как единого измерительного и управляющего устройства.

В настоящее время в более чем десяти странах мира производится почти 1000 типов функциональных модулей, выполненных в стандарте КАМАК. Сибирским отделением АН СССР разработано (с учетом отечественных комплектующих) и освоено в производстве более 100 типов модулей.

Стандарты КАМАК зафиксированы сейчас в большом количестве отечественных и международных документов по стандартизации.

В 1980 г. Госпланом, Госкомитетом по науке и технике СССР и Академией наук СССР была принята общегосударственная целевая программа «Создание и развитие автоматизированных систем научных исследований (АСНИИ) и систем автоматизированного проектирования (САПР) с применением стандартной аппаратуры КАМАК и измерительно-вычислительных комплексов». Программа, в которой участвуют Академия наук СССР, ряд министерств и ведомств, полностью соответствует указанию «Основных направлений экономического и социального развития СССР на 1981—1985 годы и на период до 1990 года»: «Расширять автоматизацию проектно-конструкторских и научно-исследовательских работ с применением электронно-вычислительной техники».

Перечисленные мероприятия свидетельствуют о том, что начинается последовательное проведение в жизнь единой общегосударственной политики в области эффективного использования вычислительной техники.

Об эффективности ЭВМ

Какой бы высокой ни была «расчетная эффективность» применения ЭВМ, если она только начисляет зарплату при прежней численности бухгалтеров с добавлением 15 человек обслуживающего персонала ЭВМ, то такой «эффективности» верить нельзя.

Многие привыкли к тому, что рядом с машиной должен  {68}  быть оператор — юное создание, гордое тем, что знает, какие кнопки нужно нажимать при пуске устройства. Наличие таких людей рядом с ЭВМ всего лишь слабая и безуспешная попытка хоть как-то компенсировать недостатки техники.

Непосредственный доступ к ЭВМ пользователя, неспециалиста в области вычислительной техники, но специалиста в той области, где будет использоваться машина, является сегодня главным в эффективном использовании ЭВМ. Уже работают персональные компьютеры, т. е. такие вычислительные машины, для которых не нужен постоянный обслуживающий персонал, поскольку все требуемое для работы несложно выполнять самому пользователю. Персональный компьютер не требует специальных помещений, занимает немного места и, конечно, имеет развитое сервисное программное обеспечение. К работе с персональным компьютером очень быстро привыкают специалисты, чему и способствует начавшееся широкое применение в составе периферийных устройств ЭВМ бытовой аппаратуры, телевизоров, магнитофонов и телефонной сети. Персональный компьютер может эксплуатироваться автономно или будучи подключенным к вычислительной сети, если такая поблизости имеется.

Только пользователь, самостоятельно поработавший на персональном компьютере или за терминалом большой ЭВМ, может по-настоящему оценить эффективность применения вычислительной техники.

По оценке специалистов, к 1986 г. объем производства ЭВМ индивидуального пользования будет ежегодно увеличиваться на 40%. Половина этих компьютеров будет использоваться в сферах образования и промышленности. Нет реальной возможности быстро решать кадровые проблемы, не переведя образование на ЭВМ-обучение (и школьное, и вузовское, и подготовку специалистов для всего народного хозяйства).

Бурное развитие информационно-вычислительной техники в мире дает возможность говорить о наступлении «века информации», о превращении общества индустриального в информационное. Сегодня ЭВМ становится исключительно важным новым элементом в научно-технической культуре народного хозяйства.

Основные сферы применения ЭВМ — это машинное моделирование и сложное вычисление в области научно-исследовательских и опытно-конструкторских работ, счетно-бухгалтерские операции, национальные региональные  {69}  системы банков данных, управление производственными процессами, машинное проектирование, системы массового обслуживания.

Необходимо практическое решение проблем обработки данных по народному хозяйству на основе новой оргтехники и вычислительных машин. Надо немедленно решать проблемы проектирования повой техники, ее изготовления на основе систем автоматического проектирования и гибкой автоматизации производства.

Эти вопросы обсуждались и на общем собрании Академии наук. Принято решение о новом этапе развития работ по автоматизации и вычислительной технике. Созданы новое отделение АН СССР и новые научные организации и лаборатории по проблеме «Кибернетика».

В ближайшие пять лет ученые-кибернетики будут работать над проблемами интеграции ЭВМ с устройствами обработки текстов, разрабатывать систему речевого ввода данных, системы отображения информации. Шире используя ЭВМ, мы сможем повысить производительность труда, сэкономить ресурсы и рабочее время.

СЕМИОТИЧЕСКИЕ МОДЕЛИ В УПРАВЛЕНИИ
Д. А. ПОСПЕЛОВ

На протяжении десятков лет теория регулирования, а затем и теория управления имели дело с объектами определенной природы, создаваемыми для вполне определенных целей (станки, автомобили, прокатные станы и т. п.). Станок должен обрабатывать заготовки по соответствующей программе, автомобиль — двигаться и перевозить людей и грузы, прокатный стан — обеспечивать нужную толщину проката. Другими словами, объекты, которыми собирались управлять, имели ясное для нас назначение, что позволяло четко сформулировать критерий управления. В этом критерии можно было учесть необходимые ограничения, связанные с надежностью управления, эргономикой, стоимостью и т. п.

Размеры станка и расположение органов управления автомобилем должны учитывать биологические возможности человека, требуемая скорость реакции летчика при управлении самолетом не должна превышать его возможностей. Скорость движения валков прокатного стана должна  {70}  обеспечивать заданное качество получаемого проката, для обеспечения устойчивости движения скорость автомобиля и самолета должна быть согласована с их аэродинамическими характеристиками.

В рамках этих ограничений можно ставить задачу оптимизации некоторой целевой функции. Например, не только управлять прокатным станом, но и максимизировать в рамках заданных ограничений его производительность, а для автомобиля систему управления можно проектировать с учетом минимизации расхода потребляемого при движении горючего.

На этих «трех китах» (назначение объекта — критерий управления — ограничения) стояла вся теория управления. На их основе ставила она свои задачи и проблемы. Само понятие «управление» считалось неразрывно связанным с назначением объекта управления, отражаемым целевой функцией, критерием управления и ограничениями.

Знание назначения объекта и критерия управления давало возможность ответить на вопрос о качестве управления объектом. Очевидно, лучшим считалось то управление, которое обеспечивало более предпочтительные значения целевой функции в условиях выполнения заданных ограничений в предположении, что объект удовлетворяет своему назначению. Другими словами, тот автомобиль имеет лучшую систему управления, который при соблюдении всех необходимых ограничений и требований, определяемых его назначением (перевозка людей или грузов), обладает большей маневренностью, экономичностью, ремонтопригодностью и т. п.

Можно отметить еще два принципа, характерных для методов классической теории управления. Тот, кто управляет, всегда считает, что объект управления не обладает «свободой воли», безразличен к самой системе управления, воспринимает все сигналы и указания системы управления именно так, как это предполагали ее создатели. В самом деле, вряд ли бы кто-нибудь рискнул сесть за руль автомобиля, если бы не был уверен в том, что все его управляющие воздействия не будут отрабатываться ожидаемым образом.

Вторым принципом теории управления является принцип массовости, хорошо известный в прикладной математике. Суть этого принципа состоит в том, что методы, разрабатываемые в теории, должны находить применение при решении многих однотипных задач. Массовость  {71}  делает теорию «более солидной», позволяет рассматривать не конкретный автомобиль или токарный станок, а некоторого абстрактного представителя всего множества однотипных объектов.

Именно принцип массовости лежит в основе того, что в теории управления стали возможны формализация объектов и систем управления, замена реальных физических и технических систем их математическими аналогами. В этом заключалось большое удобство. Если весь мир реальных объектов управления можно отобразить в мир формальных моделей, то теория управления может сосредоточить все свои усилия на изучении этих формальных объектов, ставя для них задачи поиска управления объектом, оптимизации его и синтеза системы управления по найденному решению.

Все это приводило к победе синтаксиса над семантикой, ибо любая формализация и есть переход от расплывчатой семантики, с помощью которой описываются структура, функционирование, назначение, ограничения и критерии управления для реального объекта, к точному формальному синтаксису его теоретического аналога.

Казалось, что вскоре теория управления сольется с математикой, станет одним из ее разделов. Но жизнь сделала эти надежды иллюзорными. Как это произошло? В последние годы появились объекты управления принципиально иной природы (вернее, специалисты ввели в круг приложения теории управления объекты, ранее остававшиеся вне их поля деятельности).

Одни из этих новых объектов характеризовались отсутствием критериев управления, для других было невозможно сформулировать ограничения, третьи не пассивно воспринимали управляющие сигналы, а четвертые были настолько необычными, что цель их назначения нельзя было формально представить известными способами. И существовали эти объекты не где-нибудь в средах, ранее недоступных человеку, например в космосе или на дне океанов и морей, а буквально рядом.

Рассмотрим один из таких объектов. Пусть поставлена задача создания системы управления городом или каким-либо другим регионом. Перед тем, кому поручена эта задача, немедленно возникают вопросы. «Зачем нужен город?», «Какое управление городом является хорошим?», «Какие ограничения при подаче управляющих воздействий следует учитывать?», «Можно ли считать, что управляющие воздействия будут реализовываться так,  {72}  как нам хочется?» и многие другие, на Которые хотелось бы получить исчерпывающие ответы. Ибо от того, насколько эти ответы будут правильными и полными, Зависит эффективность затрат на систему управления городом.

Увы, получить ответы на подобные вопросы так, как этого хотелось бы специалисту, привыкшему к строгой синтаксичности классической теории управления, не удастся. Город — принципиально иной объект управления по сравнению с автомобилем, самолетом и станком. Цель его существования формально не выражается. Следствие этого — невозможность указания строгого критерия управления. Ограничения также точно и полно не формулируются. Город населен людьми, поведение которых далеко не безразлично для системы управления. И мы никогда не можем быть стопроцентно уверены, что рекомендации по управлению при реализации будут выполнены так, как предполагалось. И наконец, каждый объект из класса городов уникален. И управление должно в полной мере учитывать уникальность и неповторимость именно этого города.

В каждом конкретном случае надо принимать управляющие решения в строгом соответствии с топографическими особенностями расположения города, размещения в нем промышленных предприятий и жилья, распределения времени начала работы и ее окончания, сложившейся сети транспортных потоков и т. п. Это приводит к тому, что модель управления городом требует для своего создания не модели «города вообще» (абстрактного города — излюбленной модели сложившейся ранее теории управления), а модели данного реального города с фиксацией всех его индивидуальных особенностей.

И город — не единственный представитель множества объектов управления, не укладывающихся в детскую колыбель привычной для нас классической теории управления. Управление отраслями народного хозяйства, территориально-производственными комплексами, энергосистемами, транспортными системами постоянно сталкивает пас с необходимостью пересмотра сложившихся в теории управления принципов и методов решения.

В этой качественно новой природе объектов управления, по-видимому, и кроются те трудности, с которыми столкнулись в последнее десятилетие, в частности, при разработке типовых методов и программ для ЭВМ, с помощью которых можно было бы осуществлять автоматизированное  {73}  управление предприятиями, отраслями хозяйства или городами и регионами. Все эти объекты принадлежат к той категории, для которой использование чисто синтаксических моделей управления становится невозможным.

Так возникла потребность в моделях объектов управления иного типа. Основу этих моделей должно составлять формализованное (насколько возможно) описание данного объекта управления с учетом всех его отличительных особенностей, существенных для управления. Необходимо также было найти средства формализации сведений о цели управления объектом, о том, каких частных (зачастую противоречивых!) целей мы хотим достичь, как объект реагирует на те или иные управляющие воздействия, какие ограничения (также зачастую противоречивые!) необходимо учесть.

Поскольку в таких моделях объекта управления нужно весьма полно отразить семантику объекта и прагматику проектируемой системы управления, то не было надежды использовать для этих целей старые формальные синтаксические модели в виде разного рода уравнений, неравенств, статистических распределений и т. п. Требовались качественно другие средства описания.

Новые модели получили название семиотических, что отражает тот факт, что в основе их лежат семиотические системы. Они изучаются в семиотике, которую можно определить как «науку о знаковых системах». Знаки, входящие в подобные системы, есть объекты, обладающие тремя качествами: синтаксисом, семантикой и прагматикой.

Синтаксис знака — способ его выражения. Если, например, рассматривать игральную карту, называемую «туз червей», то синтаксисом этого знака является сама карта с изображением одного символа червовой масти, традиционно расположенного на поле карты. Синтаксисом уличного знака, указывающего на вход в метрополитен, является известная всем в нашей стране буква «М» в том виде и цветовом оформлении, которые приняты в данном городе.

Семантика знака связана с его смыслом, содержанием. В отличие от синтаксиса семантика знака может быть понята лишь в рамках всей целостной системы знаков. Например, в карточной колоде туз червей имеет вполне определенную семантику. Он принадлежит к одному из четырех классов — мастей — и отличается от других  {74}  представителей своего класса, например, по-старшинству. Знак метрополитена в системе знаков, связанных с городским транспортом, указывает на суть данного транспортного средства, отделяет его от других видов городского транспорта, обещает большую скорость и комфорт, неизменные климатические условия и т. п.

Прагматика знака может быть выявлена лишь при наличии «потребителя знака», того, кто его использует. Для человека, играющего в конкретную карточную игру, туз червей имеет вполне определенную прагматику. Он может использоваться в соответствии с правилами игры. Пешеход, решивший воспользоваться метрополитеном, спускается вниз в соответствии с указателем.

Особенностью знаков является неформализуемость их синтаксиса, семантики и прагматики. Вместо традиционного символа туза червей на поле карты может быть помещена просто надпись «туз червей». Вместо буквы «М» на вход в метро может указывать совершенно иная надпись (например, стрелка, снабженная словами «Станция Фрунзенская»). Для прогуливающегося по улице человека прагматика указателя станции метрополитена совершенно иная, чем для ищущего вход в метро. Семантика знака также неустойчива. В одной карточной игре король старше десятки, а в другой карточной игре отношение старшинства может быть и обратным.

Эта договорность, т. е. условность, делает знак чрезвычайно гибким и удобным средством для выражения различных моделей окружающего нас мира или искусственно создаваемых систем. Недаром естественный человеческий язык — наиболее мощная из известных нам моделирующих систем действительности — также принадлежит к семиотическим системам.

Таким образом, модели объектов управления и самого управления, в которых необходимо с достаточной полнотой отразить не только формальные связи и процессы (т. е. синтаксис), но и семантику объекта управления, и прагматику самого управления, должны быть семиотическими.

Прежде чем переходить к описанию принципов, на базе которых строятся подобные модели, коснемся еще одного немаловажного вопроса. С момента появления ЭВМ возникло программирование, цель которого — перевод необходимой информации на язык, понятный ЭВМ. Без программы машина мертва. Она некоммуникабельна, не может черпать необходимую информацию непосредственно  {75}  из окружающей среды или из тех средств информации, которыми пользуется человек. Поэтому нужен программист, выполняющий роль посредника между окружающим ЭВМ миром и самой ЭВМ. И хотя развитие языков программирования проходило на наших глазах, заняло совсем небольшой отрезок времени, но «проблема вавилонской башни» существует и здесь. Лавина непохожих друг на друга языков стремительно нарастает: только используемых на практике сейчас известно не менее нескольких сот. И не менее двух тысяч их было предложено и обсуждено в литературе.

И такое огромное количество машинных языков не случайно. Оно свидетельствует о неблагополучном положении в этой области. Каждый из конкретных языков программирования чем-то лучше других, но чем-то и хуже. Создатели машинных языков идут от практики, не опираясь, как правило, на психологию, лингвистику и психолингвистику.

Но прагматический поиск дал определенные плоды. И одним из них является вывод: знания, которые необходимо заложить в ЭВМ для решения той или иной задачи, бывают двух принципиально различных по своей природе типов.

Знания первого типа заключены в описаниях процедур, выполнение которых необходимо, и называются процедуральными знаниями. Кулинарные рецепты представляют хороший пример подобных знаний, запечатленных в описании некоторых процедур. Всевозможные инструкции, правила поведения, воинские уставы и многое другое содержат в себе процедуральные знания.

В ЭВМ процедуральные знания воплощены в программах. Алгоритмы, реализованные в этих программах, — вершина процедуральных знаний. И языки программирования — все эти АЛГОЛы, ФОРТРАНы, КОБОЛы и многие, многие другие — являются языками для представления процедуральных знаний.

Но человек активно использует и знания другого типа. Например, известно, что гайка может быть навинчена на соответствующий винт, что с помощью молотка и гвоздей можно скрепить два куска древесины, что солнце и луна не одно и то же. Словом, человечество знает массу различных сведений. И все они не процедуральны. Их называют декларативными знаниями. Память человека хранит огромный объем знаний подобного типа.

Языки для описания декларативных знаний должны  {76}  быть иными, чем языки для описания процедуральных знаний. Ведь если декларативные знания описывают, как устроен мир, то процедуральные знания хранят информацию о целесообразном поведении человека в этом мире.

Теперь рассмотрим отличие моделей классической теории управления от семиотических. Модели первого типа были по преимуществу процедуральными. Модели же второго типа принципиально должны иметь богатые возможности для представления декларативных знаний. Модель объекта управления, отражающая внутреннюю структуру, закономерности функционирования объекта и его отклика на управляющие воздействия, — это совокупность декларативных знаний. Процедуры же управления, воплощенные в алгоритмах или программах для ЭВМ, — это процедуральная часть наших знаний. В рамках семиотической модели должны гармонично объединяться и процедуральные, и декларативные знания.

Семиотические модели существенно расширяют возможности использования ЭВМ. Наличие в памяти машины модели управляемого объекта и достаточного количества информации об опыте управления этим объектом позволяет организовать в машине процесс обучения и порождения процедуральных знаний на основании обработки накопленного опыта по управлению объектом.

Для иллюстрации возможностей семиотических моделей рассмотрим следующий простой пример. Пусть нам необходимо найти площадь треугольника ABC (рис. 1, а). Из школьного курса математики известно, что это можно сделать, например, по формуле

S = ¹/₂ ab sinС.

Вычислению по этой формуле соответствует следующая процедура: УМНОЖИТЬ а на b; ЗАПОМНИТЬ РЕЗУЛЬТАТ; ВЫЧИСЛИТЬ СИНУС С. ЗАПОМНИТЬ РЕЗУЛЬТАТ; ПЕРЕМНОЖИТЬ ДВА ЗАПОМНЕННЫХ ЧИСЛА.

Эта процедура представляет собой процедуральные знания, позволяющие находить площадь треугольника по двум сторонам и углу между ними. Если эту процедуру ввести в ЭВМ, то машина будет прекрасно справляться с поставленной задачей при заданных исходных данных, необходимых для нашей формулы.

Поставим теперь задачу о нахождении площади треугольника ABC, если известно, что а = 5, b = 3, а углы А и В соответственно равны π/6 и π/3. Всякий знающий

школьный курс математики легко решит эту задачу, хотя прямое использование формулы для определения S оказывается невозможным, ибо угол С неизвестен. Знать школьный курс — значит помнить, что в треугольнике соблюдается соотношение А + В + С = π, которое позволяет найти С по известным углам А и B. Это соотношение есть декларативное знание. Оно помогает нам воспользоваться после его применения процедурой вычисления площади треугольника по теореме синусов.

Пусть теперь возникла необходимость вычислить площадь треугольника ABC, если известны три его стороны — а, b и с. В этом случае можно воспользоваться формулой Герона, согласно которой S = √p(p–a)(p–b)(p–c), где р = ¹/₂(a+b+с). Но ЭВМ этого не знает и поэтому отказывается найти площадь треугольника. Конечно, можно было бы написать и ввести в машину процедуру, реализующую вычисление по формуле Герона.

Рассмотрим рис. 1, б, на котором изображена модель знаний о треугольнике (вернее, обозримый фрагмент этой модели). Вершины — кружочки — соответствуют основным понятиям, связанным с геометрией треугольника. Точки на границе этих кружков называются синапсами. Они могут находиться в двух состояниях: возбужденном и невозбужденном. Если какой-нибудь из синапсов возбужден, то возбуждается соответствующая вершина и это возбуждение передается по всем стрелкам, выходящим из нее к другим синапсам. Синапс же переходит в возбужденное  {78}  состояние только тогда, когда возбуждены все вершины, стрелки от которых идут к данному синапсу.

Для того чтобы в такой сети (специалисты называют ее семантической) возникло возбуждение, необходимо извне возбудить некоторые ее вершины. Если это произошло, то по рассмотренным правилам начнут распространяться возбуждения, что приведет к активизации других вершин сети. Через некоторое время процесс установится и сеть перейдет в статическое возбужденное состояние.

Пусть в начале процесса были возбуждены вершины, отмеченные символами а, b и С. Это приведет к возбуждению синапса в вершине, отмеченной именем sin, а затем через возбуждение самой этой вершины и выходящей из нее стрелки — к возбуждению синапса, расположенного на границе вершины S и отмеченного номером 4. После возбуждения вершины S распространение возбуждения прекратится и сеть перейдет в статическое возбужденное состояние.

Используем процесс возбуждения в семантической сети для решения проблем, связанных с формированием процедуральных знаний для ЭВМ. Пусть с каждым синапсом будет связана определенная процедура, хранящаяся в памяти ЭВМ. Номер синапса есть имя этой процедуры, а возбуждение синапса эквивалентно вызову соответствующей процедуры для исполнения. Начальное возбуждение вершин сети будем ассоциировать с наличием определенных исходных данных для решения задачи. В нашем примере этому соответствует задание сторон a, b и угла С. Возбуждение синапса 1 вызывает процедуру вычисления синуса. Возбуждение вершины, помеченной знаком sin, означает, что sin С вычислен. Синапс 4 вызывает процедуру вычисления площади треугольника в соответствии с формулой, приведенной в начале нашего примера. Возбуждение вершины S сигнализирует о том, что площадь треугольника найдена. Переход сети в статическое возбужденное состояние сигнализирует об окончании процесса поиска необходимых для решения задач процедуральных знаний.

Вернемся к другим вариантам исходного задания для вычисления площади треугольника. Если заданы стороны a и b и углы А и В, то возбуждаются соответствующие им вершины семантической сети и синапс с номером 2. Далее происходит вычисление угла С по формуле С = π – А – B, которая вызывается этим синапсом,  {79}  а далее процесс возбуждения идет так же, как и в предыдущем случае. При задании сторон a, b и c возбуждаются три левые вершины нижнего ряда семантической сети, что приводит к возбуждению синапса 3 и вычислению половины периметра. Затем возбуждается синапс 5, активизирующий вычисление площади по формуле Герона.

Наличие подобной семантической сети позволяет выявлять и те случаи, когда в исходном задании не хватает каких-либо данных. Если, например, заданы только две стороны треугольника, то ни синапс 3, ни синапсы 4 и 5 не возбудятся. ЭВМ может в этом случае выдать стандартное сообщение: «Площадь треугольника при таких исходных данных определить невозможно».

Приведенный пример показывает разницу в хранении процедуральных и декларативных знаний. Первые хранятся в памяти ЭВМ в виде традиционных программ, а вторые — в специально организованных моделях. Семантическая сеть лишь одна из подобных моделей. Сейчас в системах управления, базирующихся на семиотических моделях, для представления знаний используются три вида языков: предикатные, реляционные и фреймовые. В предикатных языках для описания декларативных знаний используются формулы исчисления предикатов, а процедуральные знания, как правило, опираются на поиск логического вывода из исходных описаний. Реляционные языки устроены по принципу семантических сетей, о которых мы уже говорили.

В этих языках в явном виде фиксируются отношения между объектами. В семантической сети, которую мы рассматривали при обсуждении задачи о вычислении площади треугольника, эти отношения задавались стрелками между вершинами. И смысл этих отношений можно выразить словами: «Используется для вычисления в формуле i», где i есть номер формулы, соответствующий цифре, поставленной около синапса, в который входит данная стрелка. В общем случае смысл отношения может быть и иным.

Рассмотрим, например, следующий текст: «Автомобиль 48-51 МОЮ подъезжает к перекрестку. В направлении движения автомобиля горит красный сигнал светофора. Автомобиль должен остановиться». Попробуем записать этот текст на языке реляционного типа — языке синтагматических цепей. Он используется во многих работах, когда для управления сложными объектами  {80}  применяется метод ситуационного управления. Стандартная единица языка синтагматических цепей — элементарная синтагма. Она имеет следующий вид: (a₁ra₂), где a₁ и a₂ какие-то элементы, а r — фиксируемое между ними отношение. Попробуем представить наш текст в виде последовательности таких синтагм. Пусть a₁ соответствует понятию «автомобиль», a i₁ — номерному знаку 48-51 МОЮ. Тогда если смысл отношения r₁ есть «иметь имя», то первой половине первой фразы текста можно сопоставить элементарную синтагму (a₁r₁i₁). Вся же фраза будет описываться синтагмой ((a₁r₁i₁)r₂a₂) в которой a₂ соответствует понятию «перекресток», а r₂ — отношению «приближаться к». Вторую фразу можно представить синтагмой вида ((a₁r₁i₁)r₃(a₃r₁i₂)), где a₃ есть понятие «светофор», i₂ — «красный», а r₃ — отношение «наблюдать». Наконец, последней фразе текста соответствует синтагма ((a₁r₁i₁)p₁), в которой p₁ — императив (действие) «прекратить движение».

Таким образом, вся наблюдаемая в данный момент перед перекрестком ситуация с точки зрения управления автомобилей 48-51 МОЮ описана цепочкой из построенных трех синтагм.

Весьма важно, что в реляционном описании представлена и декларативная (первые две фразы) и процедуральная (третья фраза) составляющая знаний. Как и в естественном языке, эти два вида знаний оказались описанными единообразно. Именно это и делает языки реляционного типа удобными для использования в семиотических моделях. Языки предикатного типа также обладают такой возможностью, но в силу их большей формализованности возможность одновременного представления в них декларативных и процедуральных знаний ограничена.

Для сложных и неформализованных объектов управления сведения об их структуре, функционировании, способах управления ими, как правило, черпаются от экспертов. Информация, получаемая от них проектировщиком системы управления, — это некоторые тексты на естественном языке. Для использования подобной информации проектировщиком требуются какие-то средства перехода от неформальных языковых текстов к формализованным представлениям, на основе которых можно строить процедуры управления и структуру управляющей системы. В качестве одного из подобных средств может выступать язык синтагматических цепей.  {81} 

Рассмотрим третий вид языков, используемых для представления знаний в системах управления с семиотическими моделями, — фреймовые языки. Слово «фрейм» используется в двух смыслах: фреймы минимальных описаний и ролевые фреймы.

Поясним суть этих понятий на примерах. Пусть необходимо создать систему управления переключением светофора на четырехстороннем перекрестке.

Цель управления этим объектом ясна. Система управления должна переключать сигналы светофора в зависимости от ситуации, которая складывается в окрестности перекрестка. Система управления должна учитывать количество автомобилей в этой окрестности, а также появление около перекрестка автомобилей, пользующихся преимущественным правом проезда (скорая помощь, пожарные автомашины и т. п.). Выберем и зафиксируем одно из направлений движения через перекресток. В дальнейшем, говоря о сигнале светофора, всегда будем иметь в виду именно это направление.

Таким образом, система управления светофором должна выдавать два различных сигнала, переключающих его относительно выбранного направления в состояние, когда горит зеленый сигнал, и в состояние, когда в этом направлении горит красный сигнал. Это означает, что всякая текущая ситуация должна быть отнесена к одному из двух классов. Все ситуации из одного класса должны инициировать включение зеленого сигнала, все ситуации другого класса — красного сигнала.

Так возникает центральная для системы управления задача — задача классификации текущих ситуаций. Чтобы решить эту задачу, надо задать характеристику принадлежности ситуации к данному классу, исключить из описания ситуации сведения, не существенные с точки зрения классификации, и оставить в описании лишь то, что позволит провести классификацию. Например, может быть огромное число ситуаций, когда в нефиксируемом направлении вообще нет автомобилей, а в зафиксированном направлении складываются самые различные комбинации числа автомобилей, их типов и скоростей. Но определяющим для всех этих ситуаций является факт отсутствия автомобилей в нефиксируемом направлении, ибо с точки зрения управления светофором все эти ситуации однотипны. В любой из них надо включить зеленый сигнал. Факт отсутствия автомашин в нефиксируемом направлении и является одним из фреймов минимального  {82}  описания ситуаций в окрестности перекрестка. Но этот фрейм, конечно, не единственный. Имеются и другие, например фиксация наличия специальной автомашины (скорая помощь, аварийная и т. п.) или отсутствие автомашин в фиксированном направлении движения.

Вообще фрейм минимального описания, или фрейм декларативных знаний, это есть та совокупность знаний, уменьшение которой невозможно без потери значения описываемого явления, процесса или события. Это тот остов, скелет, на котором основывается возможность классификации данной совокупности знаний.

Ролевой фрейм выполняет аналогичную задачу в процедуральных знаниях. В семиотических моделях управления он фиксирует наиболее общие правила процедурного типа, позволяющие выделять в ситуациях минимально необходимое для управления. В рассмотренном примере один из ролевых фреймов имеет вид: «При приближении к перекрестку автомашины специального типа включить по этому направлению зеленый сигнал светофора».

Фреймовые языки как бы обобщают языки реляционного типа. Это происходит в результате перехода от одноуровневых описаний реляционного типа к многоуровневым, иерархическим описаниям с использованием фреймов различных уровней, что позволяет отобразить в системе знаний, хранящихся в памяти ЭВМ, присущую человеку иерархичность сведений об окружающем мире и способах действий в нем.

Теперь можно сформулировать основные принципы использования семиотических моделей в системах управления:

исходной информацией для описания объекта управления, протекающих в нем процессов и способов управления объектами с учетом ограничений на управление и пожеланий по оптимизации отдельных параметров служат тексты, написанные на естественном языке;

эти тексты переводятся в формализованные знания, записанные на каком-либо языке представления знаний, при этом из-за фиксированности предметной области используется конечное число различных элементов (понятий, отношений, имен, императивов и т. д.);

в системе управления должны иметься средства обобщения полученных описаний и нахождения фреймов для классификации описаний и процедур;

на основании обработки введенной в систему информации должна происходить выработка процедур управления,  {83}  опирающаяся на исходную информацию, введенную в систему;

в процессе экспериментальной работы система должна пополнять ранее введенную информацию за счет анализа результатов управляющих воздействий, что позволит уточнять используемые системой процедуры управления.

Для более наглядной иллюстрации высказанных положений рассмотрим структуру систем ситуационного управления. Исторически оно представляет собой первую попытку использования семиотических моделей управления сложными объектами. В 1965 г. была создана первая экспериментальная программа управления, с помощью которой проводилось управление шлюзами, образующими связанную систему. С тех пор ситуационное управление использовалось многократно и эффективно. С его помощью была решена задача рационального перемещения специального бурового оборудования на нефтепромыслах, управления погрузочно-разгрузочными операциями в рыбном порту, обжигом цемента во вращающихся печах. Методы ситуационного управления нашли применение при создании различных отраслевых АСУ (например, АСУ гражданской авиации) и АСУП (например, при автоматизации управления участками сборочного производства).

При ситуационном управлении реализуется схема, показанная на рис. 2. На вход системы управления поступает информация, отражающая текущую ситуацию на объекте управления или дополнительные сведения об объекте управления и управлении им. Кодировщик переводит эту разнородную информацию на язык представления знаний, используемый в данной системе, например на язык синтагматических цепей. Полученное описание поступает на вход анализатора, который осуществляет предварительную классификацию информации. Если это знания, которые необходимо хранить в системе управления на будущее, то они отправляются в модель знаний. Если это описание текущей ситуации и неизвестно, к какому классу она принадлежит, то к работе привлекается классификатор. Если же тип ситуации ясен из начального описания, то анализатор отправляет информацию в блок системы, называемый коррелятором.

Коррелятор находит цепочки управляющих воздействий для дайной ситуации. В своей работе он использует знания, хранящиеся в модели знаний. При необходимости коррелятор может обращаться к классификатору для

уточнения классификации текущей ситуации. Если решение единственно, то коррелятор сообщает его решателю. Если имеются альтернативные решения, то, прежде чем о них сообщить решателю, коррелятор проверяет возможные последствия их использования с помощью экстраполятора. В экстраполяторе на основании знаний об объекте управления прогнозируются возможные последствия применения тех или иных управляющих воздействий. Окончательное решение по управлению принимается решателем. После кодировки решения оно выдается на объект управления или сообщается диспетчеру (в случае, когда система управления работает в режиме советчика диспетчеру).

Сделаем два важных заключительных замечания, к принятию которых читатель, по-видимому, подготовлен всем предшествующим материалом.

1. Методы управления, основанные на использовании семиотических моделей, возникли вполне закономерно. Причиной этому послужило появление объектов управления, для которых нет никакой надежды формализации их структуры, протекающих в них процессах, критериев управления и методов управления ими. Семиотические модели пришли на смену формальным моделям теории управления, не отвергая последние. Если объект управления таков, что построение формальной модели для него возможно, то этим обстоятельством необходимо воспользоваться.  {85}  Результат в подавляющем числе случаев будет лучше, чем при использовании семиотических моделей и основанных на них методах управления. Речь идет не о конкуренции классической теории управления и новых методов управления (мы говорили лишь об одном из них — семиотическом, но существует еще целый ряд других, например игровое управление, имитационное моделирование и т. п.). Семиотические модели могут с успехом применяться и тогда, если задача управления допускает классическую формализацию. Это тот случай, когда система управления должна работать в реальном масштабе времени, в темпе работы самого объекта управления, а точное решение задачи не укладывается по времени в эти рамки.

В кругах специалистов можно услышать: «Мы уже сегодня можем абсолютно точно предсказать погоду на завтра. Но для этого нам нужен месяц работы». Именно поэтому прогноз погоды делается не по точной формальной модели, а по приближенной, дающей решение не совсем точное, но в реальном масштабе времени. Другим примером может служить работа операционной системы современной ЭВМ. Задача этой системы — организация вычислительного процесса. В частности, структура ЭВМ может допускать одновременное выполнение задач на нескольких параллельно работающих устройствах. Операционная система должна осуществлять распределение заданий по этим устройствам. Проблема такого распределения с минимизацией, например, суммарных временных затрат на решение данного набора заданий хорошо известна в математике. Эта задача легко формализуется, и существуют методы ее точного решения. Но беда состоит в том, что затраты времени на такое решение съедают весь выигрыш, который получается за счет оптимизации диспетчеризации. В этих случаях неточные решения (но в некотором смысле квазиоптимальные), которые могут быть получены в более короткие сроки, оказываются более выгодными. Такие квазиоптимальные решения могут быть получены и по методам, использующим семиотические модели.

2. Системы управления с семиотическими моделями можно улучшать добавлением новой информации. Она может поступать как извне, так и накапливаться самой системой в процессе работы. Качество управления при семиотических моделях целиком определяется суммарным эффектом обобщения опыта всех специалистов, участвовавших  {86}  в формировании модели знаний системы, и индивидуальным опытом работы системы с объектом управления. Как показывает практика, эффект от работы подобных систем всегда выше, чем при управлении объектом самым опытным из специалистов, или, по крайней мере, результаты одинаковы.

И совсем уже в заключение заметим, что семиотические модели незаменимы при управлении интегральными роботами, которые в ближайшем будущем станут важнейшим фактором новой промышленной и сельскохозяйственной технологии.

НАУЧНО-ТЕХНИЧЕСКАЯ РЕВОЛЮЦИЯ
И НЕКОТОРЫЕ ПРОБЛЕМЫ ПСИХОЛОГИИ
Б. Ф. ЛОМОВ

Научно-технический прогресс, как известно, приводит к существенным изменениям в производстве. Благодаря механизации и автоматизации производственных процессов, электрификации промышленности, сельского хозяйства и транспорта, использованию атомной энергии, применению вычислительной техники расширяются возможности производства, создаются новые средства и методы труда, повышающие его производительность.

Вместе с тем изменяются условия и содержание деятельности человека, управляющего современной техникой, его роль и функции в производственных процессах, что порождает большой круг проблем, относящихся к различным областям психологической науки: от психофизиологии до социальной психологии включительно. В данной статье мы ограничимся только теми проблемами, которые разрабатываются инженерной психологией — областью знания, возникшей на границах технических и психологических наук.

Рассматривая тенденции изменения труда человека в механизированном производстве, К. Маркс писал: «Труд выступает уже не столько как включенный в процесс производства, сколько как такой труд, при котором человек, наоборот, относится к самому процессу производства как его контролер и регулировщик... Вместо того чтобы быть главным агентом процесса производства,  {87}  рабочий становится рядом с ним»¹. Все чаще главными функциями человека как субъекта труда становятся программирование работы технических устройств, управление ими и контроль за их работой. В связи с этим изменяются соотношения между физическим и умственным трудом: все более возрастает «нагрузка» на умственную (более широко — психическую) сферу человека.

Можно отметить несколько общих тенденций, определяющих изменения условий и характера трудовой деятельности.

Во-первых, с развитием техники увеличивается количество объектов, процессов (и их параметров), которые человек должен контролировать, при этом нередко одновременно. А значит, увеличиваются и потоки информации, адресуемой человеку. Например, количество приборов в кабине самолета за последние 30 лет увеличилось в 10 раз; вместе с тем время, отводимое на выполнение отдельных операций, сократилось в 5—7 раз. Если при этом не решается задача согласования потоков информации с возможностями человека по ее приему, то интенсивность и напряженность его деятельности могут достигнуть предельных значений. Но, чтобы решить эту задачу, необходимо исследовать характеристики и закономерности восприятия, внимания, памяти и мышления, т. е. (психических процессов.

Во-вторых, расширился диапазон скоростей процессов, которыми человек должен управлять. Иногда ему приходится управлять процессами, протекающими с очень большими скоростями. В этих условиях он должен воспринимать и перерабатывать информацию, принимать решения и выполнять те или иные действия за очень короткие интервалы времени, исчисляемые иногда секундами и даже долями секунды. Так, по данным психологических исследований, время, в течение которого летчик должен определить положение самолета и выполнить определенное воздействие на него, в условиях видимости земли составляет 1,35 с, в условиях слепого полета — 1,55 с. Оператор железнодорожной сортировочной горки в течение двух-трех секунд должен выполнить 5—6 переключений. Промедление управляющих воздействий на 0,5—0,7 с может привести к крушению. Понятно, что в этих условиях от человека требуется очень высокая мобилизация его «психологических резервов».  {88} 

Но в современном производстве есть и другие виды работ, связанные с контролем и управлением процессами, протекающими очень медленно. В этом случае человек ведет длительное монотонное наблюдение, при котором, как показывают исследования, снижается уровень концентрации внимания, увеличиваются пороги обнаружения сигналов и время реакции — в целом снижается работоспособность. Задача человека при контроле медленно протекающих процессов часто состоит в том, чтобы при внезапном появлении некоторого сигнала выполнить срочное действие. Но сигнал появляется на фоне сниженной работоспособности, и поэтому человек далеко не всегда оказывается в состоянии выполнить это срочное действие. В результате возникают ошибки.

В-третьих, человеку, управляющему современной техникой, приходится работать в весьма разнообразных (часто необычных и непривычных) условиях: повышенного или пониженного атмосферного давления, низких и высоких температур, шума, вибраций, перегрузок и невесомости, в замкнутом ограниченном пространстве и т. д. Эти условия оказывают определенное влияние на психические процессы и состояния человека. Так, в условиях невесомости могут происходить нарушения восприятия пространства и времени, возникать иллюзии, изменяется координация движений. Работа в необычных условиях (например, выход в открытый космос или возникновение аварии) создает повышенную эмоциональную напряженность — стресс, что может привести к срыву деятельности. Есть немало наблюдений, показывающих, что некоторые люди при возникновении аварии впадали в своего рода шоковое состояние или начинали совершать хаотические действия. При стрессовых состояниях, как показывают специальные исследования, сужается объем восприятия и внимания, возникают «сбои» памяти; иногда сильный стресс может даже «выбить» цель действия.

В-четвертых, человек, работающий с техникой, как правило, не имеет возможности наблюдать управляемые процессы непосредственно. Между человеком и управляемым объектом как бы вклинивается целая система технических устройств. Информация, которую надо воспринять, передается при помощи приборов разного типа. Она Поступает к человеку в виде показаний стрелочных контрольно-измерительных приборов, отображений на экранах электронно-лучевых трубок, системы знаков на табло, графиков, диаграмм, формуляторов и т. д.  {89} 

Способы кодирования информации, передаваемой человеку, весьма разнообразны. Человек воспринимает не управляемый процесс (или объект), а его информационную модель. Необходимость принимать решения и выполнять управляющие действия не на основе непосредственного наблюдения, а в соответствии с информационной моделью — это, пожалуй, самая характерная особенность деятельности человека, управляющего техникой. Чтобы понять реальную ситуацию и принять решение, он должен не просто воспринять сигналы, отображаемые на приборах, но и расшифровать, декодировать их.

Иногда декодирование оказывается очень трудной умственной задачей, решение которой требует большого времени и нервно-психического напряжения. Если информационная модель создается без учета характеристик и закономерностей восприятия, памяти и мышления, то она не только не облегчает работу оператора, но, напротив, затрудняет ее. К сожалению, при разработке средств отображения информации эти характеристики и закономерности учитываются далеко не всегда. В результате создаются системы, работа с которыми становится неоправданно сложной.

Представьте себе, что Вы управляете движением объектов в пространстве. Непосредственно этих объектов не видно; информация о них передается на табло в виде набора цифр, букв и условных знаков. В какой-то момент времени сообщается (в виде набора цифр), что объект А занимает такое-то положение по осям X, Y и Z, а объект В — такое-то. Через некоторое время поступают новые сведения и т. д. Попробуйте мысленно представить, как изменяется взаимное положение объектов А и В в пространстве (могут ли они столкнуться, надо ли увеличить скорость какого-то объекта, чтобы избежать столкновения и т. д.), и легко убедитесь, насколько сложна психологически задача перевода изменяющихся во времени цифровых данных в мысленный образ движущихся объектов. А если этих объектов не два, а более, если скорости их различны, задача становится неразрешимой, во всяком случае для большинства людей. Понятно, что такой способ передачи информации, когда оператор должен осуществлять (да еще за ограниченное время) сложные мысленные трансформации данных, отображаемых в цифровой форме, неприемлем по психологическим основаниям. В подобных случаях далеко не всегда возникающие  {90}  трудности удается преодолеть при помощи обучения и тренировки.

При создании информационной модели, очевидно, необходимо рассмотреть вопрос не только о том, насколько правильно и полно она отображает управляемый объект (и среду), но и как человек будет воспринимать эту модель и какие мысленные ее трансформации потребуются для того, чтобы принимать решения и выполнять управляющие действия. Иначе говоря, при разработке средств отображения информации нужно иметь в виду «цепочку» связей: объект управления (и среда) — информационная модель — восприятие и мысленная трансформация этой модели человеком. Первое звено «цепочки» относится к техническим наукам, второе — к психологическим. Как бы хорошо ни было разработано первое звено (объект управления—информационная модель), но если второе (модель—ее восприятие человеком) дает «сбои», то эффективность и надежность всей системы будут невысокими. Конечный результат определяется тем, как эти два звена согласованы друг с другом. Решение такой задачи требует совместной работы инженеров и психологов.

Вопрос о психологически обоснованном выборе способа передачи информации человеку приобретает особую остроту, когда в контур управления включена вычислительная техника, способная с высокой скоростью перерабатывать информацию и преобразовывать ее по определенной программе. Поиск эффективных и надежных средств обмена информацией, «диалога» между человеком и ЭВМ при совместном решении задач предполагает детальное изучение как перцептивных и мнемических, так и речемыслительных процессов.

Перечисленные тенденции изменения условий и характера деятельности человека, управляющего техникой, определили целую область специальных теоретических проблем и практических задач, объединяющую технические науки с психологическими. Возникло понятие «система человек — машина». Деятельность человека и работа технических устройств в такой системе рассматриваются в неразрывной связи и взаимозависимости. Быстродействие, точность и надежность системы человек — машина зависят от того, насколько техника и технологический процесс согласованы с возможностями человека.

Как показывает анализ, очень часто разного рода происшествия, аварии, нарушения в работе системы человек — машина происходят вследствие ошибочных действий  {91}  человека-оператора. Так, по данным статистики США, по этой причине происходит до 70% летных происшествий, более 50% отказов разного рода установок, более 60% аварий на флоте; по швейцарским данным, более 30% несчастных случаев в промышленном производстве возникает вследствие ошибок, допускаемых рабочими при управлении техникой.

Человек не успевает вовремя отреагировать на внезапный сигнал, переключить внимание с одного прибора на другой, неверно воспринимает и оценивает информацию, под влиянием высокого нервно-эмоционального напряжения совершает импульсивные действия и т. п. Однако иногда ошибки человека «провоцируются» техникой и технологическим процессом. Например, средства отображения передают человеку информацию в объеме, превышающем возможности восприятия, внимания и памяти, или в форме, неудобной для восприятия и осмысливания. Или технологический процесс «задает» человеку изматывающий режим работы. Когда создается новая техника, разрабатывается новый технологический процесс, к сожалению, не всегда думают о том, как будет складываться деятельность человека. А при эксплуатации обнаруживается, что техника «психологически неудобна» для него. Чтобы избежать этого, очевидно, уже на стадии проектирования необходимо учитывать психологические (и иные) свойства человека.

Задача согласования техники с человеком определила возникновение особого научного направления — инженерной психологии, которая исследует психические функции, процессы и состояния с целью решения инженерных задач. Отметим, что задача согласования орудий труда (в том числе и техники) с возможностями человека не новая. Но на разных этапах развития производства возникала потребность в изучении разных свойств человека. Когда-то основное внимание уделялось вопросам строения человеческого тела и динамики рабочих движений. На основе данных антропометрии и биомеханики разрабатывались рекомендации относительно рабочего места человека и используемых инструментов. Затем объектом исследования становятся физиологические свойства человеческого организма. Рекомендации, вытекающие из данных физиологии труда и связанных с нею дисциплин, относятся уже не только к организации рабочего места, но и к режиму рабочего дня, а также к другим сторонам трудовой деятельности.  {92} 

Научно-техническая революция остро поставила задачу изучения тех свойств человека, которые обычно определяются как психологические. Развитие систем контроля и управления, автоматизация и использование ЭВМ потребовали развертывания исследований процессов приема, переработки и хранения информации человеком, механизмов принятия решения, влияния психических состояний человека на его деятельность. Конечно, из этого не следует, что антропометрические, биомеханические и физиологические исследования утратили значение для решения задачи согласования техники с человеком.

Первые исследования инженерно-психологического типа были проведены в нашей стране еще в 20-е годы. Но как самостоятельная дисциплина инженерная психология начала развиваться в конце 50-х годов. На первоначальном этапе преобладали исследования, связанные с оценками тех или иных отдельно взятых технических устройств (и их элементов) с точки зрения их соответствия также отдельно взятым психологическим характеристикам человека.

Общая схема системы человек — машина, на которую опирались (и опираются) такие исследования, описывается как частный случай системы управления. Представим себе, что человек-оператор управляет каким-либо объектом (или процессом). Будет ли это диспетчер на железной дороге или авиадиспетчер, летчик или машинист электростанции — во всех случаях процесс управления имеет некоторые общие черты. Все изменения управляемого объекта улавливаются при помощи соответствующих датчиков; сигналы от них преобразуются и подаются на средства отображения информации, за которыми наблюдает человек. Он воспринимает эту информацию, расшифровывает ее, принимает решение и выполняет соответствующее действие. Оно может быть и очень простым (например, нажим кнопки) и более сложным (требующим точной координации движений). Сигнал, возникающий в результате действий человека, преобразуется и поступает к управляемому объекту, изменяя его состояние. Сигналы об изменившемся состоянии объекта вновь поступают к человеку, и цикл управления повторяется.

Так в общих чертах выглядит замкнутая система регулирования, в которой человек выступает в роли одного из ее звеньев. Главную задачу исследователи видели в том, чтобы наилучшим образом «вписать» человека  {93}  в контур такой системы. В этой связи детально изучались процессы приема информации человеком (восприятие), ее преобразования (мышление) и хранения (память), а также особенности движений, при помощи которых человек воздействует на органы управления. Были выполнены исследования процессов восприятия различных типов контрольно-измерительных приборов, различения и опознавания цифр, букв, условных знаков, цветовых кодов, звуковых и вибрационных сигналов, изучались объем оперативной памяти, ее зависимость от числа различительных признаков сигналов, от их организации в пространстве и времени, а также некоторые особенности преобразования воспринимаемой информации в процессе оперативного мышления. Полученные результаты позволили сформулировать некоторые принципы кодирования информации, передаваемой человеку. Разработанные на их основе рекомендации используются в практике и дают определенный эффект, обеспечивая повышение быстродействия, точности и надежности систем человек-машина.

Исследования восприятия сигналов человеком показали, что отношение между физическими (объективными) величинами, при помощи которых кодируется информация, передаваемая человеку, и вызываемыми ими при воздействии на органы чувств субъективными величинами (ощущениями) нелинейно. При различении и опознавании сигналов человек пользуется так называемыми субъективными шкалами, которые определяются не отдельными физическими характеристиками (параметрами) сигналов, а их комбинациями. Так, обычно считается, что ощущение высоты звука связано только с его частотой, а громкости — с его интенсивностью. Между тем в психофизических экспериментах показано, что можно создать у человека впечатление определенной громкости звука, комбинируя его частоту и интенсивность. Например, тон интенсивностью 120 дБ и частотой 10 Гц субъективно оценивается как равный по громкости тону, имеющему интенсивность 100 дБ и частоту 1000 Гц. Аналогичные данные получены и в исследованиях зрительного восприятия.

Это позволяет говорить об «обменных отношениях» между разными параметрами сигналов. Если по техническим причинам нельзя обеспечить, например, необходимую для создания определенного впечатления яркость, то, пользуясь обменными отношениями, этого можно  {94}  добиться за счет изменения контрастности пли цветности отображения, и наоборот.

Особый интерес для инженерной психологии представляют задачи, когда оператор должен обнаруживать слабые сигналы на фоне шума, человек работает на пределе своих сенсорно-перцептивных возможностей: часть сигналов обнаруживается точно, часть пропускается, иногда возникают ложные тревоги (сигнала не было, а человеку кажется, что был). Обычно считается, что, чем меньше шумовых сигналов, например, на экране электронно-лучевой трубки, тем лучше человек будет обнаруживать слабый сигнал. Но это не всегда так. Эксперименты показали, что можно повысить вероятность обнаружения сигнала на фоне видеошума, если не уменьшить, а, напротив, увеличить число шумовых импульсов в единицу времени, получив таким образом более равномерное их распределение по экрану, т. е. более однообразный фон. Или, например, можно повысить вероятность обнаружения слабого звукового сигнала на фоне «белого шума», если он передается в правое и левое ухо не синхронно, а со сдвигом по фазе.

Эффективный способ повышения точности и надежности работы человека-оператора — рациональная комбинация сигналов, адресуемых к разным органам чувств. Так, в одной из систем информация о движении цели и преследующего ее объекта отображалась только на визуальном индикаторе; в этом случае задача решалась лишь в 8% испытаний. На основе инженерно-психологических исследований было предложено дополнить визуальный сигнал слуховым (со специально подобранными характеристиками), и эффективность резко повысилась: задача стала решаться в 86% испытаний.

Примеры подобного рода можно было бы умножить. Но и сказанного достаточно для вывода: используя данные о характеристиках и закономерностях восприятия при разработке средств отображения информации, можно повысить эффективность и надежность работы оператора, а значит, и системы человек—машина в целом. Аналогичны результаты исследований и других психических процессов: внимания, памяти, мышления. Более того, эти данные иногда могут подсказать разработчикам принципиально новые решения технических задач.

На начальном этапе развития инженерной психологии основное внимание исследователей было направлено на определение «входных» и «выходных» характеристик  {95}  человека как звена системы управления. При этом стремились найти их некоторые абсолютные значения вне зависимости от содержания конкретной деятельности.

И хотя проводимые в этом плане исследования дали некоторые полезные результаты, вскоре стала обнаруживаться их односторонность и ограниченность. Возникла потребность в описании работы человека как звена системы человек — машина в целом, т. е. в определении взаимосвязи его «входных» и «выходных» характеристик. Были предприняты попытки полностью «уложить» деятельность человека в схемы, разработанные для описания технических устройств. Человек рассматривался как «частотный фильтр», «линейный низкочастотный усилитель». Пытались определить также «передаточную функцию» человека, его «пропускную способность» и т. д. Однако все это часто заводило в тупик и оказывалось бесполезным.

Такие исследователи постоянно сталкивались с тем, что человек ведет себя далеко не всегда так, как должно было бы ожидать, исходя из этих схем. Оказалось, например, что на скорость переработки информации человеком влияет масса различных факторов: характер решаемой задачи, уровень мотивации, индивидуальные особенности человека, уровень его тренированности, психическое состояние, уровень работоспособности и т. д. Отметим, что все эти факторы являются не внешними по отношению к деятельности, а имманентно присущи ей самой. Так в процессе развития инженерной психологии возникла необходимость перехода от относительно простых и частных вопросов к более сложным и общим, от рассмотрения человека как звена системы управления к пониманию его как сложной высокоорганизованной системы, от исследования отдельных психических процессов к изучению деятельности в целом. Необходимость такого перехода вытекает из логики развития самой науки, из возрастающих требований практики.

Потребовалось иначе, чем это было принято ранее, раскрыть и принципиальную схему системы человек— машина, а также несколько иначе сформулировать задачи инженерной психологии. Человек и машина в системе человек—машина не являются звеньями одного порядка, это отношения «субъект труда—орудие труда». Машина, какой бы сложной и совершенной она ни была, лишь орудие труда, которое используется человеком для достижения сознательно поставленных им целей.  {96} 

Элементарная схема системы человек—машина получает принципиально иную интерпретацию: есть некоторый объект управления, человек-оператор ставит задачу (или другие люди ставят перед ним задачу) перевести этот объект из состояния а₁ в состояние а₂ (или, напротив, удержать объект в состоянии а₁, преодолевая внешние возмущения); на основе имеющейся информации (в том числе профессионального опыта) у человека формируется некоторый образ задаваемого (будущего) состояния управляемого объекта (состояние а₂); воспринимая сигналы, поступающие от средств отображения информации, человек оценивает текущее состояние объекта (состояние а₁), анализирует возможные способы решения задачи и выполняет управляющее действие (или систему действий); сигналы, возникающие в результате этого, через технические устройства передаются к объекту управления, изменяя состояние а₁ на а₂; сигналы об изменившемся состоянии объекта поступают к человеку; он оценивает, решена ли задача, сравнивая текущее состояние с заданным, и в зависимости от оценки либо переходит к новому действию, либо повторяет предшествующее — возникает новый цикл управления.

Человек-оператор рассматривается уже не просто как одно из звеньев системы человек — машина, а как субъект деятельности, организующий систему, направляющий ее на достижение определенного, заранее им же самим заданного результата и обеспечивающий «пластичность» всей системы. Именно оператор определяет задачу, выполняет управляющие действия и оценивает результаты. Технические устройства здесь лишь орудия, которыми человек пользуется при целенаправленных действиях и которые передают ему информацию о результатах этих действий.

При таком подходе оценки только «входных» и «выходных» характеристик человека уже явно недостаточно. Становится необходимым психологическое исследование структуры и механизмов деятельности, а в этой связи и динамики сенсорно-перцептивных, мнемических, мыслительных и иных процессов в контексте данной деятельности. В советской психологии проблема деятельности — одна из важнейших. Ею занимались Б. Г. Ананьев, Л. С. Выготский, А. Н. Леонтьев, А. Р. Лурия, А. А. Смирнов, Б. М. Теплов, С. Л. Рубинштейн и др. Сложившиеся в общей теории психологические концепции человеческой деятельности могут послужить и основой для ее  {97}  инженерно-психологического исследования. Не претендуя на исчерпывающее описание структуры деятельности, отметим лишь важнейшие моменты.

Всякая деятельность исходит из тех или иных мотивов и направлена на достижение некоторой цели. Отношение мотив—цель выступает в роли своего рода «вектора», организующего всю систему психических процессов и состояний, включенных в эту деятельность. Оно определяет динамику, взаимоотношения и взаимопереходы сенсорно-перцептивных, мнемических, мыслительных и иных процессов, эмоциональных состояний, работоспособности человека.

Сознательно поставленная цель, которую человек реализует в своей деятельности, определяет способ и характер его действий.

На первый взгляд может показаться, что проблемы мотивации и целеобразования (к сожалению, изученные в психологии еще слабо) имеют к системам человек—машина весьма далекое отношение. Но так может показаться лишь в том случае, если ограничивать изучение деятельности человека в этих системах только анализом его «входных» и «выходных» характеристик. Когда же речь идет о деятельности человека-оператора в целом и о рациональных путях ее организации, то вряд ли можно отвлечься от вектора «мотив—цель», особенно когда деятельность человека-оператора сопряжена с риском, высокой ответственностью, длительным отрывом от привычной среды. Уровень мотивации в этих условиях (как, впрочем, и в любых других) может существенно повлиять на эффективность и надежность работы.

Целенаправленная деятельность ориентирована на будущее: на то, чего еще нет, но что должно появиться в результате деятельности. В инженерно-психологическом плане речь идет, в частности, об отражении в сознании человека-оператора того состояния управляемого объекта, которое должно быть достигнуто в процессе управления, т. е. в приведенной выше схеме состояния а₂. Первоначально оно выступает лишь как образ (в широком смысле), т. е. идеально. Пока еще природа образа-цели и механизмы его формирования, так же как и его динамика, недостаточно ясны. Можно лишь предполагать, что он формируется как сложный продукт синтеза сенсорно-перцептивных, мнемических и речемыслительных процессов. Важно отметить, что у человека-оператора формирование  {98}  и динамика образа-цели опосредствуются техническими устройствами.

Наблюдение и экспериментальные исследования позволяют считать, что этот образ определяет критерии селекции информации о текущем состоянии управляемого объекта, поступающей к человеку-оператору, и ее интеграции. Образ-цель определяет, по-видимому, также способы трансформации воспринятой информации, ее оценки, формирования гипотез и принятие решений.

При управлении машинами по приборам иногда возникает смещение (или соскальзывание) цели: оператор от управления машиной (управляемым объектом) по приборам переходит к управлению приборами. Здесь образ будущего состояния объекта замещается образом будущего состояния прибора, что в сложных ситуациях может привести к серьезным ошибкам (например, при управлении самолетом — к потере пространственной ориентировки). Возможность смещения цели особенно вероятна в том случае, когда оператор выполняет функцию «резервного звена» автоматики и в течение длительного времени занимает позицию пассивного наблюдателя. Воздействие сильных стресс-факторов может также привести к смещению цели или даже «выбить» ее; в этом случае вместо целесообразных действий человек начинает совершать хаотические либо вообще прекращает действовать.

Сформировавшийся в начале деятельности образ-цель должен сохраняться памятью оператора в течение всего времени выполнения и выступать в роли ведущего регулятора системы действий, которая может иметь разное строение. В одних случаях она представляет собой логически связанную последовательность действий, в других оператору приходится одновременно решать несколько задач, отнесенных к одной и той же цели, и соответственно выполнять несколько действий, иногда и не связанных логически. Возможны и такие случаи, когда оператор имеет не одну, а несколько целей и выполняет несколько деятельностей. При этом действия, относящиеся к разным деятельностям, должны выполняться либо одновременно, либо чередуясь друг с другом. Необходимость совмещать разные действия, переключаться от одного из них к другому (особенно при дефиците времени, высокой ответственности, риске, воздействии стресс-факторов и т. п.) требует, конечно, большого нервно-психического напряжения. В таких условиях вряд ли можно полагаться на то, что образ-цель сам собой будет  {99}  храниться в памяти оператора и точно «сработает» в нужное время, скорее можно ожидать обратное. По-видимому, при создании систем человек—машина и определении режима труда оператора необходимо предусмотреть специальные средства, помогающие ему сохранять образ-цель.

Во всяком случае, информационная модель должна строиться с учетом не только возможностей обнаружения, различения и опознавания сигналов, но и ее отношения к образу-цели. Иногда более эффективным оказывается такой вариант информационной модели, в которой отображается не вся система, а только отношение текущего состояния управляемого объекта к заданному. Так, в одном из экспериментальных исследований сравнивались несколько моделей, отображающих движение объекта к заданной (конечной) точке. Меньше всего ошибок допускалось при работе с моделью, в которой отображались только конечная точка и отклонение реальной траектории объекта от заданной.

В процессе целенаправленной деятельности человек выполняет ряд действий, каждое из которых дает некоторый частичный результат, подчинено общей цели и связано как с теми действиями, которые уже выполнены, так и с теми, которые еще предстоит выполнить. Организация всего ряда действий в пространстве и времени обеспечивается мысленным планированием, которое, как и цель, формируется до начала деятельности. Значение планирования отмечается многими опытными операторами.

Обычно неопытные операторы не умеют планировать свою деятельность. Часто они работают по принципу ответов на возникающие сигналы. Деятельность здесь как бы полностью подчинена ходу внешних событий. А если деятельность не имеет организующего ее внутреннего плана, то в сложных условиях она легко нарушается.

Элементарный уровень организации деятельности — это работа по образцу или шаблону. Такой способ планирования, конечно, обеспечивает ее более высокую эффективность, но неожиданные события могут привести к дезорганизации. Более высокий уровень — планирование деятельности с учетом вероятности возникновения тех или иных событий. Именно так работают опытные операторы. Важно отметить, что у оператора план деятельности формируется с учетом тех технических устройств, при помощи которых он будет реализовываться. Элементы плана не просто действия сами по себе, а  {100}  действий, определенным образом связанные с функциями органов управления, т. е. «действие плюс орудие».

Важнейшая роль в индивидуальном планировании деятельности принадлежит процессам антиципации, т. е. предвидению хода событий, отражению их тенденций. Как показывают психологические исследования, эти процессы осуществляются не только в речемыслительной, но и в образной форме: на уровне восприятия и представления и даже на субсенсорном (неосознанном) уровне. Особенно отчетливо роль антиципации обнаруживается в таких видах деятельности, выполняя которые оператор должен осуществлять непрерывную корректировку управляемых процессов по тем или иным параметрам (например, работа в режиме слежения). Если информация об управляемом процессе передается в форме, не позволяющей предвидеть его развитие, это неизбежно приводит к сбоям, ошибкам и отказам в работе оператора.

Таким образом, при разработке техники и технологических процессов, которые будут обслуживаться человеком, необходимо обеспечить для него возможность планирования своей деятельности и предвидения хода управляемого процесса (а также изменений среды). Однако, к сожалению, иногда человеку навязывается жесткая программа действий или создаются такие условия, при которых он вынужден работать по принципу «сигнал-ответ». В этих условиях очень быстро развивается утомление, человек теряет интерес к работе, что естественно сказывается на эффективности и качестве деятельности.

В любую человеческую деятельность в той или иной форме включен процесс принятия решения. Пожалуй, не будет преувеличением сказать, что он занимает в структуре деятельности центральное место. Человек принимает решение и при определении цели деятельности (а также конкретных задач), и при ее планировании, и при восприятии текущей информации, и при выборе способов действия. Необходимость в этом возникает во всех тех случаях, когда человек сталкивается с ситуацией, имеющей несколько возможных исходов, или, по крайней мере, так ему это представляется. Процесс принятия решения включает: выявление проблемной ситуации, мысленное выдвижение гипотез, их оценку, выбор той гипотезы, которая обеспечивает достижение требуемого результата. Иногда (у опытных операторов) принятие решения осуществляется за очень короткий период времени — несколько секунд, но нередко требует развернутой системы  {101}  специальных умственных (и практических) действий.

Очевидно, что в системах человек—машина способы передачи информации человеку должны разрабатываться с учетом не только ее приема, но и принятия решения. При этом необходимо иметь в виду, что человек-оператор нередко принимает решение на основе не только инструментальной (поступающей от приборов) информации, но также и неинструментальной (непосредственные ощущения тех или иных воздействий, например вибраций, изменения положения тела в пространстве и т. п.). Между инструментальными и неинструментальными сигналами иногда возникают противоречия, которые приводят к неверным решениям. Поэтому при проектировании систем человек—машина, определяя способы передачи информации, следует учитывать также характер неинструментальных сигналов, которые будут возникать в реальных условиях управления техникой.

Итак, важнейшие психологические «составляющие» деятельности человека (в том числе и деятельности оператора) — формирование образа-цели, индивидуальное планирование, антиципация и принятие решения. Сейчас пока трудно представить перечисленные «составляющие» как единую целостную структуру. Разработка позволяющей сделать это психологической теории деятельности еще потребует немалых усилий.

Хотелось бы еще раз подчеркнуть, что инженерно-психологические исследования не могут ограничиться только изучением «входных» и «выходных» характеристик человека. Для решения практической задачи согласования техники с человеком данных только о процессах обнаружения, различения и опознавания сигналов недостаточно. Необходимо к тому же располагать знаниями о более сложных, интегральных процессах, организующих и направляющих целесообразную деятельность работника.

В прикладных исследованиях инженерная психология также не может ограничиваться решением только частных задач. Ее общей (правда, очень трудной) задачей является проектирование деятельности человека, управляющего техникой. Подобно тому как инженер проектирует технические устройства и технологические процессы, психолог должен в процессе создания системы человек—машина заранее определить, какой будет деятельность человека-оператора, работающего в этой системе. В зависимости от этого проекта должны решаться и частные инженерно-психологические задачи, и выбираться  {102}  пути наиболее рационального обучения и тренировки.

Инженерная психология пока еще не располагает строгой системой принципов и рекомендаций к проектированию деятельности, как это имеется для разработчиков техники и технологических процессов. Ограничимся лишь некоторыми вопросами, возникающими в связи с задачей проектирования деятельности.

Прежде всего отметим, что при разработке новой техники и технологии далеко не всегда их создатели ясно отдают себе отчет о том, какой будет деятельность человека. Поэтому иногда встречаются такие варианты, которые требуют от человека жесткой и однозначной последовательности действий. Человек ставится в режим автомата. Эти варианты неэффективны. Техника и технологические процессы должны проектироваться с таким расчетом, чтобы обеспечивать для человека, образно говоря, некоторое число степеней свободы в реализации деятельности.

В связи с проектом деятельности должен решаться также и вопрос об автоматизации тех или иных звеньев производственного процесса. Очевидно, в первую очередь необходимо передавать автоматам однообразные шаблонные, примитивные функции, вызывающие у человека чувство монотонности и раннее развитие утомления.

На начальном этапе проектирования деятельности очерчивается круг задач, которые поручаются человеку. Но этим проект деятельности не исчерпывается. Важнейшая его часть — определение психологических «составляющих»: условий формирования образа-цели, концептуальной модели, планирования, принятия решений и антиципации, а также сигналов образной связи. Здесь решаются вопросы о том, какая информация должна передаваться человеку в процессе деятельности, какую ему необходимо хранить в памяти, как часто будут приниматься решения и какого уровня сложности, какая «глубина» антиципации требуется и т. д. На этой основе определяется предполагаемый состав действий и решается, какие из них должны быть доведены до уровня навыков, а в отношении каких это нецелесообразно. Особенно важно выявить в общем процессе деятельности «зоны», требующие творческих решений.

Проект деятельности должен также предусматривать пути формирования у человека умения планировать собственную деятельность и управлять собственными резервами. Этот проект должен быть основой для решения  {103}  конкретных вопросов, касающихся выбора средств и способов передачи информации человеку, организации его рабочего места и т. д., и определять выбор путей, методов и средств обучения и тренировки человека.

Проблемы подготовки человека к операторской деятельности — особая область исследований, в которой инженерная психология смыкается с педагогической. В разработке этих проблем нередко ограничиваются исследованием закономерностей формирования навыков и умений, необходимых оператору. Это, конечно, очень важная задача, но профессиональная подготовка оператора к ней не сводится. На основе проекта деятельности должны разрабатываться также приемы обучения оператора индивидуальному планированию, антиципации, саморегуляции и самоконтролю. Целостное представление о структуре деятельности и на этой основе ее проектирование ставят также задачу формирования и развития у будущего оператора соответствующих целей и мотивов, раскрытия общественного значения его деятельности. Здесь мы передадим в область проблем личности.

Подготовка оператора (и любого другого специалиста) не ограничивается только формированием у него определенной системы знаний, умений и навыков. Важнейшая задача подготовки — формирование и развитие личности. В статье основное внимание было уделено рассмотрению индивидуальной деятельности оператора. Но современная техника управляется коллективами операторов. Это ставит проблему их совместной деятельности и общения.

Таковы (конечно, в самых общих чертах) проблемы, возникающие перед психологией в результате научно-технического прогресса. Практические задачи согласования техники с управляющим ею человеком требуют развертывания фундаментальных исследований психических процессов, состояний и свойств. Эти исследования предполагают связь психологии с другими науками: с физиологией и генетикой человека, с социологией и педагогикой. Область исследований деятельности человека, управляющего техникой, открывает возможности объединения общественных, естественных и технических наук.

Научно обоснованное решение задачи согласования техники и человека может дать (и на самом деле дает) экономический эффект. Но еще более важно, что решение этой задачи служит делу сохранения психического здоровья и трудоспособности людей.

ПРАКТИЧЕСКИЕ РЕШЕНИЯ

СОВРЕМЕННЫЕ ПРОБЛЕМЫ
РОБОТИЗАЦИИ
И. М. МАКАРОВ

В постановлении ЦК КПСС «О мерах по увеличению производства и широкому применению автоматических манипуляторов в отраслях народного хозяйства» подчеркивалось, что очень важно осуществить развернутую программу работ в этой области, используя возможности отечественной науки и техники. Предстоит разработать комплексную программу научно-исследовательских работ на 1981—1990 гг. по созданию и освоению автоматических манипуляторов для их применения в машиностроении, угольной и горнодобывающей промышленности, черной и цветной металлургии, в сельском хозяйстве, строительстве, отраслях легкой и пищевой промышленности, в транспорте¹.

Почему назрела острая необходимость для народного хозяйства в многообразных роботах и манипуляторах?

Потому что роботы — это «сгусток» всего нового и новейшего, что дала научно-техническая революция для автоматизации. Они вобрали в себя: теоретические достижения технической кибернетики и ее практические успехи; положения теории информации и теории управления; новую элементную базу автоматизации и вычислительной техники; сверхчувствительные минидатчики; малогабаритные приводы. Робототехника по праву занимает место правофлангового в современном промышленном производстве.

В соответствии с программой Государственного комитета СССР по науке и технике заложены основы технической базы роботизации. Наука и промышленность разработали и создали интересные модели промышленных роботов, а общий их парк в стране весьма значителен.  {106} 

Все роботы довольно четко можно разграничить по сфере деятельности.

Широк спектр применения роботов с дистанционным управлением: от осуществления технических операций, которые почему-либо невозможно автоматизировать традиционными способами, до работы в условиях, непригодных для человека, например при крайне низких и высоких температурах, при радиоактивности, в химически активных зонах, в открытом космосе и при исследованиях Мирового океана. С помощью промышленных роботов штампуют, шлифуют, сваривают, сортируют, переносят изделия. И делают это во многих отраслях промышленности, сочетая в работе высокую точность и высокую производительность.

В основном промышленные роботы — манипуляторы, осуществляющие «ручную» работу. Но есть и такие, которые решают информационные задачи, с помощью датчиков собирают и накапливают информацию и предъявляют ее по первому требованию.

Роботы-«интеллектуалы» автоматически выполняют операции, связанные с деятельностью, считавшейся всегда присущей только человеку. К ним с полным основанием можно отнести автоматические системы чтения чертежей и проектирования, системы оценки сложных мероприятий, автоматический библиограф и, безусловно, «сочинителей» музыкальных и стихотворных композиций.

Роботы трех поколений

За не столь долгую историю промышленных роботов их принято делить на представителей нескольких поколений в зависимости от типа систем управления.

К первому поколению относятся роботы с программным управлением. Это «жесткие» роботы, роботы «от и до»: они делают только то, что заложено в программе.

Второе поколение — роботы с адаптивным управлением. Они более «покладисты», более «гибки». Их научили «чувствовать» и благодаря этому приспосабливаться к лучшему выполнению своей задачи.

Наконец, в роботах третьего поколения для управления использованы средства технической имитации человеческого интеллекта.

Даже учитывая условность такой классификации, трудно освободиться от ощущения резкой градации, отделяющей одно поколение от другого, — градации, которая  {106}  с поразительной наглядностью показывает, как идут к созданию «умного» робота и какие успехи уже достигнуты.

Правда, слово «поколение» в применении к роботам имеет своеобразную окраску. Оно подразумевает не смену, не замену одних систем другими, а их развитие, совершенствование, оптимизацию. И обязателен учет, где, когда, какого поколения роботы выгодно и желательно использовать. Ведь запросы промышленности настолько разнообразны, что «бок о бок» могут работать представители всех трех поколений. И каждое из них должно развиваться и совершенствоваться. Как?

Когда вопросы касаются робототехники, нельзя ждать однозначного ответа. Всегда есть несколько способов, несколько методов, несколько подходов. Потому-то и бытует здесь несколько противоестественное на первый взгляд понятие — многоальтернативное решение проблем развития робототехнических систем.

Возьмем программное управление роботами первого поколения. Все они обладают главным недостатком — в процессе работы трудно осуществлять гибкое перестроение программы. Где искать пути эволюции метода?

Один из путей — ориентация программы на специфические свойства прикладных задач. Допустим, встречается ситуация, когда оптимально управлять процессом можно, лишь оценивая само управление. Значит, надо идти на усложнение программы, чтобы использовать ее не только для выбора способа управления, но и для его оптимизации.

Второй путь — закрепить программные методы за определенным уровнем иерархии управления, т. е. создать программы, ориентированные, направленные на конкретные типы оборудования или технологические процессы. В таких случаях конкретность, четкость, устранение «шатаний» в поисках — уже оптимизация.

А проблемы так называемого очувствления роботов второго поколения? Задач совсем не меньше.

Сама проблема «чувствующих» робототехнических систем родилась из сложного. Надо было найти решение, как достичь высоких точностей роботов-манипуляторов без использования технических аналогов биологических органов чувств, как заставить роботов «чувствовать по-своему», а не по-человечески.

Появившееся разнообразие сенсорных устройств дало возможность строить адаптивные системы управления,  {107}  умеющие получать сведения о внешней среде, анализировать их и приспосабливаться к обстановке. Казалось бы, вопрос предельно ясен: чтобы кардинально решить проблему очувствления, надо все разнообразие сенсорных устройств скрепить одним «стержнем» — как воспринимать окружающий мир. И конечно, таким стержнем призвана стать теория распознавания образов. Но эта ясность обычно затуманивается, стоит только начать расписывать задачу для конкретной реализации, для разных условий применения роботов.

Немало трудностей преодолели, немало копий сломали, прежде чем пришли к принятому ныне разделению на синтаксическое, оптико-спектральное и резолюционное распознавание образов.

Первый способ лучше применять, если удается адекватно реальности описать образ на специальном языке. Оптико-спектральный метод проявляет свои преимущества в системе медленного и полного обзора объектов, с которыми работ работает, например, при сортировке. А резолюционный, напротив, хорошо зарекомендовал себя в условиях дефицита времени на обзор объекта, когда робот «вынужден» пользоваться сжатым объемом данных.

Но, бесспорно, более всего трудностей в проблеме «управление и интеллект» — центральной в исследованиях по созданию целенаправленно действующих робото-технических систем.

И опять-таки к решению и этой задачи идут не одним путем. Два сравнительно независимых метода — нейро-кибернетический и семиотический — дают разные и интересные результаты.

Нейрокибернетический подход основывается на моделировании механизмов работы нервной системы.

Для них, как известно, характерна иерархическая обработка информации. Именно такой принцип и положен в основу действия нейроподобных структур, управляющих транспортным роботом и роботом-экскаватором.

Решение же сложных задач автономного — самостоятельного — целенаправленного действия робототехнических систем требует своеобразного симбиоза процессов восприятия, формирования понятий, обобщения, планирования действий, реализации поведения. Такой робот должен уметь осмысливать сенсорную информацию, сравнивать ее со своими знаниями и действовать, исходя из сравнения. Умение столь высокого уровня реализуется с помощью семиотических сетей, которые формируют  {108}  внутреннее представление, устанавливая отношения между понятиями и свойствами таких отношений. Систему как бы учат обобщать, формируя понятия более высокого уровня из простых, а для этого в нее вводят знания с различными уровнями детализации.

Именно семиотическому подходу к проблеме искусственного интеллекта мы обязаны появлением роботов с ограниченным речевым общением, иными словами, понимающих наш человеческий язык в пределах определенной темы и способных давать на нем ответы. Семиотические принципы реализованы в системах, доказывающих математически сформулированные утверждения, а также в решающих и планирующих системах.

Самостоятельность каждого из подходов отнюдь не доказательство их изолированности. При решении практических задач не только можно, но и нужно сочетать нейрокибернетические методы — для непосредственной обработки сенсорной информации — и семиотические — для аналитической ее обработки и преобразований.

Механика, кинематика, динамика и роботы

Пока мы касались проблем, так сказать связанных с начинкой «головы» роботов, — управления их действиями. Но у роботов, естественно, существуют и рабочие органы, а значит, и проблемы, с ними связанные. Ученые говорят о совершенствовании механики, кинематики, динамики роботов при разработке их исполнительной элементной базы — приводов и рабочих органов.

И здесь что ни вопрос, то неоднозначный ответ.

Например, какой тип привода будет преобладать в будущих роботах: гидравлический, электрический, пневматический?

Если рассматривать такие характеристики, как максимальный нагрузочный момент на привод, быстродействие при обработке управляющих воздействий, допустимое число позиций при операциях, точность позиционирования, то несомненны преимущества гидравлического привода. Робот с таким приводом обладает большой грузоподъемностью (свыше 100 кгс), высокими максимальной скоростью перемещения груза (до 1,5—2 м/с) и точностью позицирования (менее 1 мм).

Однако для точного машиностроения требуются легкие и компактные роботы с минимумом дополнительного оборудования, значит, с электрическим приводом. Для  {109}  робота, используемого в условиях химической активности или взрывоопасности, когда не допускается тепловое или электрическое аккумулирование или распределение энергии, наиболее целесообразна струйная техника с пневмо-энергетикой.

Поэтому при решении проблемы совершенствования рабочих органов робототехнических систем правильнее обсуждать вопросы не по принципу «или тот, или другой», а говорить о наиболее разумной пропорции по распределению условий в развитии всех трех направлений.

С рабочими органами роботов связан наиболее известный неспециалистам вопрос: копировать или не копировать человека. Надо признаться, это отнюдь не эмоциональное или эстетическое отношение к наисовременнейшим нашим помощникам, не из-за этого антропоморфизм роботов на протяжении многих лет служит предметом обсуждения. Суть дела — в целесообразности, оптимальности роботов. Здесь корень вопроса.

Бесспорно, гибкость и адаптивность естественного манипулирования остаются во многих отношениях недостижимыми идеалами при разработке роботов. Не сравнить угловатость, резкость, неуклюжесть жесткого схвата манипуляторов с пластичностью, плавностью, экономностью движений руки. Но тут же возникает другой вопрос: всегда ли и везде ли нужно такое совершенство манипуляций? И оказывается, далеко не всегда и далеко не везде. Значит, можно и не добиваться антропоморфизма. Мало того, часто приходится думать, как добавить роботу то, чем человек не обладает, как научить делать то, чего сам человек делать не может.

Поэтому, скорее всего, остановятся на «комбинированном» подходе. Робот совместит рабочие органы — аналоги человеческих с усложненными структурами сенсорно-информационных систем. Уже существуют роботы, которые, например, не только видят свет, слышат звуки, ощущают тепло, замечают препятствия и ловко их обходят, но и реагируют на радиоактивность, малейшие изменения давления и т. п.

Роботы и информация

И еще одна кардинальная проблема роботов — обработка информации. Почему?

Массовое применение робототехнических систем — прежде всего коллективная концентрация сложнейшей  {110}  техники. Группы роботов и манипуляторов вместе с аппаратурой телекоммуникации, координации и управления располагаются в границах весьма значительных производственно-технологических объемов. Поэтому первейшее условие функционирования роботов — обработать необычайно насыщенный коллективный поток информации. Потому-то и приходится подчас перекладывать тяжесть по ее обработке с «плеч» робота на ЭВМ. Конечно, это выход из положения. И до появления микропроцессоров другого не было.

Микропроцессор — термин сегодня часто употребляемый. И создается впечатление, будто существует единый взгляд на принципы построения и работы сверхминиатюрного вычислительного устройства. Но в действительности в развитии микропроцессоров наблюдаются две достаточно обособленные тенденции, которые разделили микропроцессоры на два подкласса: малые ЭВМ и блоки функционального назначения.

На второй подкласс и обратили внимание создатели робототехники. Их прельстило здесь многое: и то, что блоки выполняются в виде интегральных схем функционального назначения; и то, что они используются, когда в решаемых задачах преобладают логические операции; такие схемы пригодны к «встраиванию», «прилаживанию»; в них упрощен процесс программирования.

Следовательно, блоки функционального назначения могут выполнять роль «интеллектуальной» приставки к роботу, выполняющему рутинные, часто повторяющиеся операции. А где решение задач сопровождается большими объемами нестандартных вычислений, там наиболее целесообразны микропроцессоры другого подкласса — малые ЭВМ.

Введенные в обиход робототехники микропроцессоры повлияли на организацию обработки информации. До них была только одна возможность — централизованный способ. Задачи решались на основе одной базы данных и единого языка программирования. При таких условиях уже небольшая по сложности задача требовала ЭВМ высокого быстродействия, эффективной операционной системы, большого объема памяти, языка программирования высокого уровня. Подобная централизованная система — уникальный комплекс, в котором процесс программирования и решения собственных задач «перевешивает» по сравнению с теми, что получены от «заказчика». Отсюда  {111}  ее ограниченная гибкость, следовательно, затрудненность применения для робототехники.

Особенности микропроцессоров позволили создать принципиально новую организацию обработки информации. Она получила название распределенного способа: информация автономно обрабатывается по узлам системы.

Преимуществ у такого метода много. Главные из них — более полное соответствие принципу групповой организации робототехники; параллельное решение задач в реальном или ускоренном масштабе времени; возможность быстро изменять процесс управления и математическое обеспечение в зависимости от изменения приложений робота (разных его «профессий»); способность сохранять надежность и живучесть системы при отказе отдельных частей оборудования.

Но есть у нового метода и недостаток: затрудненность Координации совместной работы отдельных звеньев системы.

Потому-то столь естественным стало желание ученых объединить достоинства централизованного и распределенного способов обработки информации. Так родился перспективный для робототехники распределенно-централизованный метод, базирующийся на иерархическом принципе.

Итак, вместо одного подхода в обработке информации мы сейчас располагаем тремя и имеем возможность выбирать, когда какой из них признать оптимальным.

Централизованный способ, когда с роботом работает большая ЭВМ, целесообразен, если управляемый процесс трудно расчленить на отдельные компоненты, например, в химической технологии, или существует естественная последовательность зависимых этапов при управлении, как в технологии строительства индустриальными методами.

Распределенная обработка данных целесообразна, когда весь управляемый процесс легко распадается на отдельные операции, а их последовательность не имеет решающего значения для процесса в целом, как, например, технология производства полуфабрикатов и комплектующих изделий в электронной промышленности.

Когда же управляемый процесс хотя и допускает членение на операции, но они тесно связаны между собой, — а это характерно для подавляющего большинства случаев применения роботов — обращаются к распределенно-централизованному методу обработки информации.  {112} 

Роботы и труд людей

И в заключение еще один аспект проблемы современных роботов, мимо которого мы сегодня не вправе пройти: их социально-экономическое значение, влияние на жизнь общества.

Роботы заменяют человека на физически тяжелых и вредных для здоровья работах, освобождая одновременно людей, занимавшихся ранее такой деятельностью. Это первое. Второе — в возможностях расширения границ сферы труда за пределы доступных для человека сред.

Но главное все-таки в другом. Социально-экономическая эффективность роботизации даже в областях производства с физически тяжелым, монотонным трудом определяется не только количеством освобожденного персонала. Большее ее значение в преимуществах, которые роботы предоставляют для устранения дефицита трудовых ресурсов в производстве вообще: в повышении привлекательности труда и увеличении доли творческого начала в нем. А это не может не привести к повышению общей культуры производства.

Конечно, очень важно создать хороший, надежный «умный» робот. Но еще важнее учитывать, как он соотнесется с делами людей, что нового привнесет в их жизнь, как скажется его помощь в совершенствовании социалистического производства.

Надо ли говорить, что освобождение человека от неблагоприятных условий труда, надежность техники безопасности, рост культуры производственной деятельности отвечает самой сущности нашего социалистического общества? Ведь забота о человеке, стремление создать наиболее благоприятные условия для его всестороннего развития — вопрос вопросов нашей жизни.

ПРОБЛЕМЫ СУПЕР-ЭВМ
А. П. КОЧУР

Современная научно-техническая революция вызывает непрерывное повышение требований к вычислительной мощности средств обработки информации, создавая непреходящую проблему достижения рекордных, практически предельных для своего времени показателей производительности ЭВМ.

Разработка более прогрессивных ЭВМ рассматривается

Общая тенденция развития мирового парка ЭВМ

сейчас как одно из главных направлений в создании вычислительных систем. Это направление соответствует ведущим тенденциям современной отечественной и мировой науки.

Сегодня супер-ЭВМ — это самые большие, самые быстрые, наиболее сложные и наиболее дорогие вычислительные машины, предназначенные для решения сверхсложных научно-технических задач с крайне большими объемами вычислений.

Супер-ЭВМ — представитель сравнительно нового, весьма динамично развивающегося класса сверхмощных вычислительных систем. Чтобы уяснить существующие темпы и тенденции развития супер-ЭВМ, достаточно взглянуть на выразительный график (см. рисунок), отражающий общую тенденцию развития мирового парка ЭВМ по классам (1960—1980 гг.).

По оценке американских специалистов, развитие ЭВМ в 80-е годы будет определяться, в частности, и дальнейшим увеличением спроса на ЭВМ высокой и сверхвысокой производительности — на так называемые «большие» машины, к которым принадлежат и супер-ЭВМ. Хотя эти машины сейчас составляют лишь небольшую часть общей численности парка ЭВМ, однако именно на эти машины приходится заметная часть суммарной производительности и общей стоимости всего парка.

Сегодня уже очевидно, что спрос на супер-ЭВМ не случаен, скорее даже закономерен. На первых этапах развития вычислительной техники разработчики при оценке эффективности ЭВМ руководствовались правилом,  {114}  согласно которому производительность ЭВМ пропорциональна квадрату их стоимости. Однако по мере совершенствования технологии производства вычислительных машин и их структурной организации оказалось, что производительность растет значительно быстрее. Этим и объясняется повышенный интерес к самым дорогим ЭВМ. Все говорит за то, что их производство будет расти и дальше. Как ожидается, большие ЭВМ и в последующие годы будут заметно преобладать над другими классами и по стоимости, и по суммарной вычислительной мощности.

Поскольку стоимость ЭВМ в значительной степени отражает их технические возможности, довольно популярной стала классификация ЭВМ именно по их стоимости. Классификация по стоимости — тривиальный, но достаточно верный метод по мнению многих специалистов.

Естественно, более высоким уровнем современной классификации ЭВМ была бы классификация с учетом важнейших функциональных характеристик систем. Однако оценка эффективности вычислительных систем, особенно таких сверхсложных, как супер-ЭВМ, все еще остается одной из наиболее сложных и так и не решенных проблем современной вычислительной техники.

Для тех, кто занят практическими проблемами, ясно, что развитие производства супер-ЭВМ необходимо. Сейчас только в США более десяти больших фирм занимаются производством супер-ЭВМ, причем две из них — «Amdahl» и «Cray Research» — специализируются исключительно на выпуске сверхмощных ЭВМ, успешно конкурируя в этой области с гигантом вычислительной техники — фирмой IBM.

Сегодня разработчики и потребители уже говорят не только о супер-ЭВМ — сверхбыстрых современных компьютерах, но и о супер-мини- и о супер-микро-ЭВМ — самых совершенных машинах в популярных и наиболее распространенных в настоящее время классах мини- и микро-ЭВМ.

Термин «суперкомпьютер» применительно к сверхбыстрым ЭВМ впервые появился в середине 60-х годов, однако первые суперкомпьютеры заявили о себе только в начале 70-х годов. К тому же времени относятся и первые попытки изучения и систематизации этого нового класса ЭВМ. Например, в 1972 г. в научных трудах Американской федерации обществ по обработке информации (AFIPS) появилась серия оригинальных статей под общим названием «Суперкомпьютер: настоящее и будущее»,  {115}  посвященных проблемам создания, применения и развития первых супермашин.

Этот интерес носил скорее исследовательский, чем практический, характер, и вначале мало кто предполагал, что вскоре потребуется серийное производство и непрерывное совершенствование супер-ЭВМ. Сегодня же с учетом всевозрастающих требований научно-технической революции на повестке дня уже стоит вопрос о необходимости создания машин, более чем во сто крат превосходящих по своим вычислительным возможностям лучшие современные супер-ЭВМ.

Стремительное развитие вычислительной техники, особая роль и значение целой индустрии переработки информации закономерно привели к непрерывной смене поколений ЭВМ. Это постоянно оказывает заметное воздействие на ход развития всей вычислительной техники. Рассматривая сегодня ЭВМ суперкласса — супер-мини-, супер-микро- и супер-ЭВМ — нельзя не заметить, что прежде всего самые быстродействующие из них суперЭВМ — качественно новое явление в современной вычислительной технике, явление, требующее к себе пристального внимания и всестороннего изучения.

Став отправной точкой для многочисленных отечественных и зарубежных прогнозов развития вычислительной техники, супер-ЭВМ позволяют сегодня наглядно проследить перспективы и темпы дальнейшего роста производительности современных вычислительных систем, дают возможность полнее выявить и оценить весь комплекс сложных и часто противоречивых требований, предъявляемых к разрабатываемой в настоящее время элементной базе, архитектуре и программному обеспечению сверхбыстрых ЭВМ ближайших поколений.

В частности, непрерывное улучшение переключательных характеристик современных полупроводниковых интегральных схем, компоненты которых практически работают уже в субнаносекундном диапазоне, естественно приближает их к своему теоретическому пределу быстродействия, определяемому скоростью света. По некоторым оценкам, физические границы современных полупроводников при существующих темпах их совершенствования могут быть достигнуты уже к концу 80-х — середине 90-х годов.

Поэтому важным фактором качественного улучшения вычислительных возможностей средств вычислительной техники считаются поиски новых физических принципов  {116}  создания более совершенной элементной базы будущих вычислительных систем новых поколений.

А темпы совершенствования супер-ЭВМ поистине захватывающи. Кажется, еще совсем недавно производительность в миллион операций в секунду представлялась фантастической даже для самих разработчиков ЭВМ, а теперь уже мало кого удивишь скоростью в десятки миллионов операций в секунду. К моменту подготовки этой статьи рекорд производительности, по американским данным, принадлежал новому суперкомпьютеру, осуществляющему 800 миллионов операций в секунду. Но и это далеко не предел. В настоящее время специалисты во всем мире усиленно работают над дерзкими проектами создания сверхновых вычислительных систем, которые смогут выполнять миллиарды и даже десятки миллиардов операций в секунду, а для последующих поколений ЭВМ можно ожидать гигантские скорости — до 10²⁰ операций в секунду.

А ведь создание новых, все более быстрых ЭВМ — это далеко не простое дело. Разработка и серийное производство современных супер-ЭВМ при таких высоких темпах их развития крайне сложная и трудоемкая задача, требующая решения многих научно-технических и организационных проблем и значительных капитальных затрат. Только в США общие расходы на вычислительную технику приближаются сейчас к 50 миллиардам долларов — добрая половина из них приходится на ЭВМ высокой и сверхвысокой производительности. Становится очевидным, что развитие такой дорогостоящей техники особенно остро ставит проблемы, связанные с повышением эффективности ее практического использования и дальнейшего совершенствования.

Супер-ЭВМ в основном используются сейчас в сетях ЭВМ и системах коллективного пользования, где наиболее полно реализуются огромные вычислительные возможности этих машин. Отход от централизованной обработки информации и переход на распределенную обработку снимает лишь некоторые из острых проблем эффективности применения больших ЭВМ.

В последние годы в связи с курсом на распределенную обработку информации наметилась некоторая поляризация в развитии производительности разрабатываемых вычислительных машин. Параллельное развитие больших и малых ЭВМ и их совместное использование представляют собой сейчас взаимосвязанные и взаимодополняющие  {117}  процессы. Так, бурный прогресс в классе мини-ЭВМ при особом акценте на «супер-мини» стал заметным фактором, способствующим форсированной разработке больших и сверхбольших ЭВМ и усиливающим характерный для нынешнего развития вычислительной техники эффективный симбиоз больших и малых компьютеров в сетях ЭВМ коллективного пользования, где супер-ЭВМ — главные, центральные элементы. При этом стоит подчеркнуть, что развитие сетей ЭВМ и систем коллективного пользования рассматривается сейчас как важнейший этап в решении проблем значительного повышения эффективности использования современных средств вычислительной техники.

Анализируя проблемы и перспективы развития вычислительных систем, следует подчеркнуть экономичность и перспективность использования мини-ЭВМ, получивших широкое распространение. Однако пока они непригодны для решения современных сверхсложных научно-технических задач, требующих больших вычислительных мощностей и высокой производительности.

Децентрализация вычислений и микропроцессорная революция в вычислительной технике, способствовавшая появлению дешевых быстродействующих однокристалльных микропроцессов (с программируемой структурой и полупроводниковыми запоминающими устройствами), наводят на мысль о возможности создания оригинальных матричных структур (состоящих из сотен и тысяч функционально связанных между собой микропроцессорных элементов) которые могли бы составить конкуренцию дорогостоящим крупным суперкомпьютерам.

Эта заманчивая идея, как оказалось, требует для своей реализации решения многих научно-технических проблем, а не только простого соединения вместе уникальных по своим возможностям микропроцессоров, называемых сейчас все чаще универсальными компонентами будущих ЭВМ. Для согласованной работы сотен, а то и тысяч соединенных между собой микропроцессорных элементов, как правило, требуется еще и так называемый спецпроцессор, обеспечивающий синхронизацию взаимодействия отдельных компонентов такой (гипотетической пока) суперструктуры. Расчеты показывают, что производительность спецпроцессора должна быть на два-три порядка выше производительности отдельных управляемых им элементов системы, что, по сути, часто сводится к необходимости создания или использования все той же супер-ЭВМ.  {118} 

Одним словом, проблемы супер-ЭВМ в значительной Степени связаны сегодня с основными тенденциями, особенностями и перспективами развития современных средств вычислительной техники. Кроме того, следует иметь в виду естественную, непрерывную и усиливающуюся тенденцию к интеграции средств обработки данных и систем связи новых поколений, — тенденцию, которая уже проявляется в наше время при комплексном системном подходе к разработкам и внедрении высокоэффективных методов цифровой связи.

Именно на примере супер-ЭВМ — вычислительных систем сверхвысокого быстродействия, имеющих для уникальных применений наиболее оптимальные соотношения производительности и стоимости, — ярче всего проявляются многие общие научно-технические проблемы в современной вычислительной технике — проблемы рационального производства и использования ЭВМ, проблемы их надежности в особо ответственных ситуациях.

Супер-ЭВМ представляют собой емкий сплав совершенной элементной базы, изощренной архитектуры и изысканнейшего программного обеспечения.

КАК СОЗДАТЬ ОПТИЧЕСКИЙ «МОЗГ»
В. М. ЗАХАРЧЕНКО, Г. В. СКРОЦКИЙ

Успехи нейрофизиологии за последние годы во многом прояснили принципы работы мозга — самого сложного и загадочного из известных нам явлений природы. По словам известного американского ученого Д. Хьюбела: «... в последнее десятилетие нейробиология стала одной из самых активных отраслей науки. Следствием этого недавно явился подлинный взрыв открытий и прозрений»¹

С другой стороны, 70-е годы характеризовались бурным развитием микроэлектроники, оптоэлектроники и техники оптической обработки информации. Поэтому естественны и закономерны предпринимаемые попытки использовать достижения современной техники и технологии для моделирования работы мозга и создания на этой  {119}  основе принципиально новых систем обработки информации. Так, сочетание возможностей оптоэлектроники и некоторых методов оптической обработки информации позволило предложить и обосновать новую идею — идею создания оптического мозга.

Как известно, мозг состоит из нервных клеток — нейронов, связанных между собой отростками нейронов и межнейронными соединениями — синапсами. По последним данным, в мозгу не менее 5 · 10¹⁰ нейронов. Несмотря на их огромное количество, тела нейронов занимают всего несколько процентов общего объема мозга. Все остальное пространство занято межнейронными связями — нервными волокнами микронной и субмикронной толщины. Каждый нейрон коры головного мозга имеет до нескольких десятков тысяч связей, по которым приходят сигналы от других нейронов. Если суммарный эффект воздействия этих сигналов превышает порог срабатывания нейрона, то он возбуждается и генерирует выходной сигнал. У нейрона выход только один, но он разветвляется на множество связей, идущих к другим нейронам. Коэффициенты передачи сигнала связей неодинаковы (и по значению, и по знаку), поэтому на другие нейроны приходят совершенно разные сигналы. Нейроны можно сравнить с диспетчерскими пунктами, принимающими и распределяющими сигналы, приходящие по межнейронным связям. Таких связей в мозгу не менее 10¹⁴. Понимание того, что синапсы относятся к основным структурным компонентам мозга, в первую очередь определяющим его функциональные характеристики, является одним из наиболее существенных выводов, сделанных нейрофизиологами. В подтверждение можно привести высказывание известного нейрофизиолога Э. Кэндела: «По убеждению многих нейробиологов в конце концов будет доказано, что уникальные свойства каждого человека — способность чувствовать, думать, обучаться и помнить — заключены в строго организованных сетях синаптических взаимосвязей между нейронами головного мозга»².

Большую часть мозга, приблизительно 1000 см³ из 1400 см³, занимает кора головного мозга. Она собрана в складки и имеет толщину около 3 мм. Вся площадь коры разбита на функциональные зоны обработки информации: зрительной, слуховой, моторной и т. д. В свою очередь, функциональные зоны разбиты на модули  {120}  площадью в доли квадратного миллиметра и высотой, равной толщине коры. Каждый модуль отвечает за обработку определенного вида сигналов, поступающих от определенных рецепторов, например участка сетчатки глаза.

Огромное разнообразие поступающей в мозг от органов чувств информации о свойствах окружающей среды отображается на множестве нейронов коры головного мозга. В зависимости от параметров поступающего сигнала и от положения его в пространстве возбуждаются те или иные участки коры. Организация коры но вертикали послойная. Каждый нейрон одного слоя связан преимущественно с нейронами другого слоя. Ансамбль возбужденных нейронов одного слоя посылает сигналы к другому слою, во втором слое также возникает ансамбль возбужденных нейронов и т. д. Каждый модуль коры представляет собой локальную нейронную сеть, которая трансформирует информацию, передавая ее со входа на выход.

В такой упрощенной до предела модели мозга проблему разработки его искусственного аналога в техническом плане можно разделить на две части: создание искусственных нейронов и реализация пространственной структуры из десятков и сотен триллионов межнейронных связей.

Разработаны различные электронные модели нейронов. С помощью современной интегральной технологии всегда можно изготовить их в достаточном количестве. Воссоздать пространственную структуру связей нейронов — задача несравненно более трудная. В богатом арсенале технологии производства микроэлектронных схем нет методов, позволяющих создавать системы, каждый элемент которых имел бы тысячи и десятки тысяч связей с другими элементами системы. Причем не просто связи, а такие, каждая из которых обладает своей собственной индивидуальной проводимостью. Чтобы реализовать сложнейшую пространственную структуру из огромного числа переплетающихся связей, необходимы принципиально новые решения.

Реальный практический путь решения этой проблемы лежит в оптическом моделировании нейронных структур. Световые лучи не взаимодействуют между собой, и поэтому полностью снимаются ограничения на плотность насыщения пространства оптическими каналами связи и геометрию их расположения. Для такого моделирования может быть использована техника, созданная в процессе разработки голографической памяти. С большими или  {121}  меньшими изменениями могут быть использованы почти все многочисленные варианты голографической памяти, существующие на сегодняшний день. Например, в основу первой экспериментальной модели нейронной сети была положена наиболее распространенная схема голографического запоминающего устройства с газоразрядным лазером, дефлектором луча и прямоугольной матрицей голограмм. Наиболее перспективна для создания оптических моделей нейронных систем техника, использующая возможности интегральной технологии микро- и оптоэлектроники. Поэтому рассмотрим в качестве примера оптическую нейронную сеть с голографической памятью на основе матриц полупроводниковых лазеров.

Информация в такой памяти записывается на светочувствительной среде в голограммах (диаметром до 1 мм), собранных в матрицы. Перед матрицей голограмм расположена матрица полупроводниковых лазеров. Луч лазера, проходя через голограмму, расщепляется на множество световых лучей, расположение и интенсивность которых зависят от информации, записанной на голограмме. За матрицей голограмм на некотором расстоянии расположена матрица фотоэлементов, регистрирующих световые сигналы.

Теперь представим, что каждый лазер — это выход определенного нейрона. Его выходной сигнал — луч — расщепляется в голограмме на множество световых связей — лучей, идущих к входам нейронов следующего слоя — фотоэлементам. Световые связи различны по своему весу — интенсивности луча. Все световые сигналы, идущие к определенному нейрону, суммируются фотоэлементом, выходной сигнал которого пропорционален этому суммарному сигналу на входе. Итак, вход нейрона — это фотоэлемент, а выход — лазер плюс голограмма с записанным на ней веером связей этого нейрона со всеми нейронами следующего слоя. Остается соединить вход с выходом, поместив между ними пороговый элемент, и мы получим модель нейрона.

Расположим за матрицей фотоэлементов голографической памяти еще одну такую же так, чтобы сигналы фотоэлементов первой памяти управляли излучением матрицы полупроводниковых лазеров второй. За ней поместим третью память и т. д. В результате получим периодическую структуру, эквивалентную последовательности нейронных слоев мозга. Здесь так же, как и в мозгу, поступившая на вход информация передается от слоя  {122}  к слою, проходя все более высокие ступени обработки, программа которой определяется только структурой связей, записанных на голограммах. Плотность этих связей равна плотности записи информации на голограммы и составляет около 10⁴ связей на 1 мм².

Чтобы изменить систему связей, достаточно заменить блок голограмм другим. Таким техническим преимуществом не обладает даже мозг, созданный природой. Правда, он обладает другим преимуществом. Все межнейронные связи мозга гибкие, они могут изменяться в процессе обучения человека, накопления им жизненного опыта. Оптический же мозг заранее обучен, все знания его заключены в сменных блоках голограмм, в записанных на них структурах синаптических взаимосвязей. Если ставить задачу создания полного аналога человеческого мозга, то такие отличия, конечно, являются недостатком. Если же иметь в виду технические применения искусственных нейронных систем, например в робототехнике, где требуется возможность серийного производства и быстрой смены программы поведения робота, то эти отличия становятся преимуществом.

Описанная система обладает еще одним достоинством — модульностью построения, причем модулем является блок голографической памяти. Рассмотрим возможные параметры такого модуля. Плотность записи связей на голограммы может достигать 10⁶ связей на один квадратный сантиметр. Это означает, что на пластинке площадью 1 см² можно записать 10³ голограмм, каждая из которых имеет 10³ связей, соединяющих 10³ выходов нейронов одного слоя с 10³ входами нейронов следующего слоя. Возможности современной технологии позволяют изготовить матрицу из 10³ лазеров на площади 1 см². А матрица из 10³ фотоэлементов на площади 1 см² для современной интегральной технологии уже пройденный этап. Задача облегчается тем, что ни лазерные матрицы, ни матрицы фотоэлементов не имеют внешних электрических связей, кроме, конечно, питания.

Следовательно, рассмотренный модуль, назовем его оптонейронным, эквивалентен слою из тысячи нейронов с миллионом межнейронных связей, содержит матрицу из тысячи полупроводниковых лазеров, матрицу из тысячи фотоэлементов и имеет вид куба со стороной в 1 см. Время срабатывания элементов модуля не более 10^–6 с, а число его элементов приблизительно соответствует числу нейронов в одном слое нейронного модуля коры головного  {123}  мозга. Из модулей, как из кубиков, можно складывать сложные нейронные структуры.

Попробуем оценить размеры оптонейронной модели мозга, содержащей 5 · 10¹⁰ нейронов и 5 · 10¹³ межнейронных связей. Для построения такого оптического мозга потребуется 5 · 10⁷ модулей по тысяче нейронов с общим объемом 50 м³. Объем современных ЭВМ со всем комплектом оборудования примерно такой же. Конечно, по сравнению с человеческим мозгом, имеющим объем около 1,4 дм³, оптический мозг проигрывает приблизительно в 3 · 10⁴ раз. Но не надо забывать, что по быстродействию элементов, а следовательно, и по вычислительной мощности он в 10⁴—10⁵ раз превосходит человеческий мозг.

Теперь подсчитаем стоимость оптического мозга. Исходя из опыта крупносерийного производства интегральных микросхем, можно считать, что стоимость одного оптонейронного модуля в ближайшие годы составит 1 руб. Тогда 50 млн. модулей будут стоить 50 млн. руб. Приблизительно во столько обходятся сейчас и сверхмощное ЭВМ на 10⁷—10⁹ операций в секунду. Но при этом эквивалентная вычислительная мощность оптического мозга намного больше.

Рассмотрим теперь другую проблему. Мало сделать оптический мозг. Чтобы вдохнуть в него жизнь, надо наполнить его информационным содержанием — определить структуру световых связей. Тогда оптический мозг оживет и будет выполнять ту работу, которая определяется характером его связей: переводить с русского на английский, или управлять космическим кораблем, или анализировать зрительные образы и т. д. Но определить структуру связей мозга значительно сложнее, чем создать сам искусственный мозг. Тут прямая аналогия с вычислительной техникой: стоимость программного обеспечения ЭВМ в несколько раз превышает стоимость самой машины.

Существуют два основных пути для создания алгоритмов обработки информации в искусственных нейронных системах. Первый требует изучения принципов и схем переработки информации в мозгу методами нейрофизиологии. Такого рода работа активно ведется. Примером является исследование принципов переработки в мозгу зрительной информации, выполненное американскими учеными Д. Хьюбелом и Т. Визелем, удостоенными Нобелевской премии по медицине за 1981 г. Другой путь — аналитический вывод алгоритмов, моделирующих отдельные функции мозга. К числу простейших из таких алгоритмов  {124}  относятся, например, алгоритмы поиска информации но ключевым словам, используемые в большинстве действующих информационно-поисковых систем.

Рассмотрим вариант алгоритма, разработанного и практически реализованного в оптонейронной системе распознавания поисковых образов документов. Несмотря на простоту, этот алгоритм во многом напоминает интеллектуальные операции, производимые человеком при поиске информации.

Представьте, что Вы ищете в каталоге библиотеки литературу по определенному запросу, например: «Конструирование транзисторных радиоприемников». Проследим, как Вы будете работать. Прежде всего Вы, конечно, читаете текст запроса и в процессе чтения превращаете последовательности букв в слова, обозначающие понятия. Это первый этап обработки информации. Затем вспоминаете близкие по смыслу слова. В результате у Вас в сознании фиксируются не только слова запроса, но и многие другие ассоциирующиеся с ними слова и понятия. Например, если, просматривая каталог, Вы встретите карточку на книгу «Разработка портативной радиоаппаратуры», то, хотя эта карточка содержит слова другие, чем в запросе, Вы ее отложите, потому что слово «разработка» ассоциируется с «конструированием», слово «портативная» означает, скорее всего, что аппаратура «транзисторная», и т. д. Итак, обогащение запроса — второй этап обработки информации, на котором используются Ваши знания по теме. И наконец, третий этап обработки — это оценка смысловой близости содержания карточек каталога и запроса.

Мы проанализировали процесс поиска информации человеком и выделили в нем три основные стадии. Теперь попробуем на основе этого анализа разработать структуру нейронной системы поиска информации. Запишем схему переработки информации: буквы — слова — ассоциирующееся множество слов — карточки с адресами книг. Четыре формы информации и три стадии переработки при переходе от одной формы к другой. В нейронных системах информация преобразуется при переходе от слоя к слою. Значит, наша оптонейронная система должна содержать четыре нейронных слоя и три матрицы голограмм с межнейронными связями, заполняющими три межслойных промежутка.

Первый слой — буквы. Каждый нейрон первого слоя соответствует определенной букве алфавита (с учетом ее  {125}  места в слове). Второй слой — слова. Каждый нейрон второго слоя соответствует определенному слову из используемого словаря. Третий слой тоже слова. И наконец, четвертый слой — это объекты поиска — карточки каталога. Каждый нейрон четвертого слоя соответствует определенной карточке каталога.

Теперь рассмотрим межнейронные связи. Сначала связи первого и второго слоев. Нейрон второго слоя связан с нейроном первого слоя, если соответствующая буква входит в соответствующее слово. Оптические связи второго и третьего слоев — отображение ассоциативных связей между словами в мозгу человека. Если между двумя словами существует ассоциативная связь, то соответствующий нейрон второго слоя соединяется световой связью определенной интенсивности с соответствующим нейроном третьего слоя. Третье множество связей между словами и объектами поиска отражает содержащийся в карточках набор ключевых слов. Если в карточке есть какое-то ключевое слово, то его нейрон в третьем слое связывается световым лучом с нейроном этой карточки в четвертом слое»

Записав голограммы с межнейронными связями, мы тем самым ввели в память системы необходимую информацию. Теперь рассмотрим, как она работает. При вводе букв, из которых состоят слова запроса, возбуждаются соответствующие нейроны первого слоя. При этом включаются лазеры, стоящие на выходе этих нейронов. Голограммы расщепляют излучение лазеров на множество лучей, идущих на входы нейронов второго слоя в соответствии со схемой межнейронных соединений. В нем возбуждаются нейроны, на входы которых поступил суммарный сигнал, превышающий порог срабатывания нейронов. Ансамбль возбужденных нейронов второго слоя соответствует множеству слов запроса. Световые связи нейронов этого слоя попадают на нейроны третьего слоя и также возбуждают какую-то их часть. Ансамбль возбужденных нейронов третьего слоя соответствует ассоциирующемуся множеству слов, а ансамбль возбужденных нейронов четвертого слоя — карточкам каталога, отвечающим запросу. Лазеры, включенные на выходе нейронов этого слоя, обозначают найденные карточки.

Сопоставим возможности современной вычислительной техники, мозга человека и оптического мозга. Сравнение проведем по двум ключевым параметрам: скорости обработки информации и объему памяти. Для ЭВМ,  {126}  использующих цифровой механизм обработки информации, эти параметры определяются количеством арифметических операций в секунду и объемом памяти в битах. Для мозга, работающего на других принципах, эти параметры не определены. Поэтому будем считать вычислительную мощность мозга равной мощности ЭВМ, которая потребуется, чтобы смоделировать его работу, а объем памяти — равным двоичной памяти ЭВМ, в которой можно записать всю информацию, хранимую в нейронных связях мозга: Это тем более естественно, что основным инструментом моделирования нейронных систем сейчас является вычислительная техника. В память машины записывается адрес конца и адрес начала каждой связи между нейронами, ее вес, пороги возбуждения нейронов и т. д.

Сигнал на выходе канала связи равен произведению входного сигнала на коэффициент передачи канала. Поэтому при передаче сигнала по межнейронной связи выполняется одна аналоговая операция умножения. Затем сигнал суммируется с остальными на входе нейрона. Значит, на каждый акт прохождения сигнала по межнейронной связи приходится одна аналоговая операция умножения и одна — сложения. Число одновременно выполняемых в мозгу операций сложения и умножения при работе всего мозга равно числу его межнейронных связей, а общая вычислительная мощность мозга равна числу межнейронных связей, умноженному на частоту повторения сигнала. При моделировании работы мозга на ЭВМ все эти операции выполняются цифровым способом. Необходимая для этого мощность ЭВМ не менее вычислительной мощности мозга. Если принять, что число межнейронных связей мозга равно 10¹⁴, а частота повторения сигнала — 10² с^–1, то эквивалентная вычислительная мощность мозга равна 10¹⁶ операций в секунду.

Объем памяти определяется разрядностью двоичных чисел, кодирующих адреса связей, и общим числом связей. При 10¹⁴ связях разрядность адреса начала и конца каждой связи будет порядка 50 двоичных разрядов, а общий объем памяти 10¹⁶ бит.

Вычислительная мощность искусственного мозга, построенного из оптонейронных модулей с частотой сигнала не менее 10⁶ с^–1, приблизительно 10²⁰ операций в секунду. Обычная вычислительная мощность ЭВМ порядка 10⁶ операций в секунду. Мощность отдельных уникальных ЭВМ приближается к 10⁹ операций в секунду. Между значениями 10⁹ и 10²⁰ операций в секунду не только  {127}  количественная разница, а громадный качественный скачок в технике и технологии обработки информации. Для реализации параллельных алгоритмов обработки информации, созданных природой, Требуются принципиально иные технические средства, в сотни миллионов раз более мощные, чем существующие.

Именно таким требованиям отвечает идея создания оптического мозга. Почему именно оптического? Потому, что голография и оптоэлектроника — на сегодняшний день единственное реальное средство моделирования сложных пространственных структур межнейронных связей мозга. И еще потому, что создание оптического мозга находится в пределах возможностей не завтрашней, а современной техники и технологии.

РОЖДАЮТСЯ СЕТИ ЭВМ
Э. А. ЯКУБАЙТИС

За короткий срок, буквально на наших глазах, изменился подход к ЭВМ и возможностям их использования. Вспомним: электронные вычислительные машины вначале были созданы для выполнения сложных расчетов. Но вскоре выяснилось, что ЭВМ могут служить незаменимым средством решения информационных и управленческих задач.

Это особенно важно на нынешнем этапе развития экономики страны. Связи между предприятиями и организациями усложняются, и динамика развития народного хозяйства требует четкости в управлении, быстрого принятия решений. Поэтому традиционные методы административного и технического управления уже не дают необходимого эффекта. Более жесткими становятся также требования к прогнозированию работы предприятий, отраслей.

Именно эти потребности предопределили появление и развитие новой отрасли знания — информатики. В ее задачи входит создание методов и средств, обеспечивающих высокую скорость сбора, передачи, обработки и. выдачи данных. Причем в форме, удобной для работников производства и аппарата управления.

На какую же техническую базу опирается информатика? Хотелось бы привести такие данные. В последние годы стоимость электронных вычислительных машин ежегодно снижалась в среднем на 28%. На 11% уменьшилась  {128}  стоимость каналов связи. Появились мини- и микро-ЭВМ. Созданы системы телеобработки информации, позволяющие аппарату управления (пользователям) на больших расстояниях связываться с ЭВМ. Освоены диалоговые методы обращения с ЭВМ, расположенными в различных точках земного шара.

Все это, вместе взятое, создало предпосылки для качественного скачка в развитии вычислительной техники, — скачка, значимость которого соизмерима с самим фактом ее появления. Не будет, пожалуй, преувеличением сказать, что речь идет о революции в области обработки информации. И особую роль здесь сыграло появление сетей ЭВМ» Каждая из таких сетей — это множество больших и малых электронных вычислительных машин, соединенных друг с другом каналами связи. Подключение к сети ЭВМ большого числа абонентских пунктов (электрических пишущих машинок, телевизионных пультов, чертежных устройств и т. д.) обеспечивает коллективный доступ пользователей на расстоянии к самым разнообразным хранилищам информации, сосредоточенной в памяти любой из ЭВМ, включенных в сеть.

Идея создания сетей ЭВМ — плод совместных исследований и разработок, выполненных специалистами в области кибернетики, вычислительной и измерительной техники, а также техники связи. Предложенные общие принципы и методы сбора, хранения, обработки, передачи и выдачи информации позволили слить воедино процессы, связанные с проведением расчетов, созданием экономических моделей, управлением различными звеньями народного хозяйства, технологическими процессами, научными исследованиями.

Современные сети ЭВМ состоят из абонентских систем, взаимодействующих друг с другом через коммуникационную сеть (рис. 1). Абонентская система включает одну либо несколько ЭВМ, терминалы, печатающие, копировальные, графические аппараты и другие средства ввода и вывода информации.

Коммуникационная сеть, обеспечивающая передачу информации между абонентскими системами, может иметь несколько разновидностей. Одна из них показана на рис. 2. Таким образом строятся крупные сети ЭВМ, распределенные по большой территории (регион, страна либо группа стран). Ядром здесь является сеть передачи данных, состоящая из коммуникационных систем и связывающих их каналов передачи данных. Коммуникационная

Рис. 1. Общая структура сети ЭВМ

Рис. 2. Сеть ЭВМ большой протяженности

система состоит из нескольких микромашин, обеспечивающих маршрутизацию и коммутацию информации.

Два вида коммуникационных сетей в основном используются для создания небольших, локальных сетей ЭВМ. Первая разновидность локальной сети ЭВМ имеет очень простую структуру: электрический коаксиальный кабель (либо оптический световод) проходит рядом с различными ЭВМ, объединяя их в единую сеть.

Возможно также иное построение локальной сети ЭВМ, когда все абонентские системы подключают к кольцу каналов, передающих информацию.

Сети ЭВМ, предназначенные для широкого многоцелевого использования, уже появляются в межотраслевых органах планирования и управления, промышленных объединениях, научных центрах, где имеют дело с большими потоками информации. Такие сети эксплуатируют в Москве, Ленинграде, Киеве, Новосибирске и Риге. В ближайшие годы именно крупные сети ЭВМ во многом определят дальнейший прогресс индустрии обработки информации в народном хозяйстве, а также в быту.  {130} 

Учитывая важность проблемы, в решениях XXVI съезда КПСС намечено быстрое развитие сетей ЭВМ. Логическим завершением должна стать единая государственная сеть вычислительных центров нашей страны.

Важнейшей составляющей частью сетей ЭВМ служат банки данных, на основе которых создаются сложные и высокоэффективные информационные службы. Для этого в память ЭВМ вводят определенные сведения, связанные с функционированием народного хозяйства, например статистические и другие данные о работе того или иного предприятия, объединения, об экономике региона и т. д. Эти банки могут формироваться в разных ведомствах и располагаться в различных районах страны. Однако пользователь, находящийся у абонентского пункта, может обращаться по каналам связи к различным банкам и оперативно (в режиме диалога) в любое время суток получать необходимые сведения.

На основе таких банков возникают сложные системы обработки информации. Например, советскими и болгарскими учеными предложен типовой комплекс программ для автоматизации управления машиностроительным или приборостроительным предприятием (объединением). Он используется в ходе технологической подготовки производства, обеспечивает управление им, контроль за расходованием ресурсов и т. д.

Нельзя не сказать и еще об одной особенности сетей ЭВМ — документы любого содержания могут быть переданы в виде текстов, таблиц, графиков, рисунков, чертежей в течение долей минуты. «Электронная почта» оправдает себя при организации телесовещаний, конференций, симпозиумов. Участники этих заседаний получат различные устройства ввода и вывода информации, в том числе небольшие электронные планшеты, на которых можно написать тексты или нарисовать чертеж, схему. Вся эта информация тотчас будет воспроизведена на экранах других участников заседания. Чертежи и схемы можно сопровождать устными комментариями.

Широкое развитие получают информационные системы для учреждений, состоящие из одной либо нескольких мини-ЭВМ и нескольких десятков абонентских пунктов. Системы освобождают людей от выполнения большого числа рутинных операций и берут на себя. составление и редактирование, поиск и отбор документов, напоминают о приближающихся сроках выполнения заданий, помогают составлять плановые или финансовые отчеты,  {131}  готовить доклады и записки, правовую документацию и т. д.

В ближайшие годы появятся также системы массовой информации — ВИДЕОТЕКСТ, где каждый абонентский пункт состоит из домашнего телевизора, телефона и обычного бытового кассетного магнитофона, к которым добавляется небольшая (с транзисторный радиоприемник) коробка с микропроцессором и клавиатурой пишущей машинки. Таким образом, в перспективе миллионы пользователей дома смогут оперативно получать разнообразную информацию, просматривая на экране телевизора страницы электронных газет, наводить справки о погоде, работе службы быта, театров, выполнять операции в сберегательных кассах, заказывать билеты на поездки и зрелищные мероприятия. Станет возможным телеобучение по индивидуальным программам.

Итак, ясно, что создание современных банков данных и информационных систем — задача весьма важная. Но вместе с тем и довольно сложная. В ходе ее решения придется преодолеть ряд серьезных трудностей. Главная из них — разработать и ввести в действие большую группу стандартов, определяющих правила и процедуры передачи и обработки информации. Это необходимо, чтобы не расплодить в стране большого количества разнотипных банков данных, оперирующих разными алгоритмическими языками, использующих различные способы взаимодействия с пользователями.

Еще одна проблема — психологическая перестройка работников производства и аппарата управления, привыкших иметь дело с документами, получаемыми по почте или телеграфу. Надо отдавать себе отчет: использование современных информационных систем требует и новых форм документооборота.

В заключение хотелось бы отметить: создание типовых банков данных с разветвленной сетью телеобработки информации — новое направление. Здесь почти нет опыта, поэтому необходимо ускорить создание эталонных банков, чтобы на их базе обучать кадры, накапливать опыт. Широкое использование сетей ЭВМ с динамичными современными банками данных и информационными системами позволит обеспечить производственников и работников аппарата управления информацией для эффективного руководства производством.

НЕКОТОРЫЕ ПУТИ ИССЛЕДОВАНИЙ

НОВАЯ ОТРАСЛЬ
НАРОДНОГО ХОЗЯЙСТВА - ИНДУСТРИЯ
ПЕРЕРАБОТКИ ИНФОРМАЦИИ
В. М. ГЛУШКОВ, Ю. М. КАНЫГИН

В «Основных направлениях экономического и социального развития СССР на 1981 — 1985 годы и на период до 1990 года», принятых XXVI съездом КПСС, большое внимание уделено созданию и развитию средств машинной информатики для автоматического проектирования, автоматизации производства, совершенствования сферы услуг. Решения партийного форума дают новые импульсы развитию кибернетики и росту электронно-вычислительного потенциала страны — основы информатики.

Как родилась машинная информатика?

Ответ на этот вопрос сложится из трех составляющих.

Первая. Прошла пора «первых ласточек», когда внедрение отдельных образцов ЭВМ, скорее опытного, чем производственного, характера, вызывало не вопросы выбора лучших вариантов использования машин, а другие — типа: «А что из этого выйдет?». Сейчас достигнут определенный рубеж насыщения народного хозяйства электронно-вычислительными машинами. Созданы мощности массового производства все более совершенной информационно-перерабатывающей техники. Из полуэкзотического инструмента решения сложнейших задач в некоторых приоритетных областях науки и практики она перешла в разряд средств обслуживания массовых и разнообразных потребителей в режиме поточного производства.

Вторая. Начался этап объединения отдельных вычислительных комплексов, создания и развития больших сетей коллективного пользования, опирающихся на систему крупных вычислительных центров, обслуживающих многочисленных пользователей. Причем здесь прослеживается  {133}  определенная закономерность, возникает «цепная реакция», когда создание и рост электронно-вычислительных сетей, качественное улучшение технических средств рождают быстрое увеличение числа пользователей. Все это в сочетании с большими затратами общественных ресурсов выдвигает на первый план вопросы экономической целесообразности и сравнительной эффективности вычислительных центров (ВЦ) различного класса и назначения.

Третья. Возникло и невиданно быстро расширяется особое «хозяйство» индустрии переработки информации. Только за истекшие две пятилетки объем производства вычислительной техники у нас в стране вырос более чем в десять раз, опережая в росте всю остальную промышленность. Отечественный вычислительный потенциал удваивается каждые три-четыре года. Прогнозы же ошеломляют: экспоненты роста вычислительных мощностей круто взмывают вверх, приближаясь к вертикали.

Но дело не только в росте числа ЭВМ, а в активном их воздействии на структуру народного хозяйства. Разрастающаяся машинно-информационная сеть, постепенно пронизывая весь общественно-экономический организм, требует для своего упорядочения сложной организации, более сложной, нежели в традиционных отраслях экономики. От решения вопросов технологического и организационно-управленческого формирования переработки информации зависит не просто повышение эффективности действующих или создаваемых АСУ и ВЦ, но во многом именно этим и определяются контуры научно-технического и экономического прогресса той или иной страны.

Машинная переработка информации в наши дни превратилась в особую область массового приложения труда. Заявившая о себе бурно и «внезапно», машинная информатика по масштабам занятости, объемам ассигнований вполне сравнима с крупнейшими отраслями материального производства.

Что такое машинная информатика?

Машинная информатика — машинизированный или автоматизированный процесс получения, переработки и передачи информации, базирующийся на использовании ЭВМ, часть общего информационно-коммуникативного процесса, в который так пли иначе включены мы все, но та его часть, которая оперирует информацией, закрепленной на машинных носителях. Иными словами, это  {134}  область индустриальной деятельности по сбору и обработке информации и осуществлению управленческих процессов, основанная на машинной технологии. Если, по словам К. Маркса, использование машин позволяет «производить чудовищно возрастающие массы продукта все в более и более короткое время»¹, то ЭВМ дают такой же эффект в переработке информации.

Как мы уже знаем, индустрия машинной информации родилась в тот период времени, когда от одиночного применения ЭВМ для решения отдельных задач перешли к массовому использованию вычислительных машин в народном хозяйстве. Машинная информатика — новое историческое явление, а вся предыдущая история человеческой практики связана с немашинной информатикой, основанной на использовании естественной «информационной мощности» интеллекта (ограниченной возможностями человека), и таких простых приспособлений, как письменные принадлежности, конторские счеты, арифмометр и т. п. Такая информатика базируется на немашинных носителях информации (естественных — память человека, а также искусственных, например бумага).

Не секрет, что любой вид человеческой деятельности включает две компоненты: физическую (вещественно-энергетическую) и интеллектуальную (информационно-управляющую). Еще К. Маркс подчеркивал, что в процессе труда человек объединяет усилия рук и головы. И та и другая сторона общественного труда машинизировались. Только физическая давно — в ходе первого промышленного переворота на базе паровой машины, электромотора и двигателя внутреннего сгорания. Машинизация информационно-управляющей компоненты труда осуществляется у нас на глазах — в ходе современной научно-технической революции на базе кибернетической техники. Можно сказать, что машинная информатика примерно так соотносится с домашинной, как современный текстильный комбинат с ручным прядением.

Тому или иному историческому периоду всегда соответствовала определенная технология сбора, обработки и передачи информации. Так, во времена индустриального развития производства оперировали в основном с бумагой: распоряжение, приказ, указание люди фиксировали на бумаге либо от руки, либо напечатав на пишущей машинке или типографским способом. Сейчас завоевывает  {135}  ведущие позиции иная, человеко-машинная технология. Новый вид информатики позволяет перерабатывать и передавать гигантские объемы информации вне зависимости от возможностей человека.

В развитом виде новая технологическая база управления представит собой сеть объединенных каналами автоматической связи вычислительных центров самых разных уровней — от предприятий до высших звеньев управления, а также автоматизированных рабочих мест административно-управленческих специалистов всех уровней. При этом в памяти ЭВМ, составляющих систему, обязательно и постоянно будет обновляться информация об экономическом состоянии народного хозяйства, а система программ позволит решать практически все задачи экономического и социального управления (или, во всяком случае, большинство из них).

Машинная информатика — отрасль народного хозяйства?

Безусловно, такая технология информационно-организационного процесса должна иметь индустриальную основу. Не случайно же машинную информатику называют еще информационной индустрией. Почему же машинная информатика заслуживает ранга самостоятельной отрасли?

За последние годы эта сфера общественной деятельности превратилась в область массового приложения труда. Сошлемся на пример США: если в середине 70-х годов компьютерная информатика занимала там третье место среди отраслей хозяйства (уступая лишь автомобильной промышленности и нефтепереработке), то в настоящее время она вышла на первое место.

ЭВМ подвели единый технический базис под все виды обработки информации: выработку, передачу, использование. Эти процессы стали поддаваться учету, проектированию, планированию, обеспечению. Они концентрируются в «цехах» вычислительных центров. Пункты «добычи» и потребления информации оснащаются самыми современными средствами. Другими словами, деятельность эта начинает принимать индустриальный характер.

В. И. Ленин писал: «Переход от мануфактуры к фабрике знаменует полный технический переворот, ниспровергающий веками нажитое искусство мастера»². И в  {136}  машинной информатике решающее значение приобретает строго научный подход к информационному процессу и его организации. Достижения кибернетики, системотехники, вычислительной математики, исследования операций, теории информации — вот арсенал машинной информатики. Интересно здесь и другое: сама теория информации как наука появилась вместе с машинными способами построения организационно-информационных процессов. Здесь сама собой напрашивается такая аналогия. «Об электричестве, — писал Ф. Энгельс, — мы узнали кое-что разумное только с тех пор, как была открыта его техническая применимость»³. И о многих особенностях информации мы узнали многое лишь когда были открыты способы ее машинной переработки.

Наконец, машинная информатика «изготовляет» особый продукт — переработанную информацию — и «снабжает» им другие производства. Спрос же на этот «продукт» и сфера заинтересованных в нем «потребителей» постоянно растут.

Каковы же особенности информационной индустрии как отрасли народного хозяйства?

Машинная информатика обслуживает отрасли материального производства и непроизводственной сферы, создает условия для их целенаправленного развития. В каком-то смысле она похожа на транспорт и связь, только функции ее более сложны. Можно сказать, что машинная информатика представляет собой чуткую межотраслевую «нервную систему» огромного хозяйственного организма.

Особенно важно отметить, что машинная информатика, пребывая «на острие» научно-технического прогресса, требует для себя всего самого наисовершенного и наисовременного, выступая, в свою очередь, генератором прогресса в народном хозяйстве, движителем научно-технической революции.

Каковы функции машинной информатики?

Мы говорим о важности автоматизации производства. Это верно, спору нет. Однако не все здесь так просто. Как регулировали информационные связи в автоматических системах? С помощью человека. Но при достижении определенного порога сложности систем количество наладчиков, контролеров, ремонтников, вспомогательных рабочих  {137}  «при автоматах» увеличивается очень быстро, т. е. автоматическое регулирование уже не может быть эффективным. Их функциональную взаимозависимость нужно дополнить или заменить информационными зависимостями.

На помощь пришли средства электронной автоматики, прежде всего ЭВМ, взяв на себя контрольно-управленческие функции человека. Ведь если ЭВМ может оперировать информацией: собирать, перерабатывать и выдавать различные данные, то она способна «следить» и за программно-управляемыми манипуляторами, роботами, за работой автоматизированных цехов и заводов.

Особо важный аспект современной автоматизации — ее внедрение в отрасли непроизводственной сферы. Здесь заняты огромные массы работников, большая часть из них высокой квалификации: труд в торговле и денежно-финансовой сфере; рутинный труд при обработке результатов в исследованиях, регистрации научных наблюдений, контроль за экспериментами; переписка, чтение и реферирование; чертежные работы и подготовка спецификаций при проектировании и т. д.

Машинная информатика способна в корне изменить существующее положение. Информационно-поисковые комплексы, автоматические системы регистрации данных, считывания, контроля, средства автоматического регулирования и математического моделирования — вот ее могучий, действенный, оперативный и надежный арсенал. Он позволяет в любой сфере деятельности человека не только экономить труд, но и делает его качественно новым, соответствующим науке и технике нашего времени.

Но самая главная функция машинной информатики проявляется в организационном управлении. ЭВМ вначале пришли в науку, потом в промышленность, затем стали использоваться в сложных управляющих системах. И с этого момента ЭВМ превращаются в могучее средство управления. Чем дальше, тем очевиднее — именно в радикальном изменении технологии управления состоит их главная революционизирующая роль. Почему?

Чтобы понять это, важно подойти к развитию народного хозяйства с системных позиций, т. е. учитывать две его составляющие: материально-энергетическую и организационно-информационную. «Лепта» первой в развитии народнохозяйственной системы — неуклонное увеличение масштабов переработки природного сырья и материалов, а также потребления энергии. Но чтобы  {138}  процесс этот был максимально эффективным и экономным, должна активно «работать» вторая составляющая. Другими словами, без тщательно организованного информационного процесса невозможна качественная работа всей народнохозяйственной системы. И здесь информация выступает как полновесный ресурс по отношению к вещественным, трудовым и энергетическим ресурсам.

Очевидно, что, чем больше информации за единицу времени перерабатывает система, тем выше уровень ее функционирования, тем больше будет принято правильных решений, тем экономнее будет расходовать она традиционные производственные ресурсы (трудовые, энергетические и сырьевые).

Информации же необходимо перерабатывать необычайно много. Уже в середине 70-х годов в системе управления промышленностью циркулировало 200 млрд. данных в год! Полагают, что объемы подлежащей переработки информации растут пропорционально квадрату сложности развивающейся народнохозяйственной системы, а посему может наступить в ее развитии такой рубеж, сопровождаемый информационным всплеском, когда любые усовершенствования планово-организационной работы в традиционном русле немашинной обработки документооборота ни к чему не приведут.

Такой информационный барьер можно преодолеть только с помощью индустриализации процесса управления, только используя средства машинной информатики. Следовательно, нужно уже сегодня заботиться о ее развитии, сочетать работу по дальнейшему улучшению средств машинной информатики с не менее важной — созданием принципиально новых моделей, позволяющих вырабатывать и реализовывать наилучшие решения оперативно, в диалоговом режиме «человек—машина».

В Институте кибернетики АН УССР разработан вариант такой системы моделей (система ДИСПЛАН). От ранее известных моделей новая отличается прежде всего тем, что не только моделирует планирование на верхнем уровне, но и «проигрывает» принципиально новую технологию планирования на всех уровнях, основываясь на индустриальной базе машинной информатики. ДИСПЛАН «способен» при сбалансировках плана для достижения оптимума согласованно — это необычайно важно — менять план не только в Госплане, но и во всех корректируемых звеньях вплоть до цехов и производственных участков. Фантастические объемы перерабатываемой при  {139}  этом информации для новой системы не преграда: модель основана на использовании машинных вычислительных сетей громадной информационной производительности.

Машинная информатика — отрасль для всех

Мы говорим об индустрии в переработке информации, о машинной информатике как отрасли производства. Но к какой производственной сфере следует ее отнести?

Мы знаем, что к материальному производству относятся те звенья народного хозяйства, которые создают стоимость общественного продукта, непосредственно участвуют в создании национального дохода. Тем не менее, хотя от физического труда в этой сфере управленческая деятельность и отделена, она — часть материального производства, «она вытекает из самой природы совместного процесса труда»⁴.

В период машинного производства управление отделилось от непосредственного труда по созданию материальных ценностей. В наши дни идет второе отпочкование: из управления функционально и организационно выделяется информационная деятельность, постепенно превращаясь в самостоятельную индустриальную отрасль, неотделимую от материального производства, участвующую в создании национального дохода.

Но машинная информатика обслуживает и нематериальную сферу: науку, образование и т. д. Машинная информатика вырастает в «отрасль для всех».

В той своей части, в какой информатика отпочковывается от материальной сферы производства, она сама является сферой материального производства. Когда же информатика отделяется от нематериальных сфер народного хозяйства, она выступает как нематериальная отрасль. Здесь аналогия, например, с транспортом и связью.

Растут мощности ЭВМ, растет число занятых в использовании вычислительной техники людей, растут ассигнования на создание вычислительных комплексов. Можно ожидать, что к 1990 г. нынешние, весьма внушительные, кстати сказать, параметры индустрии переработки информации и в СССР, и в ряде других стран увеличатся в 8—12 раз.

Сейчас быстро растет доля информации, фиксируемой в машинной памяти. Например, в ядерной физике 0,9  {140}  всей «добываемой» информации сосредоточивается в машинах и не дублируется записями на бумаге. На машинные носители переводятся энциклопедии и справочники. Большая часть экономической информации концентрируется в ЭВМ. Все это повышает надежность хранения информации, удешевляет ее, а главное, позволяет быстро «оживлять» информационные массивы, лучше использовать их на практике. Дело идет к тому, что предприятия, организации и отдельные работники, «выпавшие» из сферы обслуживания машинной информатикой, могут быть отрезанными от основных массивов новой информации.

Машинная информатика — приоритетная область развития в современных условиях и важнейший «инструмент» борьбы за будущее. Чем сложнее ставим мы перед собой задачи, чем дальше хотим обозреть перспективы в науке, технике, материальном производстве, чтобы выработать безошибочную стратегию роста, тем насущнее может быть накопление электронно-вычислительного потенциала.

СИСТЕМНЫЙ АНАЛИЗ
И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
ДЛЯ ПЛАНИРОВАНИЯ И УПРАВЛЕНИЯ
Г. С. ПОСПЕЛОВ

Прежде чем начать разговор об очень сложной и очень интересной проблеме, вынесенной в заголовок, необходимо сделать «объясняющее» отступление. Нужно сказать, что термин «искусственный интеллект» не совсем удачен. Он гипнотизирует многих, особенно людей, далеких от кибернетики, заставляет их настраиваться на определенную волну небывалых доселе возможностей, которые станут посильны столь могучему помощнику человека. Поэтому сразу следует очертить границы распространения этого термина, выделив главное: искусственный интеллект не синоним искусственного разума, а исследовательское направление в науке, к которому относятся проблемы и задачи невычислительного характера, требующие в основном переработки смысловой информации. Естественно, к ним относятся задачи управления и планирования, тем более что здесь особенно велика интеллектуальная составляющая, связанная с использованием ЭВМ.  {141} 

От данных — к знаниям

Определяя сферу работ в области искусственного интеллекта, исследователи обычно разделяют ее на три части.

К первой относят работы, направленные на создание различных моделей, позволяющие решать проблемы, которые в психологии принято называть творческими. При этом создатели моделей не ставят перед собой задачу имитировать те процессы, что протекают у человека, решающего такую задачу. Сравнение идет по-другому: по эффективности результата, качества полученных решений.

Исследования, объединенные во вторую группу, наоборот, прямо ориентированы на имитирование различных психологических процессов, протекающих у человека или животного. Цель — получить на модели те же результаты, к каким приходит естественный интеллект.

Наконец, третью группу представляют исследования, где затрагивается проблема взаимодействия человека и систем искусственного интеллекта в рамках более широкой, объемлющей системы. Примером подобных исследований являются работы над созданием эффективных человеко-машинных систем для решения сложных информационных и управленческих задач.

Любая задача, характерная для каждой из этих групп, отличается не только трудностью, но практически невозможностью построить для решения «модель вообще» — абстрактную модель. Здесь требуется модель для решения именно данной, реальной задачи, фиксирующая все ее индивидуальные особенности.

Для решения интеллектуальной задачи с помощью ЭВМ необходимо построить сложную модель «внешнего машинного мира». А чтобы описать ее, оказалось недостаточно традиционных средств и методов. Связь информационных единиц в памяти машины только за счет «адресов» стала «мала» для новых задач, они в нее «не влезали».

Как у человека и животных данные о внешнем мире носят смысловой характер, так и описание «внешнего машинного мира»: отдельные сведения, факты и правила, необходимые для решения творческих задач на ЭВМ, — потребовало смысловых, семантических связей. Иными словами, машина уже не могла обходиться данными, ей необходимы стали знания. Разница огромная!

Процессы накопления знаний, операции с ними, формирование моделей внешнего мира, такие обычные и  {142}  естественные для человека, очень сложны и трудны для реализации их на ЭВМ. Все виды и формы коммуникативных связей внутри человеческого общества основаны на способности обрабатывать знаки-символы, преобразовывать их в последовательности и ансамбли, совершать над ними многообразные и многочисленные операции.

Знаки-символы, звуковые или зрительные, образуют естественные языки и разнообразные языки точных наук. Начиная от языка жестов наших обезьяноподобных предков, эволюция цивилизации и интеллекта человека сопровождалась развитием символики и способов ее преобразования. Поэтому только с того момента, когда ЭВМ получили способность обрабатывать данные в символьной, а не цифровой форме, стали говорить об искусственном интеллекте и новых моделях для решения задач.

Новые модели получили название семиотических (по имени науки, изучающей знаки и знаковые системы). Символ-знак определяется с трех сторон. Синтаксис знака — способ его выражения. Семантика связана с его содержанием, смыслом и может быть понята лишь в рамках всей системы знаков. Прагматика знака может быть выявлена только при наличии «потребителя знака».

Особенность знаков — условность. Она делает их чрезвычайно гибким и удобным средством для выражения моделей окружающего нас мира и искусственно создаваемых систем. И символические модели, используя эту особенность, призваны вложить в ЭВМ определенный способ «понимания» той «реальности», с которой машине предстоит иметь дело, а следовательно, и научить ее понимать партнера. Для работы с семиотическими моделями ЭВМ надо снабдить специальными языками представления знаний, — языками, которые были бы внутренним языком искусственного интеллекта и описывали бы ситуации в стандартизированной внешней среде.

«Текст — смысл — действительность»

Для представления знаний в машине наиболее действенной стала модель «текст—смысл—действительность». В самом ее названии поэтапно перечислены главные шаги работы. Модели такого типа довольно сложны, поэтому при разработке конкретных интеллектуальных систем выявляются разные направления в построении языков представления знаний. Остановимся лишь на нескольких, наиболее перспективных. К ним, например, относятся  {143}  модели, основанные на системно-структурном описании внешнего мира — так называемых фреймах.

Этот термин был предложен американским кибернетиком М. Минским. По-русски он означает «рамка», «скелет», «сфера» какого-либо понятия, события и т. п.

Собственно говоря, фрейм — некий формальный шаблон, символическая заготовка, соответствующая некоторому событию, понятию, явлению, состоянию. Он представляет собой совокупность вопросов, которые можно задать о какой-то ситуации, объекте, состоянии и т. д.

Например, фрейм «день» предполагает вопросы: какого года? какого месяца? какого числа этого месяца? какого дня недели? Каждый вопрос соответствует незаполненной позиции — слоту. Чтобы из сложного фрейма получить носитель конкретного знания о действительности — экземпляр фрейма, слоты надо насытить конкретными данными. Чем больше слотов у фрейма, тем более разнообразным, разносторонним и более системным получится описываемое им представление.

Фрейм «операция» (вид деятельности) может содержать слоты: что делать? что это даст? зачем делать (стимул, мотив)? каковы затраты? альтернативы достижения цели? кто, когда, где (делает)? и т. д. Сопоставим их с задачами управления и планирования. Уже первый вопрос «что делать?» первостепенно важен для этого рода деятельности. Ответить на него — значит определить ее цель, желательный результат. Не так просто в наше время правильно обосновать цель деятельности, чтобы не просчитаться, осуществляя то или иное мероприятие.

Метод фреймов родствен методу ситуационного управления, идеи которого были развиты в работах отечественных ученых Д. А. Поспелова и Ю. И. Клыкова еще до появления самого понятия «фрейм». Они, казалось бы, шли очень простым путем в своих рассуждениях.

Для ряда объектов диспетчерского управления: грузовой морской порт, перекресток магистралей в городе, множество самолетов над аэродромом, участки механических цехов предприятий и т. п. — попытка построить автоматизированную систему управления на традиционных формально-математических основах не давала положительных результатов из-за сложности описаний и громоздкости получения решений. Однако люди справляются с управлением столь сложными объектами и ничего не используют другого, кроме фраз — «текстов» — родного  {144}  языка. Значит, модели нужно создавать аналогичным образом, кодируя в ЭВМ содержательные смысловые характеристики конкретного объекта управления. Тем более что, несмотря на подчас гигантское число возможных ситуаций, диспетчер принимает ограниченное число решений. Например, при регулировании простого перекрестка принимается всего два решения: открыть движение в прямом направлении, закрыв в перпендикулярном, и наоборот, хотя количество конкретных ситуаций выражается астрономическим числом. Выходит, для решения подобных проблем требуется обобщение ситуаций по их структурам и отнесение их к классам ситуаций так, чтобы каждому классу соответствовало свое решение. Этот метод пытается учитывать еще один человеческий аспект в подходе к проблеме: расплывчатость характеристик, указывающих в большинстве случаев лишь на степень достоверности принадлежности конкретного объекта к тому или иному классу. Легко представить себе серию картинок, на которых, допустим, изображение льва постепенно изменяется и превращается в изображение человека. Где среди промежуточных рисунков должна быть проведена граница, разделяющая понятие «лев» от понятия «человек» (более точно — «рисунок льва» и «рисунок человека»), сказать нельзя. Между ними образуется расплывчатая область: в ней каждый объект с некоторой степенью достоверности — субъективной — можно отнести или к одной, или другой категории.

Чтобы оценить, насколько трудны работы в этом направлении, достаточно сказать, что пока нет ни одной программы, формирующей расплывчатые понятия. Каждый шаг здесь встречается с большим интересом. В последнее время для представления знаний в ЭВМ используют также модели, названные семантическими сетями. В семантической сети различают вершины и соединяющие их дуги. Вершинам соответствуют некоторые понятия, а дуги указывают на соотношения, существующие между ними. Дуги могут иметь различную семантику. Поясним это на простых примерах.

Рассмотрим генеалогическое дерево. Здесь вершинам соответствуют конкретные люди, а дуги имеют смысл «быть родителем». К каждой вершине, сопоставляемой с данным человеком, устремлены две дуги от вершин, обозначающих его отца и мать.

Вот другой пример — систематизация в зоологии. В этом случае вершинам соответствуют названия классов,  {145}  отрядов, подотрядов, родов и видов животных. А каждая дуга описывает родо-видовое отношение. Поэтому, например, от вершины, которой соответствует род «лошадь», выходит дуга к вершине, обозначающей лошадь Пржевальского. Семантические сети с функциональными связями уже нашли широкое применение.

«Поэт», «Приз», «Посох» и другие

Итак, если мы сравним традиционные задачи для ЭВМ с задачами искусственного интеллекта, то не сможем не увидеть разницы. В первом случае пользователь вынужден соотносить свою содержательную смысловую модель действительности с формально-математическими моделями, реализованными в машине. Искусственный интеллект, предоставляя ЭВМ реализацию семиотической модели, как бы «рывком» повышает эффективность использования вычислительной техники в управлении и планировании, ей становятся посильны очень важные задачи. ЭВМ научается «понимать» ограниченный профессиональной лексикой естественный язык — в виде текстов или речи — и реагировать на сообщения; становится способной решать проблемы управления по их описаниям и исходным данным, когда рабочую программу машина составляет автоматически из набора прикладных программных модулей; появляются условия для создания интерактивных систем — систем «человек—машина», когда пользователь общается с машиной на языке стандартных приказов. Посмотрим, как работают системы, «освоившие» новый стиль построения и использования.

Система «ПОЭТ», дающая справки о текущем состоянии производственно-экономических показателей, работает по принципу «понимания» текста. Запрос на языке деловой экономической прозы анализируется и переводится на язык внутреннего представления знаний. Оно сформировано в виде семантической сети предметной области и состоит из абстрактной и конкретной сетей. По сути, абстрактная сеть — сложный фрейм, а конкретная — экземпляр этого фрейма.

Понятия выстраиваются в иерархию, образуя при обобщении суперпонятия, а при детализации — подпонятия. События используются для представления действий в моделируемой предметной области. В результате анализа текста то или иное событие вычленяется, активизируя соответствующий фрейм семантической цепи.  {146} 

Предположим, Вы посылаете запрос: «Сколько каменного угля перевезено железнодорожным транспортом из А и В в течение года?». Он активизирует фрейм «перевезти». И начинают заполняться слоты: что? чем? сколько? откуда? куда? за какое время? В нашем примере при семантическом анализе насыщаются данными все слоты фрейма, кроме одного — «сколько?». Затем система обращается к базе данных, находит ответ и формирует его на том же языке деловой экономической информации, которым оперирует пользователь.

Примером системы, решающей задачи по их описаниям и исходным данным, является «ПРИЗ». Пользователь может формулировать свою задачу длят ЭВМ на обычном естественном языке. Из введенного текста система вычленяет необходимые объекты, отображает их на семантическую сеть, хранящуюся в памяти, и ищет путь, ведущий от исходных вершин к целевой. При этом может получиться несколько планов решения задачи, из которых надо выбрать только один. Такой конкретный план или выбирается пользователем по его усмотрению, или определяется автоматически по какому-либо критерию. Система «ПРИЗ» позволяет решать разнообразные комплексные задачи планирования и проектирования благодаря «умению» реализовать все математические модели, относящиеся к интересующей пользователя области.

Существуют и универсальные системы искусственного интеллекта. Они решают как упомянутые задачи, так и проблемы построения человеко-машинных систем, основанных на диалоговом принципе. Видимо, одной из первых универсальных диалоговых информационно-логических систем была система «ДИЛОС», зарекомендовавшая себя как инструмент для диалогового планирования и для использования в интерактивных системах при управлении большими комплексами. Важно то, что «ДИЛОС» может выдавать промежуточные результаты вычислений.

Все операции выполняются набором процедур, сгруппированных в четыре основных программных блока. Лингвистический блок преобразует деловую прозу и язык директив на внутренний, на котором работают информационно-поисковый, вычислительный и логический блоки. Причем последний, будучи основной частью системы, является ведущим по отношению к информационно-поисковому и вычислительному: именно логический блок управляет анализом модификаций моделей внешнего мира,  {147}  составлением планов решения задач, выдачей ответов на такие запросы пользователей, когда недостаточно обычного информационного поиска.

Диалог в человеко-машинных системах может вести или пользователь, или машина. В первом, наиболее распространенном случае ходом решения задачи, уточнением ее условий управляет человек. Если же диалог ведет машина, по сути дела, используются идеи программированного обучения, когда происходит автоматизированное «освоение» языка общения или языка программирования, конструирования алгоритма для решения задачи по ее условию и некоторые другие операции. Разумеется, очень полезно сочетание обоих режимов диалога, особенно если пользователь только входит в курс дела.

К одной из самых перспективных и важных проблем искусственного интеллекта относят создание средств по разработке программного обеспечения интеллектуальных систем. Примером осуществления такого подхода может служить многоцелевая вопросно-ответная система «МИВОС» и дальнейшее развитие этого проекта — «ПОСОХ». Можно считать, что к настоящему времени есть определенные успехи в теоретических исследованиях и накоплен первый опыт в реализации систем искусственного интеллекта.

Искусственный интеллект и системный анализ

Безусловно, два современных научных направления, имеющих дело с задачами содержательного, смыслового характера и использующих рациональный метод исследования, не могли не объединить своих усилий и возможностей. Важность взаимопроникновения идей системного анализа (по образному выражению, он представляет собой просвещенный здравый смысл, на службу которому поставлены математические модели) и искусственного интеллекта (а он, если прибегнуть к столь же образному сравнению, наука о том, как заставить машину делать то, что умеет делать умный человек) для решения этого класса задач понятна всем.

К чему прежде всего стремится искусственный интеллект, обращаясь к конкретной проблеме? К возможности разбить, расчленить, разделить ее на отдельные частные проблемы, т. е. сделать ее структурированной. Это позволяет применять математические, технические, программные и прочие средства для получения приемлемого решения.  {148} 

В системном анализе такие проблемы разбиваются на подпроблемы, допускающие частные решения (анализ), и затем эти частные решения объединяются для получения решения основной проблемы (синтез). Подпроблемы первого уровня также могут быть разбиты на подпроблемы второго уровня и т. д. Разбиение проводится до уровня подпроблем, решение которых может быть получено непосредственно. Затем проводится «сборка» — синтез решения общей проблемы из решений частных проблем. Если же окажется, что и проблема синтеза недостаточно структурирована, то ее тоже «раскладывают» на подпроблемы.

Например, когда системный анализ применяется для совершенствования планирования и управления в какой-либо организации, то задачу можно считать структурированной, если: планирование начинается от целей, от желаемых конечных результатов; в процессах планирования и управления четко зафиксированы правила, порядок и процедуры принятия решений; решения представлены не в «размытой», а в явной форме, т. е. как выбор из нескольких альтернативных способов достижения цели или альтернативных планов операций или мероприятий; можно проследить и проверить, кто, когда, где, в какой степени правильно принял решение; имеет место ответственность за принятые решения, т. е. когда лица, принимающие решения, поощряются за аффективные высококачественные результаты, а в противоположном случае наказываются.

Мы уже знаем, что центральной для искусственного интеллекта является проблема «понимания» образов внешнего мира, их распознавания, извлечения и представления смысла поступающей информации. Поскольку любая информация имеет смысл лишь в связи с некоторой деятельностью, то «понимание» представляет собой структуризацию информации в соответствии с ее предполагаемым использованием. Перед нами типичная «слабоструктурированная» проблема, решающаяся на базе тех же основных принципов системного анализа.

Если же обратиться к программированию для ЭВМ, то задание заказчика на разработку и реализацию программного комплекса — это тоже типичная плохо структурированная проблема. Применение к таким проблемам принципов системного анализа привело к появлению специальных технологий программирования для программных комплексов, например технологии «сверху—вниз».  {149} 

Взаимопомощь искусственного интеллекта и системного анализа идет и в другом направлении.

Системный анализ возник из потребностей решения крупномасштабных проблем, а следовательно, для обоснования крупномасштабных целей в первую очередь. Проблема целей — в смысле их обоснования — до научно-технической революции не стояла слишком остро, так как тогда не решали очень крупных и сложных задач, для этого просто не было средств. Достаточными являлись опыт и интуиция руководителей. В эпоху научно-технической революции интуиция и опыт стали явно подводить: нередки просчеты в конечном результате, затратах, учете последствий, особенно побочных или отдаленных.

Системный анализ дает общий подход в сложных ситуациях — расчленение, структурирование. Нетрудно заметить: такое решение проблемы требует работы на разных уровнях, с разными как с содержательной, так и с математической точки зрения трудностями. Это же требуется для выбора целей и формирования критерия оценки.

Проблему выбора целей можно решать на основе построения прогнозов, сценариев будущего, основанных на изучении прецедентов, и т. д. Ясно, что решение столь сложных проблем одним человеком и даже коллективом из разных специалистов в приемлемые сроки с достаточным качеством для крупномасштабной задачи проблематично, если использовать традиционные методы представления, поиска и обработки информации.

Применение же систем, основанных на идеях искусственного интеллекта, может оказать неоценимую услугу в хранении, систематизации и поиске информации, а также в организации совместной работы разных специалистов.

Искусственный интеллект дает в руки системному анализу метод создания «банков знаний» коллективного пользования на основе фреймов. Это открывает широкие возможности для обоснования целей. Прослеживается полнота сообщений, проводится отбор и «переструктуризация» поступающей информации, поддерживаются стандарты, идет защита от ошибок людей, работающих с машиной. И что немаловажно, прогнозы и сценарии строятся в режиме диалога «человек—машина», причем специалисты при необходимости могут обращаться к системе с запросами на понятном им языке.

Перспективы взаимопроникновения и взаимообогащения методов и средств системного анализа и искусственного  {150}  интеллекта необычайно заманчивы. Ясно, что новые подходы породят новые интересные проблемы как в системном анализе и искусственном интеллекте, так и в их применении для управления и планирования.

КИБЕРНЕТИКА И КУЛЬТУРА
Б. В. БИРЮКОВ, С. Н. ПЛОТНИКОВ

Пути становления кибернетики как комплексного научного направления можно с отчетливостью проследить по динамике проблемы «Кибернетика и культура». В начале 60-х годов при относительно скромных исследовательских достижениях многим казалось, что все «принципиальные» проблемы решены и дело за небольшим — пройдет несколько лет и машина сможет писать стихи и сочинять музыку на уровне профессиональных поэтов и композиторов. Но по мере накопления научного опыта и практических результатов неоправданные ожидания стали рассеиваться. Возникли трудности, о которых поначалу не подозревали. Усилились скептические голоса относительно предполагаемых перспектив. Тем не менее работа продолжалась. Закреплялись достигнутые успехи, которые уже не порождали иллюзий, но и не приносили огорчений. Завоевывались и обживались новые земли гигантского материка проблематики «Кибернетика и культура». Наступил период делового освоения идей, методов и достижений кибернетики (и связанных с нею наук) в сфере культуры в целом и в области художественной культуры в частности.

Как известно, «культура» в широком смысле чрезвычайно емкое понятие, охватывающее материальное и духовное производство, науку, образование, искусство, религию и т. д.; говорят о культуре труда, быта, человеческих отношений и пр. Культура в этом понимании — все то, что создано (и создается) человеческой деятельностью и в своей целостности противостоит тому, что дано природой. В более узком значении под «культурой» подразумевается преимущественно художественная культура — литература, музыка, театральное искусство, изобразительное искусство, архитектура и т. д., рассматриваемые вместе с соответствующими культурными институтами. В этом более узком смысле мы и будем говорить о культуре в ее взаимоотношении с кибернетикой, выделяя три  {151}  крупных направления научного поиска — применение идей и средств кибернетики в творческой деятельности, в исследованиях художественной культуры, в планировании ее развития и управлении им.

Кибернетика и художественное творчество

Известно, что неотъемлемыми признаками кибернетизации той или иной сферы научного знания или технической практики считается освоение идей, подходов, методов и средств, связанных с понятиями системы, структуры, сложности, модели, информации, управления, оптимизации и пр., с использованием математических методов и на их основе вычислительных и автоматических систем, в технологическом плане охватывающих диапазон от «малой механизации», оргтехники до микрокалькуляторов и больших ЭВМ и их комплексов. Однако если появление и «натиск» электронных цифровых устройств переработки информации произошли на наших глазах, то количественные, математические методы в художественной сфере уходят своими корнями в далекое прошлое.

Представление о взаимосвязи искусства и математики относится к тем мировым идеям, которые, однажды воз-никнув, продолжают жить на протяжении всей последующей истории культуры, меняя свой облик и формы, но неизменно присутствуя в каждую большую эпоху, будь то греко-римская цивилизация, средние века, эпоха Возрождения, новое и новейшее время. Каждый большой этап исторического развития означал и новую постановку проблемы связи искусства и математического (и естественно-математического) знания.

Возрождение породило таких титанов, соединявших в одном лице искусство и науку, как великие художники Леонардо да Винчи и Альбрехт Дюрер. В архитектуре идея единства художественного и математического в те же времена получила развитие в трудах Луки Пачоли, автора книги «О божественной пропорции» (1509 г.), в которой, по существу, содержался принцип «золотого сечения», известный также и Леонардо, но научно проанализированный Адольфом Цейзингом лишь в 80-х годах прошлого века, — принцип, привлекающий внимание исследователей и наших дней¹. Необходимость математических  {152}  расчетов для поэзии утверждал другой представитель художественной культуры Возрождения — Ж. Дю Белле. К XVIII в. относятся первые попытки сочинения музыки «немузыкальными средствами». Стала использоваться «математика случая». Такие композиторы, как Гайдн и Гендель, использовали для этого игральные кости — выпадавшие очки соотносились с нотами, длительностью звучания, ритмом и т. п. Вышла книга «Руководство к сочинению полонезов и менуэтов с помощью игральных костей», а затем и много раз переиздававшееся «Руководство к тому, как при помощи двух игральных костей сочинять вальсы в любом количестве, не имея ни малейшего представления о музыке и композиции»,— труд, авторство которого приписывается Моцарту. Это — предыстория современной машинной музыки².

Идеи о взаимосвязи творческого процесса в искусстве и математических вычислений в одних случаях давали плодотворные результаты (архитектура, в меньшей мере — изобразительное искусство), в других же (например, музыка) дело не продвигалось дальше курьезов. Такая ситуация — сочетание игры, даже мистификация и реальных завоеваний — в известном смысле сохранилась и сегодня. С появлением электронных вычислительных машин и кибернетики в ряде стран Европы, в США и Японии возникло направление так называемого компьютерного искусства. ЭВМ стали использовать при создании произведений живописи, графики, музыкальных композиций. Началось время конкурсов, фестивалей и выставок продуктов «машинного творчества» в стиле поп-арта, время «кинетического искусства», «абстрактной» музыки, беспредметной живописи, «пермутационного искусства» и пр. Эта деятельность охотно субсидировалась различными фондами и распространялась средствами массовой коммуникации. Здесь проявились определенные издержки «компьютеризации» искусства. Однако уместно подчеркнуть и позитивные элементы проникновения ЭВМ в творческую сферу, что важно для верной оценки всей проблемы.

К числу бесспорных завоеваний относится использование электронной вычислительной техники в архитектурном  {153}  проектировании, когда архитектор приобретает возможность фиксации возникающих в его воображении пространственных форм: передав соответствующий образ (рисунок) в память машины, можно получать на ее выходном устройстве — дисплее или графопостроителе — изображения будущего сооружения в различных ракурсах. Этот «диалог» зодчего с машиной, начатый в ряде стран в 60-х годах XX в., дает хорошие результаты, хотя и ставит проблемы технического и психологического порядка.

ЭВМ в роли «помощника» создателя произведений искусства — это машинное амплуа вполне реально. Во всяком случае, здесь накапливается все больший практический опыт, и не только в архитектуре но и в художественном конструировании и дизайне. В кинематографе первые шаги по применению ЭВМ были сделаны при создании мультипликационных фильмов. Работая с ЭВМ, художник-мультипликатор избавляется от необходимости многократного рисования почти неразличимых картинок. Достаточно выполнить лишь начальный и конечный рисунки, фиксирующие состояние героев или всей сцены, промежуточные же изображения создает ЭВМ, снабженная соответствующей «кинематической» программой.

Аналогичные применения кибернетические методы находят и в прикладном искусстве. Так, в конце 60-х годов С. Н. Каллистратовой были разработаны программы для автоматизации проектирования и анализа ткацких переплетений. Подобной деятельностью занимаются специальные художники — дессинаторы и колоритисты, разрабатывающие структурные и цветовые сочетания для тканей. В первых же экспериментах БЭСМ-6 по программе С. Н. Каллистратовой за 20 мин выдавала на печатающее устройство по сто и более рисунков (с соответствующими числовыми характеристиками) для полотняных, саржевых, атласных тканей и их производных — тканей с полосатыми и клетчатыми, креповидными и мелкоузорчатыми переплетениями. Через несколько лет объединение «Октябрь», поставляющее швейным предприятиям ткани сотен расцветок и рисунков, внедрило в практику системы «Автоколоритист» и «Автодессинатор». Если раньше дессинаторы и колоритисты на подбор красок и переплетений затрачивали два-три месяца, то автоматизация труда позволила свести выбор (оптимальный с точки зрения принятых критериев) структуры материалов, составление рецептов окраски и определение характера  {164}  переплетений к минутам. Промышленность стала выпускать ткани, разработанные с помощью ЭВМ³.

Занимаясь проблемой «машинного творчества», аналогичные результаты получил Р. X. Зарипов. Ему удалось разработать алгоритм плетения кружев, позволяющий в перспективе автоматизировать создание этого вида произведений декоративно-прикладного искусства.

В композиторском творчестве ЭВМ тоже может быть помощником, «участвуя» в той или иной степени в создании музыкальных произведений. Разрабатываются специальные языки программирования для ввода в машину музыкальной информации и ее машинной обработки, в частности составления каталога оригинальных мелодий, основанного на цитировании нескольких нот⁴. Однако, говоря о машинной музыке, естественно в первую очередь иметь в виду выдачу ЭВМ нового музыкального текста в каком-либо виде — в виде машинного кода, обычной нотной записи или непосредственно в форме «звуковой материи». Первые опыты такого рода относятся к 50-м годам. Начиная с 1959 г. Р. X. Зарипов составил целый ряд «музыкальных программ», по которым машина сочиняла мелодии — одноголосные музыкальные композиции. Этим исследователем было, в частности, показано, что если в ЭВМ, работающую по такой программе, ввести информацию о ритме стихотворения (последовательности ударных и безударных слогов), то машина напишет мелодию к этому стихотворению и получится песня.

Исследования в области «машинной музыки» показали, что если цель разработчика — моделирование процесса музыкального творчества, то получаемые результаты еще мало пригодны для сочинения профессиональной музыки. Поэтому композиторы ныне обращаются к машине лишь как к вспомогательному средству, полезному при выполнении рутинной составляющей их труда. В частности, при сочинении музыки «нетрадиционной» структуры ЭВМ можно использовать как источник «заготовок» — отдельных музыкальных сочетаний (звуковысотных комбинаций, аккордов, последовательностей, длительностей и т. п.), из которых композитор отбирает то, что соответствует его творческому замыслу⁵. Советский  {165}  композитор Л. Аствацатрян участие ЭВМ в создании «серий» (особо организованных звуковых сочетаний, использовавшихся им при сочинении симфоний) описывает следующим образом: «...задуманные серийные разработки очень сложны и трудоемки. Они требуют большой затраты времени. В этом аспекте компьютер — идеальный помощник, не сковывающий наше музыкальное вдохновение. Более того, компьютер дает возможность композитору приблизиться к тайне воссоздания того, что содержится в единстве интервала, ритма и мысли»⁶.

Р. X. Зарипов отмечает, что метод машинных заготовок применим и при сочинении произведений «традиционного» музыкального строя. Например, итальянским математиком Э. Гальярдо была сочинена музыкальная пьеса, целиком состоящая из фрагментов мелодий, выданных ЭВМ «Урал-2» по программе Р. X. Зарипова; аккомпанемент был составлен формальным способом в соответствии с методикой Э. Гальярдо.

В первых программах Р. X. Зарипова машинная мелодия синтезировалась из отдельных звуков по закономерностям, выявленным при анализе мелодий, сочиненных человеком (песни советских композиторов). Наибольшую трудность при составлении такого рода программ доставляет проблема получения благозвучных мелодических оборотов (интонаций). В настоящее время Р. X. Зарипов разрабатывает другой метод сочинения машинной музыки, отличный от известных: мелодия составляется из интонаций, встречающихся в музыкальной литературе. При этом учитывается естественное распределение интонаций по частоте встречаемости, зафиксированной в частотном словаре интонаций, составленном для некоторого массива мелодий (те же песни советских композиторов). Тем самым имитируется процесс сочинения мелодий композитором, который неосознанно выбирает бытующие интонации, присутствующие в музыкальной памяти, сформированной в ходе его творческого развития. Р. X. Зарипов считает, что таким способом машина сможет сочинять мелодии, которые (при надлежащей оркестровке, что также может быть поручено машине) будут публично исполняться.  {156} 

Неотъемлемая часть творчества — сбор «исходной информации», на которую должен опираться творческий процесс, и предъявление продуктов художественной деятельности «потребителям», обратные реакции которых, доходя до творца, воздействуют на дальнейшее создание художественных ценностей. В рамках подобных «социо-динамических циклов» культуры⁷ большую роль играет распространение художественных произведений, в том числе и с помощью средств массовой информации.

Одна из первых разработок такого рода была осуществлена в вычислительном центре Эстонского радио. Задача состояла в том, чтобы освободить человека от формальных функций, связанных с поиском и обработкой исходного материала, с тем чтобы быстро и эффективно реализовывать творческие замыслы создателей радиопередач. В 70-е годы были описаны реквизиты многих тысяч музыкальных произведений, выработаны принципы определения эффективности радиопередач и поиска различных фондовых материалов, используемых на радио и телевидении, созданы информационно-поисковая система для разыскания материалов (по фактам, событиям и лицам) и система построения из них программ концертов по заказам редакторов, составлены соответствующие алгоритмы, языки и машинные программы. Затем автоматизированной системе на базе ЭВМ были переданы составление перспективных планов и почасовых графиков вещания, обработка новостей и пр.⁸

В 80-х годах применение автоматизированных систем и вычислительной техники в информационной службе больших радиоцентров стало нормальной практикой. Аналогичные работы развернулись и на телевидении (составление программ видеосюжетов, подбор иллюстраций для подготавливаемых телепередач и т. п.). То же можно сказать и о роли кибернетики в издательско-полиграфической работе, в организации библиотечного дела. Сегодня почти во всех крупных книгохранилищах используют ЭВМ, что резко повышает оперативность и качество обслуживания.

Возможности применения современных автоматизированных средств (ЭВМ, электронных приборов и пр.) в процессах создания художественных ценностей тесно  {157}  связаны и зависят от успехов в моделировании информационного аспекта творчества. Здесь укажем на такое перспективное направление исследований, как эстетически ориентированное человеко-машинное взаимодействие.

В работе В. С. Фаина предложен подход к созданию диалоговой системы скульптор — ЭВМ. Автор построил математическую модель изменения формы поверхности материала, подлежащего скульптурной обработке, и разработал пути реализации соответствующей системы, представляющей собой удобный инструмент для облегчения и ускорения рутинных процессов в работе скульптора⁹.

Несомненно, что дальнейший путь кибернетизации творчества — включение ЭВМ в созидательную работу архитектора, дизайнера, живописца и графика, работника кино и театра, даже журналиста и писателя. Создание человеко-машинных систем, используемых в области искусства, должно расширить творческие возможности человека. Можно полагать, что электроника, вычислительная и информационная техника органично вольются в процесс создания произведений художественной культуры, что компьютер станет спутником вдохновения, гусиным пером XXI столетия.

Электроника и кибернетика тесно связаны с появлением в наши дни новых видов творческой технологии, новых видов искусства. Мы имеем в виду, в частности, новые способы создания музыкальной «материи» и художественный синтез звука и цвета.

Работы по использованию электрической звуковоспроизводящей аппаратуры для исполнения музыкальных произведений в Советском Союзе проводились еще в 20-х годах: Л. С. Термен — физик и музыкант — изобрел первое в мире электромузыкальное устройство — «Терменвокс»¹⁰. Однако подлинный взлет работ в области новых методов создания, обработки и организации музыкального материала связан с использованием современной электроники и цифровой техники переработки информации. Вновь стала актуальной старая идея синтеза музыки и цвета, — идея, горячо пропагандировавшаяся замечательным русским композитором и пианистом А. Н. Скрябиным.  {158} 

Цветомузыка выразительно подчеркивает значение точных методов и кибернетических технических устройств как источника новых средств в художественном творчестве. Ибо в ней взаимодействуют творчество и электроника, эстетика и цифровая техника, психология искусства и нейрофизиология. При этом возникает проблема интеграции цветовой и музыкальной динамики, рассматриваемая с точки зрения формирования художественных образов и механизма эстетического воздействия, что выдвигает вопросы, которых не знали «традиционные» области художественной культуры. В этой связи убедительным представляется взгляд, что на современном этапе в данном виде искусства наиболее плодотворны поиски путей технически «удобного» и эстетически оправданного включения человека — и как творца произведения, и как его исполнителя¹¹. Во всяком случае, уже существует многообразная цветомузыкальная аппаратура: инструменты ручного управления, автоматы, «кинетические устройства» — программируемые устройства динамического цвета и форм и пр. Большие перспективы здесь обещает использование лазерной и голографической техники. Синтез цветоколористической и музыкальной динамики начинает все органичнее входить в эстетическое отношение человека к действительности, в мир эмоциональной выразительности. Имеет место концертное исполнение цветомузыки, созданы цветомузыкальные произведения на темы П. Чайковского, Ф. Шопена, Р. Вагнера, С. Прокофьева, современных композиторов. Активно ведется работа по выработке принципов сочинения цветомузыкальных произведений¹².

Другая область приложения цветомузыки — дизайн. Разработан ряд «прикладных» цветомузыкальных систем на базе автоматики, электроники и лазерной техники. Реальные перспективы имеет использование цветомузыки и «кинетического» искусства и с лечебными целями — для снятия утомления и нервного напряжения¹³.  {159} 

Кибернетика
в исследованиях художественной культуры

Художественное творение было предметом исследования уже в рамках первых эстетических идей и учений. На протяжении всей истории изучения продуктов творчества мы встречаем концепции, в которых анализ произведений искусства связывается с выявлением таких их черт, как гармоничность, соразмерность, пропорция, композиционная цельность и др., — выявлением, основанным на количественных методах. Это наблюдается у Дюрера, у Декарта и Лейбница, у Юма и Хогарта — вплоть до семиотико-искусствоведческих исследований начала нашего века (А. Белый, Г. Шпет, П. Флоренский, В. Пропп, Б. Томашевский и др.). Соответствующие работы в известном смысле — предтечи кибернетических методов анализа художественных произведений.

Сегодня кибернетика, ее идеи и методы все активнее используются при изучении художественных произведений, например в литературоведческих исследованиях: выявление художественного стиля писателя, его словаря, установление авторства тех или иных текстов. В научной литературе читатель может найти описание ряда машинно-реализуемых методик идентификации литературных текстов и музыкальных произведений. Для исследований, проводимых в Советском Союзе, характерно внимание к семиотической стороне, а также к механизму порождения художественных текстов. В наиболее общем плане этот подход выражается в трактовке культуры как целостной семиотической системы, выполняющей роль своего рода коллективного интеллекта, обладающего особым аппаратом общей памяти и средствами выработки принципиально новых сообщений (текстов)¹⁴.

С семиотических позиций фильмы и спектакли — особого рода тексты, но их изучение в этом плане не является главным в кибернетическом к ним подходе. Больше дают статистические исследования и машинное моделирование произведений. Что можно сделать на этом пути, показывает следующий пример. В исследовании ЮНЕСКО (выполненном Международной социологической ассоциацией, в которую входят и социологи СССР) с использованием таких средств анализировалась годовая кинопродукция США, Франции, Италии, Югославии, Чехословакии,  {160}  Польши. Были выявлены герои, «типичные» для киноискусства каждой из этих стран. В Советском Союзе аналогичное изучение кинопродукции ведется уже более 15 лет. Рассмотрим подробнее исследования В. Н. Дмитриевского и Б. З. Докторова, хорошо иллюстрирующие характер этих методов и их возможности¹⁵.

В рамках комплексного социолого-театрального исследования «Театр в духовной жизни современного молодого человека» изучался репертуар девяти ленинградских драматических театров. В основе методики лежали экспертные оценки десяти театроведов по двадцати шкалам (признакам), которыми характеризовался каждый спектакль. Этими признаками служили «комедийность», «мелодраматичность», «трагедийность», «остросюжетность», «развлекательность» и т. д. вплоть до последнего, двадцатого признака — «значимость в театральной жизни Ленинграда». Вопросы, задававшиеся экспертам, имели вид: «Считаете ли Вы, что этот спектакль комедийный (соответственно мелодраматичный, трагедийный и т. д.)?». Ответы состояли в выражении согласия с одной из четырех оценок: категорическим «да», некатегорическим «да», некатегорическим «нет» и категорическим «нет» (при математической обработке этим ответам соотносились баллы от 1 до 4).

Данные опроса были подвергнуты корреляционному и факторному анализу. Несмотря на грубый характер исходных шкал, результаты оказались весьма интересными. Например, как и следовало ожидать, «комедийность» и «развлекательность» коррелируют друг с другом (коэффициент корреляции равен 0,61), однако учет их отношения к другим признакам позволил наполнить эту цифру качественным содержанием. Близость комедийности и развлекательности проявляется в примерно равном отношении к признакам «музыкальность» и «художественно-декоративное достоинство», «пластичность», «синтетичность» и к отсутствию «рациональности восприятия». По отношению же к другим признакам рассматриваемые свойства спектакля ведут себя по-разному. Усиление комедийности сопровождается уменьшением мелодраматичности, значительным сокращением элементов трагедийности и — как ни странно это может показаться — относительно небольшим увеличением остросюжетности. Развлекательность же безразлична к признаку мелодраматичности,  {161}  отрицательно коррелирует с трагедийностью, более тесно, чем комедийность, связана с острым сюжетом. Наличие пли отсутствие комедийности не отражается на оценках актерской игры, режиссерского решения и декораций. В то же время усиление развлекательности сопровождается понижением оценки актерской игры, режиссуры и декора, снижением обобщенной характеристики качества постановки. Хорошая комедия предполагает хорошую музыку, для развлекательного спектакля подобное требование не обязательно.

Хотя большинство из этих выводов представляются естественными и согласуются с результатами обычного содержательно-качественного искусствоведческого анализа, их сила — в количественной определенности, которая углубляет общую картину, выясняющуюся в ходе исследования. Существенно при этом, что разработанная методика привела к выявлению некоторых, «скрытых» переменных объективно присутствующих в системе рассматриваемых оценок, к возможности построения «числовых портретов» спектаклей и театров, к типологизации «театрального пространства».

Получаемые на этом пути заключения о связи признаков спектаклей, характера театров и свойств драматических постановок не носят самодовлеющего характера, а зависят от избранной модели — набора признаков и строения шкал. Эти результаты не следует противопоставлять «традиционному» театроведческому анализу, но они хорошо дополняют и углубляют таковой.

Полученные данные при известных условиях можно было бы подвергнуть, так сказать, и обратному анализу: использовать соответствующие числовые данные для оценки не спектаклей, театров и репертуара, а особенностей человеческого восприятия театральных постановок. Тогда мы имели бы задачу математико-модельного анализа художественного восприятия. Она также не нова. Изучение процессов восприятия искусства с помощью экспериментов и количественных методов началось в последней трети XIX в. и связано с так называемой экспериментальной эстетикой Г. Т. Фехнера¹⁶, методика которого в нашем веке была значительно усовершенствована. В России подобные наблюдения и опыты в 1896—1898 гг. проводил Ц. П. Балталон. В настоящее время изучение художественного восприятия стало самостоятельным  {162}  направлением в психологии искусства. Ныне эти исследования почти целиком построены на использовании вычислительной техники и тесно связаны с анализом понятия художественной информации. Последнее берется в его связи с другими понятиями, которыми оперирует эстетика, искусствознание и другие аналогичные науки.

Анализ произведений искусства — одна из первых сфер применения теоретико-информационных идей и методов, причем такая, которая отстояла достаточно далеко от. проблем техники связи, их породивших. Подобная «оперативность» выхода теории передачи сообщений по каналам связи в область искусствоведения связана с тем, что теория эта породила у ученых, изучающих искусство, — не только искусствоведов, но и математиков — стремление использовать ее аппарат для уточнения и измерения «эстетической субстанции» — того, что придает силу художественным произведениям, вызывает их эстетическое воздействие. Возникло убеждение, что эта «субстанция» по уровню абстракции аналогична информации, так как, подобно последней, не сводится ни только к форме, ни только к содержанию сообщений (эстетических), будучи, однако, в определенном смысле (и по еще во многом неясным законам) детерминированной как формальными, так и содержательными сторонами творений искусства. Обнаружение связи между силой эстетического воздействия тех или иных произведений, их элементов, приемов художественной выразительности и т. п., с одной стороны, и их «неожиданностью» — оригинальностью, с другой — стало истолковываться в пользу родства «эстетической субстанции» с феноменом информации (даже в его самой простой, «шенноновской», форме). На этой основе возникли поиски теоретико-информационного критерия (критериев) эстетического воздействия, — поиски, в которых искусствоведы чаяли найти тот инструмент измерения эстетических явлений, в котором они так нуждались, а специалисты по теории информации — отточить свои методы на «нетрадиционных» для них задачах. Так между кибернетиками (математиками) и искусствоведами возникло идейное сотрудничество, которое нашло выражение во многих работах по информативности искусства, искусствометрии вообще, — работах, среди авторов которых были такие ученые, как Г. Биркгоф и А. Н. Колмогоров. Однако проблема оказалась сложнее, чем поначалу представлялось. Стало ясно, что здесь может привести к успеху лишь кропотливая совместная работа  {163}  математиков, искусствоведов, социологов, проводимая с помощью методик, строящихся на математико-кибернетической базе.

Но опыты по «соединению» теории информации с искусствознанием не прошли даром. Информационный подход к эстетическому восприятию завоевал право на существование. Одной из концепций в этой области стала информационная эстетика, разработке которой посвящено уже много статей и несколько монографий, в частности А. Моля. Исходным пунктом информационно-эстетических концепций обычно является статистическая теория информации К. Шеннона. Формулы этой теории, надлежащим образом примененные, позволяют вычислить, сколько в эстетическом сообщении «новой информации» (в шенноновском смысле), т. е. насколько оно «оригинально», и сколько в нем «избыточности». А. Моль, развивающий подобный подход, считает, что благодаря избыточной информации форму сообщения можно варьировать, не меняя «содержания». Информационную эстетику — в этом смысле — как раз и интересует, каким образом автор эстетического сообщения — художник — использовал его избыточность. При данном информационно-эстетическом подходе изучается, так сказать, не текст произведения, а «почерк», которым оно написано.

В подобной информационной эстетике эстетическое понимание достаточно узко. Однако при других подходах, например семантическом, картина эстетического оказывается более содержательной¹⁷. Так, некоторые исследователи поэтического языка приходят к выводу о десемантизации знаков, становящихся объектами эстетического отношения. В художественном произведении тенденция к десемантизации сталкивается с противоположной тенденцией к осмыслению всех элементов текста, в результате чего возникает своего рода «напряжение» между поэтичностью и непоэтичностью. «Поэтическая информация как бы переносится с помощью информации другого рода, которой она противопоставлена, — познавательной, выразительной, политической, религиозной и т. п.  {164}  И только наличие такого носителя делает возможной передачу информации поэтической»¹⁸.

«Противопоставление», о котором говорится в приведенном отрывке, становится осязаемо-зримым, когда мы имеем дело с «машинной поэзией» и поэзией человеческой, но такой, что она по своей осмысленности приближается к современным образцам машинных стихов. Ниже приводятся шесть строф, часть из которых написана одним известным отечественным поэтом, а другая — машиной. Вопрос об авторстве мы предоставляем решать читателю.

Мы полагаем, что здесь трудно разделить человеческое и машинное. Ибо в этих строфах недостаточно «внехудожественной» — прежде всего познавательной — информации. Перевес образно-метафорического, «поэтического», над осмысленно-познавательным, «внепоэтическим», здесь таков, что, обладая свойством эмоциональной выразительности, приведенные стихи, чтобы быть «понятными», нуждаются в дополнительном осмыслении читателем (слушателем), восполняющим дефицит смысла.

Для художественного произведения свойственны специфические информационные отношения между эстетическим и внеэстетическим. В этих условиях становится очевидным значение разработки математических моделей восприятия, основывающихся на теоретико-информационных представлениях и объясняющих некоторые особенности организации художественных произведений.

Машинно-математическое изучение эстетического  {165}  восприятия позволяет выделить групповые различия в «чувстве прекрасного». В одном из исследований¹⁹ был применен апробированный ранее метод²⁰: испытуемым (экспертам) было предложено расположить картины (произведения реалистической живописи) по степени их привлекательности — от «лучшей» к «худшей» — без каких-либо высказываний о них. Математическая обработка полученных данных методом неметрического многомерного шкалирования позволила получить заключение о том, что же больше ценят в картинах испытуемые. В частности, при восприятии женского портрета факторами предпочтения оказались геометричность изображения и возраст изображаемой женщины, причем выявились особенности «мужского» и «женского» вкусов в этой области. Аналогичная методика была применена при исследовании музыкальных произведений и литературных текстов с точки зрения эстетического восприятия²¹. Например, испытуемым предъявлялись отрывки из произведений русских писателей (А. Пушкина, М. Лермонтова, Н. Гоголя, Л. Толстого, И. Тургенева, А. Белого) с просьбой упорядочить с точки зрения стилистического предпочтения (обработка данных эксперимента проводилась тем же методом неметрического многомерного шкалирования). Анализ показал, что одним из параметров стиля прозы, воспринимаемых испытуемыми и влияющих на его оценку, является так называемая прозрачность стиля, которая определяется как величина, зависящая от конкретности вызываемых у читателя ассоциаций. Этот параметр может быть — в лингвистических терминах — выражен как отношение числа вхождений глаголов в текст к суммарному числу вхождений в него глаголов, существительных и прилагательных. Полученные результаты, как считают исследователи, свидетельствуют о том,  {166}  что одни из читателей ориентируются на порождаемые текстом конкретно-вещные, наглядные ассоциации (прозрачность текста), а другие — скорее на присутствующие в нем некие абстрактные структуры. Испытуемые, для которых существенна текстовая прозрачность, предпочитают стиль А. Пушкина и позднего Л. Толстого, испытуемые с противоположной установкой — Н. Гоголя, И. Тургенева и А. Белого.

Таким образом, центральный метод в кибернетическом подходе к произведениям искусства, к их оценке и изучению процесса их создания — моделирование. Сильные результаты в модельном представлении творческих процессов на ЭВМ получены Р. X. Зариновым²². В его концепции «машинной музыки» отчетливо видна ориентация на выявление тех (хотя бы простейших) закономерностей, которые — обычно неосознанно — присутствуют в творческом процессе композитора. В качестве одной из них, как показывает изучение творчества композиторов, выступает перенос инвариантных отношений с одного музыкального объекта на другой.

Следует верно понимать значение «машинной музыки» и «машинной поэзии». Машинное «сочинение» новых мелодий есть реализация с помощью соответствующих математических моделей структурных закономерностей музыкальных произведений. Очевидно, что творцом машинной музыки следует считать не ЭВМ, не математика-исследователя или программиста и не тех композиторов, изучение творчества которых позволило сформулировать законы композиции, заложенные в информационно-вычислительное устройство, а сложную человеко-машинную систему, включающую в себя все эти элементы.

То же самое можно сказать и относительно «машинной поэзии». Из приводившихся выше шести стихотворных строф первая, четвертая и шестая «сочинены» машиной. Математическая модель, положенная в основу данной разработки, и принципы составления программы (см. журнал «Автоматика и телемеханика», 1978, № 8) позволяют имитировать стихотворный стиль поэта и его лексику: в частности, приведенные нами «машинные» стихи написаны ЭВМ, в память которой введена лексика одного из стихотворных сборников О. Мандельштама («человеческие» стихи принадлежат Б. Пастернаку).  {167} 

Как смог убедиться читатель, данная человеко-машинная система стихосложения весьма несовершенна. В этой связи уместно вспомнить мысль А. Н. Колмогорова: чтобы вложить в машину «способность» писать стихи на уровне больших поэтов, надо промоделировать все общество, в котором поэты развиваются. Тот факт, что стихи Б. Пастернака оказалось непросто отличить от «машинного О. Мандельштама», объясняется тем, что соответствующие строфы были специально подобраны, вырваны из контекста стихотворений; в приведенных образцах машинного творчества надо также учитывать, что расстановка знаков препинания (от которой во многом зависит восприятие при чтении) была сделана человеком-

Подводя итог анализу применения математико-кибернетических методов в изучении искусства, отметим одну важную тенденцию. Развитие науки (комплекса наук) о художественной культуре идет по пути расширения объекта исследования: от анализа проблемы «прекрасного», самого произведения искусства и его элементов, эстетического восприятия и эстетической оценки ко все большему охвату художественной культуры как целого. При этом подчеркивается значение научной строгости, воспроизводимости результатов экспериментального (в том числе и вычислительно-, модельно-экспериментального) исследования, кумуляции результатов, позволяющей «вписывать» достижения кибернетического моделирования в наличную систему знаний, и, наконец, четкой ориентации на практику управления и планирования в сфере культуры.

Кибернетика культуры

Как в Советском Союзе, так и в других странах ученые все более интересуются социальными процессами в современной художественной культуре. Системно-кибернетический подход находит здесь все большее применение. Изучение социально-культурных и социально-эстетических феноменов с использованием математики, конечно же, встречалось и ранее. Уже в книге де Сталь «О литературе, рассматриваемой в связи с общественными установлениями» (1800) была предложена своего рода технология изучения произведений литературы и читающей публики, использующая математические расчеты. В нашей стране комплексные социологические исследования такого рода, в частности литературы и круга чтения, начались в конце прошлого века и продолжались  {168}  в последующие десятилетия. В Третьяковской галерее в Москве и в Русском музее в Ленинграде изучались посетители — их вкусы, интересы, оценки. В. Э. Мейерхольд анализировал типы и частоту реакций зрительного зала на спектакли, С. М. Эйзенштейн внес приемы строгого мышления в исследование киноаудитории (им изучались, в частности, реакции зрителей на знаменитый кинофильм «Броненосец Потемкин»). Эти и другие аналогичные работы той поры имели экспериментальное основание, в них применялись статистические методы. Новый период наступил с начала 60-х годов, когда в культурологических разработках началось развернутое применение наук математико-кибернетического цикла, методов математического и машинного моделирования, вместе с арсеналом документалистики, социолингвистики и других дисциплин. Диапазон исследований захватил все институциональные образования художественной культуры: кино, театр, выставки произведений изобразительного искусства, музыкальные учреждения и пр. Изучаться стали эстетические потребности различных социальных категорий, посещаемость культурных учреждений, оценка произведений искусства со стороны лиц различного социального положения и возраста, особенно молодежи. Была поставлена задачи преодоления монотематичности разработок, когда, скажем, изучение клубного дела отрывается от анализа кино, телевидения, книготорговли. Стало очевидным, что только комплексные исследования, ведущиеся с широким использованием современных автоматических средств переработки информации, позволяют выявлять тенденции культурного развития и осуществлять обоснованное прогнозирование и планирование в рассматриваемой области. Данную сферу исследований и разработок уместно назвать социальной кибернетикой культуры.

Необходимость работ в области кибернетики культуры диктуется настоятельной потребностью в разработке перспективных и текущих планов культурного строительства, в рассмотрении различных вариантов управленческих решений, реализация которых весьма трудоемка, продолжительна по времени и связана со значительными перестройками сложившихся социокультурных циклов и институций. Сегодня принятие решений в сфере культуры не может происходить «по наитию», «на глазок»: искусство управления культурой должно быть дополнено наукой и техникой такого управления, позволяющими готовить решения опережающего характера.  {169} 

Основными направлениями повышения эффективности системы управления культурой являются: ориентация на конечный результат (повышение культурного уровня людей, развитие художественного производства и т. п.); умелое использование экономических стимулов; рационализация системы показателей состояния социокультурных процессов; создание службы сбора релевантной информации с использованием автоматизированных информационных систем, снабженных большими базами данных. Продвижение в этих направлениях должно служить выработке добротной структуры и адекватных методов культуро-управленческой деятельности. Фактически речь идет о комплексном целевом планировании социокультурных процессов, базирующемся на убедительных перспективных прогнозах развития культуры в ее различных частях и аспектах и учете взвешенных альтернативных решений, оцениваемых с точки зрения их ближайших и долговременных последствий. Только на этом пути возможно, например, решение такой важной задачи, как подъем культуры сельских районов, осуществляемый в условиях взаимодействия большого числа факторов и разнообразия в культурной специфике различных регионов страны.

Развитие культуры, необходимость повышения уровня планово-управленческой деятельности в данной области и потребность в росте эффективности соответствующих научных изысканий делают актуальной задачу разработки методологических проблем социального анализа культуры, использующего идеи и средства кибернетики. Соответствующий подход носит системный характер — художественная культура рассматривается как целостная, сложная, устойчивая, целенаправленная структура, обладающая определенным строением, функциями и динамикой развития соответствующих информационных процессов, а в качестве рабочего инструмента используются методы количественной оценки и измерений. Получаемые при этом результаты имеют четко выраженную управленческую ориентацию²³.

Системно-кибернетический подход к художественной культуре получает конкретизацию в виде системы уровней социального анализа культуры, охватывающей обще-,  {170}  специально- и эмпирико-социологический уровни²⁴. На этих уровнях — особенно на втором и третьем — изучение художественной культуры проводится методами эмпирического исследования, используются измерения, язык и методы математики, а практические приложения охватывают сферу стратегического, тактического и оперативного управления учреждениями культуры.

Структура художественной культуры как системы представляет собой единство трех подсистем: художественного производства, которое связано со всей совокупностью процессов и отношений, возникающих при создании художественных произведений; художественных (эстетических) потребностей; социального института (институтов) художественной культуры. Последняя подсистема как бы замыкает на себе первые две, поскольку соотношение и взаимодействие производства и потребления реализуется в тех или иных формальных и неформальных организационных рамках социального института и его учреждений.

Исследования динамики информационных процессов в системе художественной культуры свидетельствуют о том, что в процессе функционирования возникают потоки эстетической, социологической, экономической и иной информации, связывающие отдельные звенья системы и способствующие развитию художественной культуры, повышению ее воспитательного значения. Данные относительно направления изменений информационных процессов и о характере социодинамических циклов дают представление об «обратных связях», т. е. о воздействии художественной культуры на общество, что необходимо для социального планирования и управления.

В последние годы изучались различные виды, формы и явления культуры, анализировалось функционирование учреждений различных типов, культуро-социологические исследования велись по многим регионам Советского Союза. В результате выявлен ряд устойчивых тенденций²⁵. Так, выяснилось, что в структуре свободного времени население (без разделения на социальные группы) — в той части этого времени, которая приходится на приобщение к художественной культуре, — ведущее место занимают чтение (литература), восприятие передач художественного цикла телевидения и радио, а также  {171}  кинематографа, значительно уступают театр, симфоническая музыка, изобразительное искусство. Собран материал о характере художественных потребностей, эстетических оценок, о посещаемости учреждений культуры различных типов и о других формах отношения к художественной культуре лиц разных социальных групп. Следует отметить неравномерность культуро-социологических исследований различной направленности. Так, большого внимания заслуживает изучение взаимодействия разных видов художественной культуры в процессе их социального функционирования: их взаимосвязи со средствами массовой информации; выявление отношения людей к памятникам истории культуры и их охране и др. Решение этих задач требует преодоления таких трудностей, как несопоставимость данных, получаемых по различным методикам, на основании разных выборок, несогласованность социально-демографических характеристик и пр. Без этого во многих случаях будет затруднительно применение математических методов и вычислительной техники, которые должны способствовать упрочению связей культуро-социологических исследований с практикой управления в сфере культуры.

Большую роль в социально-психологических исследованиях художественной культуры играют различного рода методики опроса (анкетирование, взятие интервью и пр.) и экспертных оценок, контент-анализ, выступающий в качестве источника информации, обрабатываемой с помощью корреляционного, факторного, дисперсионного анализов и т. д. Например, обработка массива высказываний зрителей о спектаклях с использованием метода семантического дифференциала позволила предсказать характер воздействия спектакля на определенную категорию воспринимающих²⁶. Другим примером может служить разработка «социального портрета». Данное исследование было основано на результатах социологического опроса с последующей статистической обработкой его результатов, что позволило получить ответы на ряд вопросов, первоначально сформулированных в виде качественных гипотез. Эти ответы подтвердили методологически  {172}  важный тезис, согласно которому «участие в художественной самодеятельности является не только показателем отношения к искусству и определяется не только собственно художественными потребностями индивида, но связано во многом с направленностью и шпротой его общих культурных интересов, его общественно-культурной активностью»²⁷.

С социально-управленческой точки зрения интересны исследования, проводимые в Научно-исследовательском институте культуры Министерства культуры РСФСР. В одном из них содержится попытка квалификации такого сугубо качественного явления, как культура сельского района. Для этого была разработана система параметров, организованных в сравнительно небольшое число факторов, характеризующих две стороны сельской культуры: ее материальную базу и потребление за изучаемый год. Машинная обработка исходного материала (очень большого по объему) позволила получить обозримое число интегральных характеристик, по которым и проводился сравнительный анализ уровня культуры в разных районах²⁸. В другом исследовании разработан новый подход к оценке с помощью ЭВМ эффективности деятельности учреждений культуры²⁹. В основе этого метода лежит сопоставление блока «Измерение деятельности учреждений культуры» с блоком «Измерение результатов деятельности учреждений культуры». Это сопоставление осуществляется в рамках системно-динамической имитационной модели, «объединяющей» способности человека-специалиста к неформальному (содержательному) мышлению с возможностями ЭВМ в воспроизведении сложного процесса с последующим анализом множества вариантов. Результаты деятельности культурных учреждений оцениваются вычисляемым на ЭВМ так называемым «индексом культуры личности». Он определяется социопсихологическим тестированием группы лиц («респондентов»),  {173}  отобранных из числа «потребителей продукций» данного учреждения культуры.

Как представляется, квантификация таких качественных явлений, как художественные потребности, интересы, вкусы людей и т. п., должна составить одну из важных задач оперативной и надежной службы сбора социальной информации в области художественной культуры, а эта служба должна выступать в качестве необходимого элемента разработок АСУ в сфере культуры. Подобные работы, доведенные до уровня информационно-поисковых систем на базе ЭВМ, могут много дать для решения проблем руководства культурой³⁰. Опыт, накопленный в Главном вычислительном центре Министерства культуры РСФСР, убедительно показывает возможность успешного решения как методологических, так и организационных проблем сборами анализа релевантной социально-экономической и социопсихологической информации.

Располагая системой измеримых показателей культуры, методами адекватной математической обработки данных и опытом разработки машинно реализуемых моделей, можно более эффективно решать сложные вопросы соотношения прогноза и плана, выработать целостную концепцию развития культуры. Такая концепция должна быть связана с выделением: сфер планирования — объекта (художественная культура в ее различных выражениях), субъекта (органы управления) науки о культуре; уровней планирования — стратегического (программа развития художественной культуры в рамках страны), тактического (художественная культура как отрасль), оперативного (планы учреждений культуры); типов планирования — экстраполяционного, нормативного, целевого; видов планирования — территориального (в сочетании с отраслевым), межведомственного, комплексного; временных координат планирования — долгосрочного (перспективного), среднесрочного (на пятилетку), краткосрочного (на год).

Концепция эта должна быть подчинена более общей задаче — переходу к комплексному целевому планированию в сфере культуры. Такое планирование должно  {174}  в полной мере принимать во внимание структуру и аспекты культуры как большой системы в кибернетическом смысле. Ибо в структуре социалистического общества культура обнаруживает себя, с одной стороны, как группа министерств и ведомств, а с другой — как инфраструктура, охватывающая и пронизывающая всю социальную жизнь, поскольку культурный уровень работников, где бы они ни действовали, является чрезвычайно важным фактором. Программно-целевой подход позволяет учесть обе «культуры», переводя прогнозные цели на язык плановых показателей (охватывающих материальную базу культуры, кадры, науку о культуре, управление в сфере культуры, культурный уровень народа в целом).

Успех в исследованиях, основанных на системно-кибернетическом подходе, во многом зависит от объединения усилий ученых и работников органов управления и планирования культуры. И на сегодня остаются актуальными слова, сказанные много лет назад первым председателем Госплана Советского Союза Г. М. Кржижановским: «Я думаю, что наука о планировании, так же как и вся другая наука, вырастает на этом стыке работников теоретической мысли с нуждами практической деятельности»³¹. В укрепление этого стыка серьезный вклад вносит кибернетика — эта, пожалуй, самая практическая из теоретических областей знания.

ОБ АВТОРАХ И ПУБЛИКАЦИЯХ

Белоцерковский Олег Михайлович, академик, заместитель академика-секретаря Отделения механики и процессов управления, председатель Научного совета по комплексной проблеме «Кибернетика» при Президиуме АН СССР, ректор Московского физико-технического института.

Макаров Игорь Михайлович, член-корреспондент АН СССР, заместитель министра высшего и среднего специального образования СССР, председатель Научного совета АН СССР по проблеме «Роботы и робототехнические системы».

Статья И. М. Макарова «Современные проблемы роботизации» представляет собой вариант его выступления в журнале «Техника—молодежи» (1981, N 2).

Пекелис Виктор Давидович, член Союза писателей СССР. Статья «Кибернетика и практика» написана специально для сборника.

Петров Борис Николаевич (1913—1980), академик, вице-президент АН СССР, председатель Совета по международному сотрудничеству в области исследования и использования космического пространства («Интеркосмос»).

Специалист в области авиационной и космической автоматики и систем управления.

Статья представляет собой обработанную запись выступлений на совещаниях, проведенных в 1979—1980 гг. в Научном совете по комплексной  {176}  проблеме «Кибернетика» при Президиуме АН СССР на темы: «Общие вопросы кибернетики», «Кибернетика и биология», «Кибернетика и гуманитарные науки».

Гаазе-Рапопорт Модест Георгиевич, кандидат технических наук. Занимается методологическими проблемами и практическим приложением кибернетики.

Статья написана специально для сборника по предложению академика Б. Н. Петрова.

Апокин Игорь Алексеевич, кандидат технических наук, старший научный сотрудник Института истории естествознания и техники АН СССР.

Статья написана для сборника на основе публикаций автора в журнале «Природа»: «Автоматизация: возможности и ограничения» (1978, № 7); «Современная научно-техническая революция: ее содержание и перспективы» (1981, № 4).

Волков Генрих Николаевич, доктор философских наук, профессор, член Союза писателей СССР, член редколлегии журнала «Коммунист».

Статья впервые опубликована в сборнике «Будущее науки» (1980. Вып. № 13).

Нестерихин Юрий Ефремович, академик, директор Института автоматики и электрометрии СО АН СССР.

Статья представляет собой сокращенное изложение материала, впервые опубликованного в журнале «ЭКО» (1982, № 10(100)) и в газете «Комсомольская правда» (1983, 12 марта).

Поспелов Дмитрий Александрович, доктор технических наук, профессор, заместитель председателя Научного совета по проблеме «Искусственный интеллект» Комитета по системному анализу при Президиуме АН СССР.

Статья написана специально для сборника.

Ломов Борис Федорович, член-корреспондент АН СССР, член-корреспондент АПН СССР, директор Института психологии АН СССР.

Статья впервые опубликована в журнале «Вопросы философии» (1981, №2).

Кочур Анатолий Павлович, кандидат технических наук, специалист в области вычислительной техники.

Статья представляет собой сокращенное изложение материала, опубликованного в брошюре «Супер-ЭВМ» (М.: Знание, 1978) и в журнале «США» (1980, № 6).

Захарченко Валерий Михайлович, кандидат технических наук, старший научный сотрудник.

Скроцкий Георгий Викторович, доктор физико-математических наук, профессор, заведующий кафедрой макроскопической квантовой физики Московского физико-технического института.

Статья написана специально для сборника.

Якубайтис Эдуард Александрович, вице-президент АН ЛатвССР, директор Института электроники и вычислительной техники АН ЛатвССР.

Вариант статьи, впервые опубликованный в газете «Правда» (1981, 16 июня).

Глушков Виктор Михайлович (1923—1982), академик, вице-президент АН УССР, директор Института кибернетики АН УССР.

Каныгин Юрий Михайлович, доктор экономических наук, профессор, заведующий лабораторией экономики и организации машинной информации Института кибернетики им В. М. Глушкова АН УССР.

Статья представляет собой сокращенный вариант брошюры авторов «Основы экономики и организации машинной информатики» (Киев: ИК АН УССР, 1981).

Поспелов Гермоген Сергеевич, член-корреспондент АН СССР, заместитель академика-секретаря Отделения механики и процессов управления АН СССР, специалист в области исследования проблем искусственного интеллекта.

Статья представляет собой сокращенный вариант брошюры автора «Системный анализ и искусственный интеллект» (М.: ВЦ АН СССР, 1980).

Бирюков Борис Владимирович, доктор философских наук, профессор, председатель комиссии «Представление знаний и логика принятия решений» Научного совета по комплексной проблеме «Кибернетика» при Президиуме АН СССР. Специалист в области логики и методологических проблем кибернетики.

Плотников Сергей Николаевич, доктор философских наук, профессор, заведующий отделом Научно-исследовательского института культуры Министерства культуры РСФСР.

Работает в области эстетики и социологии.

Статья написана специально для сборника.

СОДЕРЖАНИЕ