Рассмотрим такую нервную сеть, которая на входе имеет много рецепторов, а на выходе — всего один эффектор, так что нервная сеть делит множество всех ситуаций на два подмножества: ситуации, вызывающие возбуждение эффектора, и ситуации, оставляющие его в покое. Задачу, решаемую в этом случае нервной сетью, называют задачей распознавания (имеется в виду распознавание принадлежности ситуации к тому или иному множеству). Животному в борьбе за существование приходится сплошь и рядом решать задачу распознавания, например: отличить ситуацию, опасную для жизни, от неопасной, отличить съедобные предметы от несъедобных и т. п. Это только наиболее яркие примеры, детальный анализ поведения животного приводит к выводу, что для выполнения сколь-нибудь сложного действия оно должно непрерывно решать множество «мелких» задач распознавания.

Множество ситуаций в кибернетике называют понятием¹. Чтобы лучше уяснить, как кибернетическое понимание слова «понятие» связано с его обычным пониманием, допустим, что рецепторы рассматриваемой нами нервной сети — это светочувствительные нервные окончания сетчатки глаза или же вообще какие-то светочувствительные точки на экране, подающем информацию в нервную сеть. Рецепторы возбуждаются тогда, когда соответствующий участок экрана освещен (точнее, когда его освещенность больше некоторой пороговой величины), и остаются в состоянии покоя — в противном случае. Если на месте каждого возбужденного рецептора представить себе светлую точку, а на месте каждого невозбужденного — темную, то получится картина, которая отличается от изображения, падающего на экран, лишь своей дискретностью (т. е. тем, что она распадается на отдельные точки) и отсутствием полутонов. Будем считать, что точек (рецепторов) на экране достаточно много, а изображения, которые могут оказаться на экране, — их мы будем называть «картинками» — предельно контрастны, т. е. состоят лишь из белого и черного цвета. Тогда каждая ситуация соответствует определенной картинке.

Согласно традиционной (аристотелевской) логике, когда мы думаем или говорим о какой-то определенной картинке (например, о той, которая находится в левом верхнем углу на рис. 2.1), то мы имеем дело с единичным понятием. Кроме единичных понятий, есть еще общие, или абстрактные, понятия. Например, мы можем думать о пятне вообще — не о каком-либо конкретном пятне (допустим, из числа изображенных в верхнем ряду на рис. 2.1), а о пятне как таковом. Точно так же мы можем обладать абстрактным понятием прямой линии, контура, четырехугольника, квадрата и т. д.²

Однако что значит «обладать абстрактным понятием»? Как можно проверить, обладает ли кто-то данным абстрактным понятием, например понятием «пятно»? Очевидно, только одним способом: предложить испытуемому серию картинок и попросить, чтобы он о каждой из них сказал, пятно это или нет. Если окажется, что он называет пятном только те и все те картинки, на которых «изображено пятно» (это уже с точки зрения испытующего), то, значит, понятием пятна он обладает. Иначе говоря, мы должны проверить его способность распознавать принадлежность любой предъявленной картинки к множеству картинок, которые мы описываем словом «пятно». Итак, абстрактное понятие в обычном смысле слова — во всяком случае когда речь идет о чувственно воспринимаемых образах — совпадает с введенным нами кибернетическим понятием понятия как множества ситуаций. Поэтому задачу распознавания называют также, желая сделать термин более конкретным, задачей распознавания образов (имеется в виду «обобщенных» образов) или задачей распознавания понятий (имеется в виду распознавание частных случаев понятий).

Множеству, состоящему из одной ситуации (картинки), соответствует в традиционной логике конкретное понятие «данная картинка». Отношения между множествами имеют свои непосредственные аналоги в отношениях между понятиями. Если большими буквами обозначить понятия, а маленькими — соответствующие множества, то дополнение множества a, т. е. множество всех мыслимых ситуаций, не входящих в a, соответствует понятию «не A». Пересечение множеств a и b, т. е. множество ситуаций, которые входят и в a, и в b, соответствует понятию «A и B одновременно». Например, если A — понятие «прямоугольник», а B — понятие «ромб», то «A и B одновременно» — понятие «квадрат». Объединение множеств a и b, т. е. множество ситуаций, которые входят хотя бы в одно из множеств a и b, соответствует понятию «либо A, либо B, либо A и B». Если множество a включает в себя множество b, т. е. каждый элемент множества b входит в множество a, но не наоборот, то понятие B есть частный случай понятия A. При этом говорят, что понятие A более общее (абстрактное), чем понятие B, а понятие B более конкретное, чем A. Например, квадрат есть частный случай прямоугольника. Наконец, если множества a и b совпадают, то понятия A и B по существу тождественны и отличаются, быть может, лишь внешней формой их описания — способом распознавания. Встав на точку зрения кибернетики, т. е. отождествив понятие с множеством ситуаций, мы должны рассматривать перечисленные соответствия не как определение новых терминов, а просто как указание на наличие в нашем языке нескольких пар синонимов.

Нервную сеть, решающую задачу распознавания, мы назовем распознавателем, а состояние эффектора на его выходе будем называть просто состоянием распознавателя. Отправляясь от понятия распознавателя, мы введем несколько более общее понятие классификатора. Распознаватель делит множество всех мыслимых ситуаций на два непересекающихся подмножества: A и не A. Можно представить себе деление полного множества ситуаций на произвольное число n пересекающихся подмножеств. Такие подмножества называют обычно классами. Теперь вообразим некую подсистему C, имеющую n возможных состояний и связанную нервной сетью с рецепторами таким образом, что, когда ситуация принадлежит к i-му классу (i-му понятию), подсистема C приходит в i-е состояние. Такую подсистему вместе с нервной сетью мы будем называть классификатором по множеству n понятий (классов), а, говоря о состоянии классификатора, подразумевать состояние подсистемы C (выходной подсистемы). Распознаватель — это, очевидно, классификатор с числом состояний n = 2.

В системе, организованной по двоичному принципу подобно нервной системе, подсистема C с n состояниями будет, конечно, состоять из какого-то числа элементарных подсистем с двумя состояниями, которые можно рассматривать как выходные подсистемы (эффекторы) распознавателей. Состояние классификатора, следовательно, будет описываться указанием состояний ряда распознавателей. Однако эти распознаватели могут быть тесно связаны между собой как по структуре сети, так и по выполняемой функции в нервной системе, и в этом случае их следует рассматривать в совокупности как один классификатор.

Если не накладывать никаких ограничений на число состояний, то понятие «классификатор» фактически теряет смысл. Действительно, всякая нервная сеть сопоставляет каждому входному состоянию одно определенное выходное состояние; следовательно, каждому выходному состоянию соответствует множество входных состояний, и эти множества не пересекаются. Таким образом, всякое кибернетическое устройство с входом и выходом можно формально рассматривать как классификатор. Придавая этому понятию более узкий смысл, мы будем считать, что число выходных состояний классификатора гораздо меньше, чем число входных состояний, так что классификатор действительно «классифицирует» входные состояния (ситуации) по относительно небольшому числу больших классов.

На рис. 2.2 приведена схема классификатора, организованного по иерархическому принципу. Иерархия вообще — это такое построение системы из подсистем, когда каждой подсистеме приписывается определенное целое число, называемое ее уровнем, причем взаимодействие подсистем существенно зависит от разности их уровней, подчиняясь некоторому общему принципу. Обычно этот принцип — передача информации в определенном направлении (сверху вниз или снизу вверх) от данного уровня к следующему. В нашем случае рецепторам приписывается нулевой уровень, и информация распространяется снизу вверх. Каждая подсистема первого уровня связана с некоторым числом рецепторов, и ее состояние определяется состояниями соответствующих рецепторов. Точно так же каждая подсистема второго уровня связана с рядом подсистем первого уровня и т. д. На высшем (на схеме — четвертом) уровне находится одна выходная подсистема, которая и выносит окончательный приговор о принадлежности ситуации к тому или иному классу.

Из этого определения, которое трудно назвать шедевром ясности мысли, можно все-таки заключить, что общие понятия, которые образуются не путем перечисления единичных объектов, входящих в него, а путем указания ряда признаков, объявляемых существенными, и отвлечения от остальных (несущественных) признаков, можно также считать абстрактными. Мы будем рассматривать только такие общие понятия и будем называть их также абстрактными. Например, абстрактный треугольник — это любой треугольник, независимо от величины его сторон и углов и его положения на экране, следовательно, это абстрактное понятие. Такое употребление термина «абстрактный» имеет место в обиходе, а также в математике. В то же время, согласно учебнику логики, «треугольник», «квадрат» и т. п. суть конкретные общие понятия, а вот «треугольность» и «квадратность», которые им свойственны, это понятия абстрактные. По существу, здесь в ранг логического возводится чисто грамматическое различие, ибо даже с точки зрения сторонника последнего варианта терминологии обладание абстрактным понятием равнозначно обладанию соответствующим общим понятием.

Все подсистемы промежуточных уровней также являются классификаторами. Непосредственным входом k-го уровня служат состояния классификаторов k-1-го уровня, совокупность которых является для него ситуацией, подлежащей классификации. В иерархической системе, содержащей более одного промежуточного уровня, можно выделить иерархические подсистемы, охватывающие несколько уровней. Например, в качестве входных ситуаций для классификатора третьего уровня можно рассматривать состояния всех связанных с ним классификаторов первого уровня. Иерархические системы можно достраивать «вширь» и «ввысь» подобно тому, как из восьми кубиков можно сложить кубик с вдвое большим ребром, а из этих кубиков — еще больший кубик и т. д.

Так как с каждым классификатором связана система понятий, иерархия классификаторов порождает иерархию понятий. Передаваясь от уровня к уровню, информация преобразуется, выражаясь в терминах все более «высокопоставленных» понятий. При этом количество передаваемой информации постепенно уменьшается за счет отбрасывания информации, несущественной с точки зрения задачи, поставленной перед «верховным» (выходным) классификатором.

Поясним этот процесс на примере картинок, изображенных на рис. 2.1. Пусть поставлена задача распознавания «домиков». Введем два промежуточных понятийных уровня. На первом разместим совокупность понятий «отрезки», на втором — понятия «многоугольники». Понятие «домик» окажется на третьем уровне.

Под понятием «отрезки» мы понимаем совокупность понятий «отрезок с координатами концов x₁, y₁ и x₂, y₂», где числа x₁, y₁, x₂, y₂ могут принимать любые совместимые с устройством экрана и системой координат значения. Чтобы быть конкретнее, допустим, что экран содержит 1000 × 1000 светочувствительных точек. Тогда координатами могут служить десятиразрядные двоичные числа (2¹⁰ = 1024 > 1000), а отрезок с заданными концами требует для своей характеристики четыре таких числа, т. е. 40 двоичных разрядов. Всего, следовательно, существует 2⁴⁰ таких понятий. Их-то и должны различать классификаторы первого уровня.

Не надо думать, что отрезок с заданными концами — конкретное понятие, т. е. множество, состоящее из одной картинки. Классифицируя предъявленную картинку как отрезок с заданными концами, мы отвлекаемся от незначительных искривлений линии, вариаций ее толщины и т. п. (см. рис. 2.1). Критерий того, какие отклонения от нормы нам следует считать незначительными, может устанавливаться по-разному. Сейчас это нас не интересует.

Каждый классификатор первого уровня должен иметь на выходе подсистему из 40 двоичных разрядов, на которых «записаны» координаты концов отрезка. Сколько нужно классификаторов? Это зависит от того, какие картинки ожидаются на входе системы. Допустим, что для описания любой картинки достаточно 400 отрезков. Значит, достаточно 400 классификаторов. Разделим этот экран на 400 квадратов (50 × 50 точек) и свяжем с каждым квадратом классификатор, который будет фиксировать ближайший к нему, в каком-то смысле (детали разделения труда между классификаторами несущественны), отрезок. Если отрезка нет, пусть классификатор принимает какое-то стандартное «бессмысленное» состояние, например: все четыре координаты равны 1023.

Если предъявить нашей системе картинку, на которой изображено сколько-то отрезков, то соответствующее число классификаторов первого уровня укажет координаты концов отрезков, а остальные примут состояние «нет отрезка». Это и есть описание ситуации в терминах понятий «отрезки». Сравним количество информации на нулевом и на первом уровнях. На нулевом уровне нашей системы 1000 × 1000 = 10⁶ рецепторов получают информацию в миллион бит. На первом уровне 400 классификаторов, каждый из которых содержит 40 двоичных разрядов, т. е. 40 бит информации, всего 16 000 бит. При переходе на первый уровень количество информации уменьшилось в 62,5 раза. Система сохранила ту информацию, которую она сочла «полезной» и отбросила информацию «бесполезную» с ее точки зрения. Относительность этих понятий видна из того, что если предъявленная картинка не соответствует иерархии понятий системы распознавания, то реакция системы будет неправильной или просто бессмысленной. Если, например, на картинке более 400 отрезков, то не все отрезки будут зафиксированы, а если предъявить картинку с пятном, то реакция на нее будет такая же, как на пустую картинку.

Совокупность понятий «многоугольники», занимающую второй уровень иерархии, мы делим на две меньших совокупности: равнобедренные треугольники и параллелограммы. Из числа параллелограммов мы выделяем в особую совокупность прямоугольники. Считая, что для задания угла и длины надо столько же бит (10), как и для координаты, находим, что для задания определенного равнобедренного треугольника надо 50 бит информации, параллелограмма — 60 бит, прямоугольника — 50 бит. Соответственно этому должны быть сконструированы классификаторы второго уровня. Легко видеть, что вся нужная им информация имеется в наличии на первом уровне. Наличие многоугольника констатируется при наличии нескольких отрезков, находящихся между собой в определенных отношениях. При переходе на второй уровень происходит дальнейшее сжатие информации. Отводя из полного числа 400 отрезков по одной трети на каждый вид многоугольников, получаем систему, способную зафиксировать 44 треугольника, 33 прямоугольника и 33 параллелограмма (одновременно). Ее информационная емкость 5830 бит, т. е. почти втрое меньше, чем емкость первого уровня. Зато перед неправильным треугольником или четырехугольником система встанет в тупик!

Понятие «домик» легко описать на языке понятий второго уровня. Домик состоит из четырех многоугольников: одного прямоугольника, одного равнобедренного треугольника и двух параллелограммов, находящихся в определенных отношениях друг к другу (основание равнобедренного треугольника совпадает с одной стороной прямоугольника и т. д.).

Во избежание недоразумений следует указать, что иерархия понятий, о которой мы говорим, имеет гораздо более общий смысл, чем иерархия понятий по абстрактности (общности), которую часто называют просто «иерархия понятий». Примером иерархии по общности может служить пирамида понятий, относящихся к систематике животных. На нулевом уровне располагаются отдельные особи животных («конкретные» понятия), на первом — виды, на втором — роды, затем — семейства, отряды, классы, типы. На вершине пирамиды находится понятие «животное». Такая пирамида является частным случаем иерархии понятий в общем смысле, отличающимся тем, что каждое понятие k-го уровня образуется из некоторого числа понятий k-1-го уровня путем их объединения. Это соответствует очень просто устроенным классификаторам. В общем случае классификаторы могут быть устроены как угодно. Распознаватели, нужные животному, — это скорее иерархии по сложности и тонкости понятий, а не по общности.

Вернемся снова к эволюции нервной системы. Может ли иерархия классификаторов возникнуть эволюционным путем? Очевидно, может, но при одном условии: если создание каждого нового уровня иерархии и его последующего расширения полезны животному в борьбе за жизнь. Из факта существования животных с высокоорганизованной нервной системой мы делаем вывод, что так оно и есть в действительности. Кроме того, изучая примитивных животных, мы видим, что система понятий, которые способна распознавать их нервная система, также весьма примитивна. Следовательно, в пользе нижайшего уровня иерархии классификаторов мы убеждаемся воочию.

Набросаем в общих чертах путь развития нервной системы. На начальных стадиях мы находим у животного всего несколько рецепторов. Число возможных способов связи между ними (соединений) относительно невелико и допускает прямой перебор. По методу проб и ошибок находится выгодное соединение. То, что выгодное соединение может существовать даже при очень малом числе нейронов, легко видеть на таком примере. Пусть есть всего два светочувствительных рецептора. Если они расположены на разных сторонах тела, то информация, которую они дают (разность освещенностей), достаточна, чтобы животное могло двигаться на свет или против света. Когда выгодное соединение найдено и осуществлено, допустим, с помощью одного промежуточного нейрона (такие нейроны называются ассоциативными), вся группа в целом может быть размножена. Так возникает система ассоциативных нейронов, регистрирующих, например, разности между освещенностями рецепторов и суммирующих эти разности (рис. 2.3).

Может быть размножена также любая часть системы связанных нейронов, например, один или несколько рецепторов. Тогда возникает система связей типа изображенной на рис. 2.3,б. Схемы обоих типов образуют в совокупности первый уровень иерархии, основанный на понятиях суммы и разности освещенностей. Поскольку для корректировки движения животного очень важно регистрировать изменение освещенности в данной точке со временем, можно предположить, что на самых ранних стадиях должны появиться нейроны, срабатывающие при изменении освещенности в точке. Это может быть как рецептор, так и ассоциативный нейрон, связанный с одним или несколькими рецепторами. В общем виде можно охарактеризовать классификаторы первого уровня как регистрирующие суммы и разности возбуждений рецепторов в пространстве и времени.

Доказав свою полезность для животного, классификаторы первого уровня прочно входят в число его средств борьбы за существование. Тогда начинается следующая серия проб и ошибок: небольшое число классификаторов первого уровня (точнее, их выходных подсистем) связывается между собой в один пробный классификатор второго уровня, пока не получится полезное соединение. Затем оказывается полезным размножение этого соединения. Можно предположить, что на втором уровне иерархии — поскольку это касается органов зрения — появляются такие понятия, как граница между светом и тенью, средняя освещенность пятна, движение границы между светом и тенью и т. п. Таким же путем возникают и следующие уровни иерархии.

Набросанная нами схема наводит на мысль, что любая сложная система, возникшая в процессе эволюции по методу проб и ошибок, должна иметь иерархическую организацию. Действительно, не имея возможности перебрать все мыслимые соединения большого числа элементов, природа перебирает соединения из нескольких элементов, а найдя полезную комбинацию, размножает ее и использует как целое в качестве элемента, который может быть связан с небольшим числом других таких же элементов. Так и возникает иерархия. Это понятие играет огромную роль в кибернетике. Фактически всякая сложная система, как возникшая естественно, так и созданная человеком, может считаться организованной, только если она основана на некой иерархии или переплетении нескольких иерархий. Во всяком случае, до сих пор мы не знаем организованных систем, устроенных иначе.

При сравнении нашей схемы с действительностью необходимо учитывать следующее.

Деление системы понятий на уровни не является столь безусловным, как мы молчаливо предполагали. Могут быть случаи, когда понятия k-го уровня непосредственно используются на k+2-м уровне, минуя k+1-й. На рис. 2.2 мы втиснули такую возможность в общую схему, введя классификаторы, связанные лишь с одним классификатором предыдущего уровня и повторяющие его состояния; они изображены перечеркнутыми квадратиками. В действительности, конечно, их нет, что затрудняет расчленение системы на уровни.

Далее, иерархия классификаторов, изображенная на рис. 2.2, имеет четко выраженный пирамидальный характер: чем выше уровень, тем меньше классификаторов, а на верхнем уровне он всего один. Такая ситуация имеет место, когда система чрезвычайно «целенаправленна», т. е. служит для какой-то весьма узкой цели, для какого-то четко определенного способа классификации ситуаций. В примере, который мы приводили, это было распознавание «домиков». И мы видели, что уже неправильные трех- или четырехугольники для такой системы оказываются «бессмысленными»; они не вписываются в иерархию понятий. Чтобы быть более универсальной, система должна быть подобной не одной пирамиде, а многим пирамидам, вершины которых расположены приблизительно на одном уровне и образуют множество понятий (а точнее, множество систем понятий), в терминах которых происходит управление действиями животного и которые обычно обнаруживаются при исследовании его поведения. Об этих понятиях говорят, что они составляют основу определенного «образа» внешнего мира, который складывается в представлении животного (или человека). Состояние классификаторов этого уровня является непосредственной информацией для исполнительной части нервной сети (т. е. в конечном счете для эффекторов). Каждый из этих классификаторов опирается на определенную иерархию классификаторов — пирамиду, по которой движется информация так, как это было описано выше. Однако пирамиды могут перекрываться в своих средних частях (и заведомо перекрываются в своей нижней части — рецепторах). Общее число вершин пирамиды может быть теоретически как угодно велико, в частности, оно может быть много больше общего числа рецепторов. Это тот случай, когда одна и та же информация, доставляемая рецепторами, представляется множеством пирамид в множестве различных форм, рассчитанных на все случаи жизни.

Отметим еще одно обстоятельство, которое следует учитывать при поисках иерархии в реальной нервной сети. Если мы видим нейрон, соединенный синапсами с сотней рецепторов, то это еще не значит, что он фиксирует какое-то простое понятие первого уровня типа суммарного числа возбуждений рецепторов. Логическая функция, связывающая состояние нейрона с состоянием рецепторов, может быть весьма сложной и имеющей собственную иерархическую структуру.

Для исследования иерархии классификаторов и понятий, относящихся к зрительному восприятию у животных, чрезвычайно интересна работа четырех ученых из Массачусетского технологического института (Дж.Летвин и др.) «Что сообщает глаз лягушки мозгу лягушки»³. Лягушка была избрана авторами в качестве подопытного животного потому, что ее зрительный аппарат обладает некоторыми качествами простоты, которые делают его удобным для изучения. Прежде всего, сетчатка глаза лягушки однородна; она не имеет в отличие от глаза человека области с повышенной чувствительностью, на которую нужно проектировать наиболее важную часть изображения. Поэтому и взгляд лягушки неподвижен, она не следит взглядом за двигающимся предметом, как это делаем мы. С другой стороны, если лягушка качается, сидя на листе кувшинки, ее глаза совершают такие движения, которые компенсируют качание, так что изображение внешнего мира на сетчатке остается неподвижным. Информация от сетчатки передается по зрительному нерву к так называемому зрительному бугру мозга. Этим лягушка также отличается от человека в сторону простоты, так как у человека есть два канала передачи информации от сетчатки к мозгу.

Зрение играет большую роль в жизни лягушки: с его помощью она охотится и спасается от врагов. Исследование поведения лягушки показывает, что она отличает добычу от врага по размерам и состоянию движения. Очень интересно, что движение играет здесь решающую роль. Завидев маленький (размеров насекомого или червя) движущийся предмет, лягушка прыгает и схватывает его. Лягушку можно обмануть, раскачивая на ниточке маленький несъедобный предмет. Но на неподвижного червяка или насекомое лягушка не обращает ни малейшего внимания, и она может умереть с голоду среди обилия пищи, если эта пища неподвижна. Большие движущиеся предметы лягушка считает врагами и спасается от них бегством.

Сетчатка глаза лягушки, как и других позвоночных, имеет три слоя нервных клеток. Верхний (самый внешний) слой образуют светочувствительные рецепторы — палочки и колбочки. Затем идет слой ассоциативных нейронов нескольких типов. Одни из них (так называемые биполярные клетки) дают преимущественно вертикальные аксоны, по которым возбуждение передается в более глубокие слои. Другие (горизонтальные, или амакринные клетки) связывают нейроны, расположенные на одном уровне. Последний по глубине залегания — третий слой — образуют так называемые ганглиозные клетки. Их дендриты получают информацию от клеток второго слоя, а аксоны представляют собой длинные волокна, которые сплетаются в жгут — зрительный нерв, соединяющий сетчатку с мозгом. Эти аксоны ветвятся, входя в зрительный бугор мозга, и передают информацию дендритам мозговых нейронов.

Глаз лягушки имеет около миллиона рецепторов, около трех миллионов ассоциативных нейронов второго слоя и полмиллиона ганглиозных клеток. Такая структура сетчатки дает основание предположить, что анализ изображения начинается уже в глазу животного и изображение передается по зрительному нерву в терминах каких-то промежуточных понятий. Сетчатка как бы является вынесенной на периферию частью мозга. Это предположение подтверждается тем, что расположение на поверхности зрительного бугра точек входа нервных волокон (аксонов) совпадает с расположением соответствующих ганглиозных клеток на выходе сетчатки. И это несмотря на то, что на протяжении зрительного нерва волокна многократно переплетаются друг с другом и меняют свое положение на срезе нерва. Наконец, к тому же заключению приводят и данные эмбриологии о развитии сетчатки.

В описываемых опытах в зрительный нерв лягушки вводился тонкий платиновый электрод, что позволяло регистрировать возбуждение отдельных ганглиозных клеток. Лягушка помещалась в центр алюминиевой полусферы, имеющей (изнутри) матово-серый цвет. По внутренней поверхности полусферы могли перемещаться различные темные предметы — прямоугольники, диски и т. п., поддерживаемые с помощью магнита, расположенного с внешней стороны полусферы.

Результаты экспериментов мы можем суммировать следующим образом. Каждая ганглиозная клетка имеет определенное рецептивное поле, т. е. участок сетчатки (множество рецепторов), с которого она собирает информацию. Состояние рецепторов вне рецептивного поля никак не влияет на состояние ганглиозной клетки. Размеры рецептивных полей у клеток разного типа, если измерять их угловыми размерами соответствующей видимой области, варьируются от 2 до 15° в диаметре.

Ганглиозные клетки делятся на четыре типа в зависимости от того, какой процесс в своем рецептивном поле они регистрируют. Эти типы следующие:

• Детекторы длительно сохраняющегося контраста. Эти клетки не реагируют на включение или выключение общего освещения. Но если в рецептивном поле появляется край объекта, более темного или более светлого, чем фон, цвета, то клетка сразу же начинает генерировать импульсы.
• Детекторы выпуклых краев. Эти клетки возбуждаются в том случае, если в рецептивном поле появляется маленький (не более 3°) выпуклый объект. Максимальное возбуждение (частота импульсов) достигается, когда диаметр объекта составляет примерно половину диаметра рецептивного поля. На прямой край объекта клетка не реагирует.
• Детекторы движущихся краев. Их рецептивное поле обладает шириной примерно 12°. Клетка реагирует на любой различимый край объекта, более темного или более светлого, чем фон, цвета; но только при условии, что он движется. Если через поле плавно перемещается предмет шириной более 5°, то возникают две реакции: на передний и на задний край.
• Детекторы затемнения поля. Они посылают серию импульсов, если внезапно уменьшается общая освещенность рецептивного поля.

Чрезвычайно интересно, как расположены окончания зрительных волокон в зрительном бугре мозга. Мы уже говорили, что в плане это расположение совпадает с расположением соответствующих ганглиозных клеток в сетчатке. Но, кроме того, оказывается, что окончания волокон каждого типа находятся в зрительном бугре на определенной глубине, так что в мозгу лягушки имеется четыре слоя нейронов, воспринимающих зрительную информацию, и каждый слой как бы получает оттиск сетчатки, но в определенном аспекте соответственно одному из четырех типов ганглиозных клеток. Эти слои и являются датчиками информации для высших отделов мозга.

Опыты, подобные описанным, довольно сложны, и по поводу их интерпретации иногда возникают споры. Детали описанной системы могут измениться или получить другое толкование. Тем не менее общий характер системы понятий первого уровня установлен, по-видимому, достаточно твердо. Мы видим переход от точечного описания к локальному, учитывающему непрерывную структуру изображения. Ганглиозные клетки служат распознавателями таких первичных понятий, как край, выпуклость, движение, отнесенных к определенной области видимого мира.

У человека понятия нижайшего уровня, относящиеся к зрительному восприятию, вероятно, мало отличаются от понятий лягушки. Во всяком случае, структура сетчатки у млекопитающих и человека такая же, как и у земноводных.

Некоторое представление о понятиях следующих уровней иерархии дает явление нарушения восприятия стабилизированного на сетчатке изображения. Это очень интересное явление. Оно состоит в следующем.

Когда человек смотрит на неподвижный объект, «фиксирует» его глазами, глазные яблоки не остаются абсолютно неподвижными, а созерцают небольшие непроизвольные движения. В результате изображение объекта на сетчатке находится в постоянном движении, складывающемся из медленного дрейфа и скачкообразных смещений, возвращающих изображение к точке максимальной чувствительности. Оно «топчется на месте» в окрестности этой точки.

Можно создать на сетчатке стабилизированное, не топчущееся на месте изображение. Для этого надо, очевидно, чтобы объект был жестко связан с глазным яблоком и двигался вместе с ним. Достигается это так (рис. 2.4). На глаз надевают контактную линзу, к которой прикреплен маленький стерженек. Стерженек несет миниатюрный оптический проектор⁴, в который можно вставлять диапозитивы размером в несколько миллиметров. Испытуемый видит изображение как удаленное в бесконечность. Так как проектор поворачивается вместе с глазом, изображение на сетчатке неподвижно.

При предъявлении испытуемому стабилизированного изображения он в течение первых нескольких секунд воспринимает его как при нормальном зрении, но затем начинаются нарушения. Изображение то исчезает, заменяясь серым или черным фоном, то появляется частями или целиком.

Уже сам факт неправильного восприятия стабилизированного изображения весьма примечателен. С логической точки зрения нет никакой необходимости, чтобы изображение неподвижного объекта гуляло по сетчатке. Количество информации от этого не увеличивается, а обрабатывать ее становится труднее. И действительно, когда аналогичные задачи встают в области техники, например, при передаче изображения по телевизору или при вводе информации с экрана в вычислительную машину, то предпринимаются специальные усилия, чтобы стабилизировать изображение. А человеческий глаз не только приспособлен к прыгающему изображению, но и решительно отказывается принимать изображение, если оно неподвижно. Это свидетельствует о том, что понятия, связанные с движением, подобные, вероятно, тем, которые мы наблюдали у лягушки, глубоко укоренились где-то в нижних этажах иерархии, и если соответствующие классификаторы вывести из игры, то правильная обработка информации нарушится. С точки зрения конструктора сложного аппарата, подобного глазу (плюс обработка информации), такое устройство является странным. Конструктор, наверное, все нижние этажи занял бы статическими понятиями, а описание движения объектов уже проводил бы в терминах более высокого уровня. Но иерархия зрительных понятий возникла в процессе эволюции. Для наших далеких лягушкоподобных предков были чрезвычайно важны понятия, связанные с движением, и им некогда было ждать, пока у них разовьются сложные статические понятия. Поэтому примитивные динамические понятия возникли на самых ранних этапах развития нервной системы, а так как природа использует найденные ею блоки на следующих этапах строительства, эти понятия прочно закрепились в самом низу иерархии понятий. Чтобы они могли работать, глазному яблоку приходится совершать «броуновские» движения.