Elméleti kitérő: a párhuzamos-soros probléma feloldása II.
Ez előzően tárgyalt párhuzamos–soros működés mellett a konnekcionizmus körül két további „rejtett ellentétpár” is megjelenik. Ezek első ránézésre hasonlónak tűnnek, de valójában külön kérdésekre adnak eltérő válaszokat. Az egyik kérdés az: Hogy hogyan történik a számítás? A másik az: Hogyan van ábrázolva a tudás? Ez a kettő gyakran összekeveredik – innen a zavar.
1. Konnekcionizmus vs. komputacionalizmus (K-K) – hogyan számol a rendszer?
A konnekcionista megközelítés szerint az agy nem szabályokat hajt végre, hanem egy hálózat állapota folyamatosan alakul. A „számítás” itt nem lépések sorozata, hanem egy dinamikus folyamat: az egységek egymásra hatnak, és végül kialakul egy stabil mintázat. A tanulás azt jelenti, hogy a kapcsolatok erőssége megváltozik. Ezzel szemben a klasszikus komputacionalista szemlélet úgy tekint a gondolkodásra, mint egy program futására: vannak jól elkülöníthető elemek (szimbólumok), és ezekre explicit szabályok vonatkoznak.
Egy egyszerű példa:
- komputacionalista rendszer - mint az IBM által több mint egy évtizede fejlesztett DeepBlue sakkprogram, amely szabályok alapján lép („ha ez történik, akkor azt lépd”).
- konnekcionista rendszer - mint egy neurális háló, amely rengeteg játszma után „ráérez” a jó lépésekre, anélkül hogy expliciten le tudná írni a szabályokat. A Go világbajnokot legyőző AlphaGo AI hálózat már így működik.
A feszültség itt az, hogy a hálózatok jól tanulnak és robusztusak, de nehéz bennük „megmutatni”, hogy pontosan milyen szabályt használnak, a szabályalapú rendszerek átláthatók, de nehéz őket tanulóvá és rugalmasan általánosítóvá tenni.
2. Neuronális vs. szimbolikus (N-SZ) – hogyan van kódolva a jelentés?
Ez a második különbség már nem a működésről szól, hanem arról, hogy hol van a jelentés. A neuronális (hálózati) nézet szerint egy fogalom nem egyetlen helyen van eltárolva. Például a „kutya” nem egy címke, hanem sok neuron aktivitásának mintázata: színek, formák, mozgás, emlékek együttese. A szimbolikus nézet ezzel szemben azt mondja: van egy jól azonosítható egység („kutya”), és ehhez relációk kapcsolódnak („ugat”, „állat”, „gazdája van”).
Egy hétköznapi analógia:
- neuronális reprezentáció - mint egy fénykép, a jelentés a teljes kép mintázatában van.
- szimbolikus reprezentáció - mint egy adatbázis, külön mezők és kapcsolatok írják le az objektumot.
A probléma itt az, hogy a hálózati rendszerek nehezen kezelnek pontos, szabályszerű szerkezeteket (pl. változókat: „X szereti Y-t”), a szimbolikus rendszerek viszont nehezen tanulnak zajos, hiányos adatokból.
A két dichotómia gyakran keveredik, mert a gyakorlatban gyakran együtt jelennek meg. A konnekcionista modellek többnyire neuronális (elosztott) reprezentációt használnak, a komputacionalista modellek többnyire szimbolikus reprezentációval dolgoznak. De ez nem szükségszerű. Elvileg lehetne neurális háló, amely szimbolikus struktúrákat tanul, vagy szabályalapú rendszer, amely elosztott reprezentációkat használ.
Ha gráfként képzeljük el a rendszereket, a különbség még kézzelfoghatóbb.
A konnekcionista / neuronális hálóban a csomópontok egyszerű egységek (mint neuronok), az élek csak azt mondják meg, hogy egyik mennyire hat a másikra, a jelentés nem egy helyen van, hanem a teljes aktivitásmintázatban jelenik meg. Ez olyan, mint egy tömeg: az egyes emberek nem „jelentenek” semmit külön, de együtt kirajzolnak egy alakzatot. A szimbolikus / komputacionalista hálóban a csomópontok konkrét dolgokat jelentenek („kutya”, „gazda”), az élek típusa is jelentést hordoz („tulajdonosa”, „része”, „oka”), a struktúra maga írja le a tudást. Ez inkább egy térképhez hasonlít, ahol minden pont és kapcsolat fel van címkézve.
A két világ közti legfontosabb eltérés így foglalható össze: a konnekcionista rendszerekben a jelentés a mintázatban van, a szimbolikus rendszerekben a jelentés a szerkezetben van. Ezért az első esetben a „mit jelent ez?” kérdésre csak a teljes rendszer állapotát nézve tudunk válaszolni, míg a másodikban elég „leolvasni” a struktúrát.
Mit igazít ezeken a dichotómiákon mindaz, amit megtudtunk a tudatosság dinamikájáról és kialakulásáról?
Azt gondolom, hogy az a megállapítás – miszerint az agyat meta-hálózatokba szerveződő kis-hálózatoknak tekinthetjük, melyek létrehozzák a GNW-t – bár nem törli el a K-K és N-SZ kettősségeket, de értelmezési keretet ad azoknak. Rámutat arra, hogy igazából nem ellentmondások, hanem rosszul feltett kérdések. 
A K-K eset a könnyebb. A modern kép azzal helyesbít, hogy nem VAGY a két értelmezés viszonya, hanem ÉS. A lokális modulok (kishálózatok) konnekcionistán működnek (elosztott reprezentációk, asszociatív tanulás, statisztikus általánosítás, nincsenek szabályok – példák vannak), míg a meta-hálózatokon realizálódó homloklebeny dinamika eredménye a komputacionalisa algoritmusok, lépések, rekurziók, állapotátmenetek képe. A N-SZ probléma lényege ugye, hogy a neuronális nézőpont szerint a reprezentáció elosztott, a feldolgozás „intuitív”, a szimbólikus nézőpont szerint pedig a reprezentáció egyértelmű egységekben történik és a feldolgozás szabályvezérelt. A GNW nem állítja, hogy a szimbólumok valódi, lokális objektumok lennének az agyban (ennek kis-hálózataiban). Ehelyett: a „szimbólum” egy stabilizált, globálisan hozzáférhető neurális mintázat (a meta-hálózatokban), amely elég hosszú ideig fennmarad, elég sok modulhoz eljut, és egymás után rekurzívan újra beírható a workspace-be. A „szimbólum” tehát itt nem egy különálló, önmagában létező dolog az agyban, hanem egy átmenetileg stabil működési állapot, amely úgy viselkedik, mintha szimbólum lenne. Praktikusan pl. nincs „HA-AKKOR” idegsejt, hanem HA-AKKOR-szerű dinamikus állapot van. Ez nem megoldás az N-SZ vitára, hanem átkeretezi, feleslegessé teszi: a szimbolikus viselkedés emergens tulajdonság, nem alapegység, a neuronális aktivitás feletti meta-mintázatok szintjén értelmezhető.
Ezzel néhány probléma kipipálva. Mindjárt megemésztünk egy következőt: a nyelv és a tudat viszonyát.
Szerző: Gulyás Attila