https://www.youtube.com/watch?v=TFIfMxyfARo&t=2m12s до примерно 5 минуты — на английском про наследие Древней Греции и Месопотамии.
Термин «Вавилонский метод» концептуально описывает современную парадигму black-box deep learning. По сути, это маркер, разделяющий эволюцию науки, образования и вычислений на два фундаментальных пути:
- Вавилонский метод — чисто эмпирический подход (data-driven), при котором исследователь просто масштабирует данные и параметры системы до небес. Модель заливается миллиардами примеров и решает тонны задач в расчете на то, что она индуктивно найдет закономерности (то, что Ричард Баранюк назвал «вавилонской революцией» в глубоком обучении).
- Греческий метод — подход, при котором сначала дедуктивно выстраивается строгая математическая теория, геометрическая модель или граф, и лишь затем она применяется на практике.
В Вавилоне акцент был на практику «реши тысячу примеров и как-нибудь поймёшь», без фундаментального теоретического каркаса (scaffold). Греки же, напротив, были одержимы моделями (пусть даже безумными). Например, для них звезды были дырками в гигантском вращающемся дуршлаге, за которым горит вечный огонь. Звучит нелепо, но именно наличие этой геометрической абстракции позволило Эратосфену рассчитать радиус Земли. Вавилонский метод подгонки кривых (curve fitting) эту задачу не решил бы.
Ниже есть продолжение.Математика и Образование: Две стратегии мышления
Исторически существует два подхода к познанию и решению задач.
«Греческий» (дедуктивный) подход: от теории к практике. Вся современная наука базировалась на нем (от уравнений Максвелла к телеграфу). Школьная геометрия — это пересказ «Начал» Евклида: от определений и аксиом к теоремам и задачам. Этот труд считался абсолютным эталоном логики для Декарта, Ньютона и Спинозы.
Примечание: С точки зрения истории науки, строгое выведение теорем из аксиом — это классический «древнегреческий» (Евклидов) подход. Он опирается на чистую абстракцию, дедукцию и пошаговую логику (медленная «Система 2» по Канеману). В противовес ему исторический «египетский» (и вавилонский) подход был сугубо практическим и алгоритмическим. Древневосточные инженеры не доказывали теорем, они использовали готовые прецеденты и формулы для решения конкретных пространственных задач: расчета объемов амбаров, строительства пирамид, разметки полей. Для этого требовалось развитое пространственное восприятие (которое базируется на автоматической «Системе 1»). Интеграция этих двух протоколов произошла в эллинистическом Египте (в Александрии) при династии Птолемеев. Именно там греческая абстрактная логика инкапсулировала древневосточную эмпирическую традицию, породив ту фундаментальную геометрию и астрономию, которую мы знаем сегодня.
Однако греческий метод уязвим. Когда теория не совпадает с наблюдениями, она часто плодит «костыли». Так астрономия Птолемея с её теорией эпициклов постоянно обрастала новыми поправками, пытаясь спасти изначальную модель. Аналогично долго держались теории флогистона и теплорода — они были логичны, но ложны.
«Вавилонский» (индуктивный) подход: от примеров к скрытой закономерности. Тот же Архимед применял метод исчерпывания (предшественник интегрального исчисления) сугубо «по-вавилонски», эмпирически передоказывая логику "пределов" для каждой новой задачи. Советские физмат-школы активно применяли именно этот метод: вместо сухой теории учеников загружали сложными задачами. Решая их, студенты индуктивно схватывали суть абстракций (подобно древним вавилонянам, решавшим квадратные уравнения по готовым рецептам).
Идеальный пример вавилонского подхода — студенческий лайфхак на экзаменах. У студентов просто физически нет времени глубоко осознать теорию (древнегреческий путь). Они находят задачи прошлых лет, заучивают их паттерны и на экзамене воспроизводят алгоритм, подставляя новые числа. Для решения проблемы им нужен не смысл, а рабочий прецедент.
Психология экстремальных нагрузок: ВВС и протокол EMDR
Эта дихотомия имеет прямое отражение в нейробиологии (Система 1 и Система 2 по Даниэлю Канеману) и клинической психологии.
Рассмотрим специфику израильского ВВС (Хель hа-авир). У боевых пилотов из-за колоссальной сложности систем и стресса часто возникают психологические перегрузки. Когда пилот обращается к военному психотерапевту, у врача нет времени использовать «греческий метод» (поиск первопричин травм, выстраивание сложных моделей психики). Проблема должна быть решена «здесь и сейчас», чтобы пилот вернулся к выполнению задачи. Врачи ВВС работают по чисто «вавилонскому» методу: они тестируют различные методики и жестко фиксируют те эмпирические рецепты, которые срабатывают на практике, даже если за ними пока нет глубокой теории.
В психотерапии существует феномен аналитического гиперконтроля — когда пациент пытается контролировать тревогу с помощью формальной логики (Система 2). Если попросить его «вообразить лес», он не генерирует расслабляющий образ (Система 1), а начинает рекурсивно, как машина, вычерчивать 3D-модель деревьев и высчитывать дистанции. Опора абстракции на саму абстракцию истощает психику и вызывает абсолютное сопротивление.
Для разрыва этого цикла был разработан клинический протокол EMDR (он же MASSA). В его основе лежит соматосенсорный якорь — реальный физический объект (шишка, фонарик, метроном). Этот якорь выполняет функцию радиатора для перегретой психики. Вместо того чтобы заставлять мозг генерировать новые смыслы (древнегреческий метод), врач монотонно загружает аналитический аппарат примитивными сенсорными данными (Вавилонский метод): «Шишка колючая? Ощущаете тепло?». Аналитический контроль переключается на эту базовую физическую реальность. Избыточное напряжение сбрасывается, и возникает «когнитивная тишина» — слепое пятно, в котором рекурсия обрывается. Именно в этот момент пациенту можно передать спасительную терапевтическую установку.
Машинное обучение: Триумф Вавилона и проблема переобучения
То, что студенты делают на экзаменах, а военные врачи — с психикой пилотов, инженеры-программисты сегодня делают с машинным обучением. В 2012 году произошла революция: ручное написание дедуктивных правил (Rule-based engines) зашло в тупик. Власть захватил чистый Вавилон — глубокие нейросети (Deep Learning).
Вместо ручного описания признаков (например, дедуктивного задания геометрических параметров объекта «кот»), в систему подается массив сырых данных с метками классов. Примитивные алгоритмы, вроде K-ближайших соседей (KNN), функционируют как прямая память — они просто кэшируют весь датасет без сжатия, запоминая координаты каждого прецедента. Сложные нейросети действуют иначе: они выполняют индуктивное проекционное сжатие (компактификацию) сырых данных, вычисляя градиенты и сохраняя найденные закономерности в виде статических весовых коэффициентов и гиперплоскостей в многомерном пространстве.
Но у вавилонского метода есть фатальная уязвимость — Переобучение (Overfitting). Если на всех обучающих фото кот сидит рядом с занавеской, нейросеть решит, что занавеска — это и есть кот. Алгоритм находит ложную корреляцию, заучивая случайный шум вместо генеральной совокупности. Чтобы избежать этого, данные чистят от выбросов и применяют строгую кросс-валидацию, используя «слепые» тестовые выборки.
Структурный изоморфизм и интеграция протоколов
Если присмотреться, переобучение нейросети и аналитический гиперконтроль (тревога) у человека — это одна и та же ошибка. Обе когнитивные системы (кремниевая и биологическая) чрезмерно усложняют свои внутренние модели, пытаясь найти скрытый смысл в случайном шуме. И в обоих случаях решением становится возврат к массивам сырых, неискаженных данных (очищенный датасет для ИИ или соматосенсорный якорь для психики), чтобы остановить бесконечный цикл ложных корреляций.
Однако наука не может вечно работать вслепую, полагаясь только на эмпирический брутфорс. Возможна строгая интеграция двух архитектур:
- Интеграция фреймворка Древней Греции в Вавилонский Deep Learning. Мы начинаем понимать математическую физику «черных ящиков». Выясняется, что внутри нейросетей выстраивается строгая геометрия. С одной стороны, архитектура вычислительных слоев — это точное отражение физических свойств пространства (например, способности объектов сдвигаться или перекрывать друг друга). С другой стороны, нейросеть проецирует хаос сырых данных в скрытые латентные семантические пространства. В этих многомерных координатах смыслы обретают строгую структуру: концепты становятся векторами. При этом их смысловая близость вычисляется не как классическое физическое расстояние (что нарушало бы аксиомы метрики, в частности аксиому неравенства треугольника), а через угловую меру (направления векторов). Это может казаться контринтуитивным, но имеет строгую логику: длина вектора обычно отражает лишь частоту появления концепта в массивах данных (скалярный статистический шум), тогда как именно векторное направление кодирует саму суть — чистую семантику. Эта геометризация позволяет производить над смыслами вычисления из арсенала линейной алгебры. Хрестоматийным примером является линейная комбинация, где вектор [Король] минус вектор [Мужчина] плюс вектор [Женщина] математически сходится в точные координаты вектора [Королева]. Нейросеть начинает галлюцинировать и ошибаться ровно в тот момент, когда входящие данные выходят за границы этого выстроенного топологического каркаса.
- Аппаратное слияние «Вавилона» и «Греции» (эвристического черновика и алгоритма Ньютона). Классическая дедуктивная математика (например, итеративные методы вроде алгоритма Ньютона — «Греческий путь») вычисляет ответ пошагово и безошибочно. Но для тяжелых задач — скажем, математического рендеринга физических снимков МРТ — этот процесс сжигает колоссальное процессорное время. Математике приходится стартовать «вслепую» (с пустого экрана) и на каждом шаге заново высчитывать не только куда двигаться, но и насколько сильно нужно сделать следующий шаг (вычислять параметр шага, $\alpha$). Нейросеть не решает уравнения честно. Во-первых, опираясь на гигантскую базу прошлых снимков, она за доли секунды "телепортирует" математику к финишу, выдавая «умный черновик» (почти идеальную стартовую точку). Во-вторых, происходит разделение труда: строгая математика по-прежнему задает честное направление вычислений, а Вавилонская нейросеть предсказывает оптимальный размер шага, избавляя процессор от лишней рекурсивной работы. Дедукции остается лишь сделать пару финальных шагов для верификации результата. Итог: скорость парсинга возрастает в десятки раз без потери метрической точности.
История повторяется. Научный цикл замыкается только тогда, когда массивы вавилонских прецедентов обретают строгую древнегреческую форму. Но до достижения этого структурного изоморфизма система вынуждена работать в режиме data-driven обработки прецедентов, ожидая математической сходимости.
No comments:
Post a Comment