Elementarne wprowadzenie techniki sieci 231
wiadomość w nieznanym języku. Wtedy z wysiłkiem sylabizujesz tekst, bardzo dużo czasu zajmuje Ci jego przeliterowanie, nie mówiąc już o całkowitej niemożności zrozumienia sensu zawartego w podanych wypowiedziach. Łatwość i szybkość czytania znikają bezpowrotnie, bo w Twoim mózgu nie ma gotowych wzorców, nie ma modeli dla tych słów, zdań i wiadomości.
Mógłbym rozszerzyć ten wątek, pokazując, że w przypadku napisów formułowanych w nieznanym języku (na przykład po węgiersku) ale wykorzystujących znajomy alfabet - możliwe jest skorzystanie ze znajdujących się w mózgu wzorców liter, dzięki którym możesz nieznany napis zapamiętać i spotkawszy tłumacza odtworzyć go prosząc, by Ci go przetłumaczył. Jeśli jednak nawet wzorców potrzebnych liter nie masz w swoim wewnętrznym modelu zewnętrznego świata (na przykład gdy spotykasz się z nieznanym napisem w Japonii albo w Iranie) - wówczas nie tylko nie zdołasz zrozumieć treści napisu, ale także niesłychanie trudno będzie Ci go zapamiętać i odtworzyć po spotkaniu z tłumaczem w celu uzyskania pomocy. Po prostu Twój mózg nie będzie miał w zapasie żadnych użytecznych w tym przypadku jednostek gnostycznych.
Przepraszam, że tak się rozpisałem na temat tych przykładów, zależało mi jednak na tym, żebyś zrozumiał i zapamiętał, jak wielkie i doniosłe znaczenie mają w procesie widzenia (czy dowolnej innej percepcji: słyszenia, smaku czy nawet dotyku) wcześniej przygotowane w mózgu wzorce przyswajanych wrażeń. I właśnie takie wzorce tworzą się całkowicie spontanicznie w sieciach neuronowych w trakcie procesu samoorganizacji. Wróćmy teraz do rozpoczętego kilka zdań wcześniej przykładu z robotem. Każdy neuron sieci Kohonena tego robota, rozpoznający jeden ze zdarzających się (tylko takich!) stanów zewnętrznego świata, pełni w systemie sterowania robota dokładnie tę samą funkcję, jak opisana wyżej jednostka gnosty-czna w Twoim mózgu. Zatem proces samouczenia sieci Kohonena tworzy w sterowniku robota także swoisty zespół jednostek gnostycznych, będących zbiorem modeli dla każdej sytuacji, w jakiej może się znaleźć wykorzystujący sieć robot. Taki model jest bardzo ważny, ponieważ mając model można z jego pomocą sklasyfikować każdą sytuację wejściową (wynikającą z sygnałów dostarczanych przez sensory). Z kolei zaklasyfikowawszy aktualną sytuację do jednej z wcześniej ustalonych klas robot może odpowiednio dostosować do tej sytuacji swoje zachowanie. W najprostszym przypadku ty sam możesz ustalić, co robot ma robić w pewnych konkretnych sytuacjach - na przykład możesz ustalić, że jeśli sytuacja jest normalna (cicho i niezbyt jasno) to robot powinien się posuwać do przodu, jeśli światło zgaśnie powinien się zatrzymać, jeśli usłyszy hałas to powinien się cofnąć itp. Ważne jest, że nie musisz wcale podawać szczegółowych wytycznych, co