SVEUČILIŠTE U ZAGREBU

HRVATSKI STUDIJI

ANNA KOCSIS

KOMPUTACIONALIZAM I SEMANTIKA MENTALNIH STANJA

DIPLOMSKI RAD

Mentor:

doc. dr. sc. Tomislav Janović

Zagreb, 2014.

Sažetak

Jedan od najutjecajnijih pristupa proučavanju informacijskih ili komputacijskih sustava iz

perspektive kognitivnih znanosti je onaj Davida Marra. Marr tvrdi da potpuni opis

informacijskog sustava podrazumijeva: (i) objašnjenje toga što sustav radi i zašto, (ii) opis

reprezentacija kojima operira, i (iii) specifikaciju fizičkih mehanizama koji su u te operacije

uključeni. U pozadini tog određenja je tvrdnja da se razine opisa međusobno ograničavaju, što

rezultira konvergencijom njihovih objašnjenja prema cjelovitom opisu sustava. Kao kriterij

razlikovanja između komputacijskih sustava koji operiraju mentalnim stanjima i onih koji to

ne čine, uzima se bihevioralna fleksibilnost sustava. Fleksibilnost sustava očituje se u

sposobnosti uspostavljanja karakterističnih relacija između inputa i reprezentacijskih stanja

sustava. Na komputacijskoj i reprezentacijskoj razini opisa ovo se svojstvo manifestira kao

sposobnost dezignacije i interpretacije inputa, dok se na implementacijskoj razini ono realizira

kroz perceptivno učenje i slične neurofiziološke mehanizme.

Ključne riječi: bihevioralna fleksibilnost, informacijski sustav, komputacionalizam,

naturalizirana semantika, perceptivno učenje, razine opisa

Abstract

One of the most influential approaches in studying information systems in the cognitive

sciences is the one proposed by David Marr. Marr asserts that giving a full account of an

information system implies: (i) explaining what the system does and why, (ii) describing

representations on which it operates, and (iii) determining physical mechanisms involved in

these operations. The idea underlying this approach is that the levels of description constrain

each other, resulting in convergence of explanations towards a holistic account of the system.

The systems’ behavioral flexibility is taken as a criterion by which systems operating on

mental states can be distinguished from those operating on other kinds of states. Flexibility of

the system is manifested in its ability to establish characteristic relations between the input

states and the representational states. On the computational and the representational levels of

description, flexibility of the system is manifested in the abilities of designation and

interpretation; on the implementation level this characteristic of the system is realized through

perceptive learning and similar neurophysiological mechanisms.

Key words: behavioral flexibility, computationalism, information system, levels of

description, naturalised semantics, perceptive learning

Sadržaj

Uvod 1

1. Komputacionalizam 4

1.1. Tri razine objašnjenja 5

1.2. Generalni komputacionalizam 8

1.3. Semantički komputacionalizam 10

2. Izvor informacija i naturalizacija semantike 15

2.1. Značenje i sadržaj 17

2.2. Informacijsko-teorijski pristup 20

2.3. Znanje* i problem pravilnosti 24

3. Vizualna percepcija 27

3.1. Neurofiziologija vizualnog sustava 29

3.2. Naturalizirana semantika i vizualna percepcija 32

4. Implikacije vizualne percepcije za komputacijski model 37

4.1. Percepcija i kognicija 38

4.2. Perceptivno učenje 40

Zaključak 46

Literatura 50

Životopis 54

1

Uvod

The Canadian Rocky Mountains and the beginning of an autumn day.

A PIKA! (/ˈpaɪkə/) A memeber of a small community that lives among the tumbled boulders bordering a mountan meadow, where they all

feed. [...] Pikas start their foraging early in the morning. They eat all

parts of a plant. Not just leaves, but the flowers as well. [...] There

may seem to be plenty of food now, but before long there will be the first patches of snow, the flowers will die back and winter will be upon

us. What happens then, when little is growing? [...] (the Pika is)

stacking (flowers) in a special larder, creating a store that will last it through the hard days to come [...] It will need a stack several feet

thick if it is to survive the winter. The strange thing is that many of

these leaves are extremely poisonous, so why does the pika collect

them? Well, the poison acts as a natural perservative and the leaves remain fresh until mid-winter. So in the end the poison works in the

pika's advantage. But the pika's preparations are more subtle than

they might seem. It takes care to collect a variety of plants. Those with only a little poison will become edible quite quickly, whereas those

with a lot will remain fresh until the end of winter.

(Attenborough, 2002, Plant Predators)

Najjednostavniji pokušaj karakterizacije aktivnosti koje se odvijaju u umu uključuje dva

pojma: informacija i transformacija. Opis na ovoj razini u skladu je s uvidom u vlastite

mentalne aktivnosti: ako pomislim na piku brže ću i u manjem broju „koraka“ s te misli

prijeći na misao o glodavcima, nego na misao o vodozemcima. Pretpostavljeni razlog za to je

što pika-misao sadrži informacije koje je lakše transformirati u informacije koje sadrži neka

misao o glodavcima, nego u one koje sadrži misao o vodozemcima. Ideja da su aktivnosti uma

svedive na transformacije informacija naziva se komputacijska teorija uma pri čemu se

komputacija shvaća kao transformacija određene količine informacija. No, sposobnost

izvođenja komputacija nije rezervirana samo za umove. Primjerice, kalkulatori i obični

termostati također su komputacijski uređaji. Da je bilo koji niz komputacija moguće opisati

jezikom nezavisnim od njihovih realizacija, bez pozivanja na termine „um“, „kalkulator“ i

„termostat“, pokazao je Alan Turing (1937) i time bitno promijenio način razmišljanja o umu.

Informacijski problem koji rješava pika sastoji se od dolaska do informacije o

otrovnosti pojedine biljke, kako bi se biljka pohranila na pravo mjesto u svom brlogu. Pika

problemu može pristupiti na više načina: vizualnim prepoznavanjem (možda svaki otrov

određene količine rezultira posebnim zelenilom listova, ili posebnim tonom cvjetova),

olfaktivnim prepoznavanjem, ili pak može okusiti neku malu količinu svake trave. Pri svakoj

od ovih mogućnosti ulazne bi informacije (input) bile različite jer bi se pika oslanjala na

2

različite vrste mehanizama koji joj omogućuju primanje informacija. Da je taj input

informacija o otrovnosti biljke, pikin problem bi bio riješen, no valna duljina svjetlosti ili

kemijski sastav otrova nisu joj od koristi. Input koji prima pikin komputacijski sustav je

kodiran. Pojedina valna duljina svjetlosti i kemijski sastav kodirani su u različitim uzorcima

neuralne aktivacije. Da je pika stroj, iste bi informacije bile kodirane u binarnom kodu. Dakle,

pika mora transformirati informacije. Svaka pojedina tranformacija kodiranih informacija u

pikinom sustavu bit će matematički opisiva. Nakon niza takvih transformacija informacija o

valnoj duljini svjetlosti postat će informacija o otrovnosti pojedine biljke.

Ako želimo razumjeti složeni informacijski sustav kao što je pika, problemu je

potrebno pristupiti na tri razine: (i) na komputacijskoj razini, koja na apstraktan i

matematiziran način opisuje pojedine operacije koje sustav vrši, (ii) na simboličkoj ili

reprezentacijskoj, koja opisuje sustav simbola ili „paketa“ informacija nad kojima sustav

operira (u ovom slučaju, od informacije o valnoj duljini svjetla do informacije o otrovnosti

biljke) te (iii) na razini implementacije ili fizičke realizacije sustava, na kojoj se opisuju

konkretni fizički mehanizmi koji omogućuju provođenje komputacija u određenom mediju.

Navedene je tri razine eksplicirao Marr (1982) i one su metodološka osnova ovoga rada. Cilj

rada je pokušati postaviti kriterije koje komputacijski sustav zadovoljava ako su simboli

kojima operira mentalna stanja ili reprezentacije. Ti se kriteriji tiču reprezentacijske razine

opisa sustava, posebno semantičkih karakteristika mentalnih reprezentacija.

Prvo poglavlje rada predstavlja um kao sustav koji vrši transformacije informacija

karakterizirajući komputacijsku razinu njegova opisa. Pobliže se opisuju Marrove tri razine i

njihov međuodnos kako bi se razjasnila njihova uloga s obzirom na konkretan fenomen koji je

predmet interesa – komputacijski sustav koji operira mentalnim stanjima. Problemu

komputacionalizma pristupa se prihvaćajući tzv. generalni ili matematički komputacionalizam

koji je nastao pod utjecajem Turingova rada. Matematički komputacionalizam opisuje

transformaciju informacija kao operacije nad apstraktnim simbolima. Kako širok skup

predmeta vrši takve komputacije, njihov je broj potrebno suziti na one koji operiraju

simbolima koji su mentalna stanja ili reprezentacije. U tu se svrhu uvodi pojam semantičkog

komputacionalizma koji je karakteriziran usvajanjem dvaju kriterija: dezignacije i

interpretacije. Navedene kriterije predlaže Allen Newell (1980) kao minimalne uvjete koji

uređaju omogućuju bihevioralnu fleksibilnost. Posljedica usvajanja tih kriterija je zahtjev da

3

sustav posjeduje rudimentarnu formu memorije koja mu omogućava povezivanje vlastitih

inputa i outputa.

U drugom poglavlju razjašnjavaju se semantičke karakteristike mentalnih

reprezentacija u skladu s naturalističkim pristupom. Newellovi uvjeti dezignacije i

interpretacije koji su opisivi na semantičkim osnovama ne zahtijevaju uzak, lingvistički,

pristup semantici, već šire sadržajno shvaćanje. Opća je pretpostavka komputacionalizma da

sustavi input dobivaju iz okoliša, tj. da njihov reprezentacijski sustav na neki način uspijeva

biti o predmetima i događajima u svijetu. Kako je sadržaj vrlo široki termin, karakter

semantike moguće je pobliže odrediti specificirajući način na koji reprezentacije jesu o

nečemu. U tu svrhu, iznosi se i komentira informacijska teorija sadržaja Freda Dretskea

(1981). Tvrdi se da je za uspjeh naturaliziranja semantike ključno pokazati kako su

komputacijski sustavi u mogućnosti steći određenu vrstu „znanja“.

Treće poglavlje pokazuje važnost implementacijske razine za pokušaj naturalističkog

utemeljenja semantike mentalnih stanja. Tvrdi se kako je objašnjenje relacije između

distalnog stimulansa i semantičkih kvaliteta rezultirajućeg reprezentacijskog stanja potrebno

temeljiti na poznavanju konkretnih fizičkih mehanizama kojima se transformacije informacija

odvijaju. Osnovne značajke procesuiranja signala kod vizualne percepcije navode na

zaključak kako je potrebno izbjegavati pretjerano pojednostavljeni pristup u pokušajima

razumijevanja relacije između stimulansa i mentalnih reprezentacija.

U posljednjem poglavlju kratko se iznose dvije važne značajke vizualnog

procesuiranja: povezanost ranih područja vizualnog procesuiranja s dijelovima korteksa te

fenomen perceptivnog učenja. Pokazuje se kako perceptivno učenje, kao vid plastičnosti

mozga, predstavlja vrstu mehanizma pomoću kojeg bi bilo moguće razjasniti relaciju između

distalnih stimulansa i semantičkih karakteristika mentalnih stanja. Mehanizam perceptivnog

učenja zadovoljava kriterije dezignacije i interpretacije te omogućava sustavu posjedovanje

primjerene minimalne vrste znanja, zahvaljujući tome stanja takvog sustava uspijevaju biti o

nečemu. Semantička svojstva reprezentacijskih stanja takvog sustava odnose se na one

karakteristike informacija na koje sustav, putem mehanizama kao što je perceptivno učenje,

postaje osjetljiv. Time se semantička svojstva mentalnih stanja utemeljuju na mehanizmima

koji omogućuju sustavu diskriminaciju između određenih značajki informacijskog signala.

4

1. Komputacionalizam

Komputacionalizam ima drugu tradiciju u znanostima koje pokušavaju objasniti

funkcioniranje uma i mozga. Premda se kao začetak komputacionalizma najčešće navode

doprinosi Turinga i Churcha koji komputacionalizam najavljuju analogijom između mozga i

računala, prvu komputacionalističku „sliku“ uma i mozga ponudili su neuroznanstvenici

McCulloch i Pitts u svom članku „A logical calculus of the ideas immanent in nervous

activity“ iz 1943. godine. Proučavajući neuralnu aktivnost i način na koji neuroni uspijevaju

međusobno „komunicirati“, McCulloch i Pitts dolaze do korisne analogije između neurona i

strujnog prekidača. Aktivnost je neurona, u ponešto idealiziranom smislu, događaj tipa „sve ili

ništa“ kao što je to i funkcioniranje strujnog prekidača: elektrokemijska aktivnost neurona ili

prijeđe neki prag te u tom slučaju neuron prenosi informaciju neuronima s kojima je povezan,

ili ne prijeđe prag te do prijenosa informacija ne dolazi. Ta je analogija na posebno plodno tlo

naišla razvojem računalne znanosti koja koristi digitalni, točnije binarni kod.

U komputacijskoj neuroznanosti komputacionalizam u prvom redu služi za

pojašnjenje načina na koji neuroni prenose informacije. U kognitivnoj znanosti

komputacionalizam pojašnjava transformacije nad kognitivnim stanjima više ili manje

robustne forme, dok se u filozofiji uma, komputacionalizmom nastoji objasniti funkcioniranje

uma u analogiji s radom računala. Navedene su samo neke od najvažnijih disciplina koje se

bave istim problemom – razumijevanjem uma koji je na važan način temeljen na

funkcioniranju mozga. Kojim se problemima pojedina disciplina bavi, ovisit će o tome na koji

način shvaća komputaciju i na koji način individuira pojedinačne komputacije. Komputacije,

kako ih shvaćaju Turing i Marr, određuje njihov matematički opis, a sustavi na koje se

primjenjuju su informacijski sustavi. Marrovo i Turignovo shvaćanje komutacionalizma

naziva se generalni komputacionalizam. Iz takvog shvaćanja pojedinačne komputacije

proizlazi razlikovanje između triju razina opisa informacijskog sustava koju je eksplicirao

Marr (1980). U ovom poglavlju bit će razjašnjene navedene razine opisa, njihov međuodnos,

te shvaćanje komputacija koje se primjenjuje u radu. S obzirom da mnogi sustavi

tranformiraju informacije na matematički opisiv način, cilj poglavlja je uvođenjem određenih

kriterija strože odrediti skup komputacijskih sustava kako bi se isključili sustavi koji ne

posjeduju sposobnost fleksibilne intrepretacije inputa. Kriteriji koji se koriste su u osnovi

5

semantičkog karaktera, tj. odnose se na promjene na funkcioniranje sustava s obzirom na to

što signal ili informacija „znači“ za sustav.

1.1. Tri razine objašnjenja

Tri razine razumijevanja informacijskih sustava eksplicirao je David Marr 1982. godine u

knjizi Vision: A Computational Investigation into the Human Representation and Processing

of Visual Information gdje je na primjeru vlastite teorije vizualne percepcije pokazao na koji

način integracija navedenih razina rezultira sveobuhvatnim razumijevanjem informacijskog

sustava. Najvrjedniji Marrov doprinos je podjela eksplanansa na tri razine te prikaz njihova

složenog međudjelovanja. Sustav koji transformira informacije opisiv je na tri već navedene

razine: (i) apstraktnim opisom komputacijskih procesa koje sustav vrši, (ii) opisom sustava

simbola ili reprezentacija koje su korištene pri izvršavanju komputacija, te (iii) opisom

fizičkih mehanizama koji omogućuju izvršenje operacija. Kako je svaka razina opisa u

određenoj mjeri neovisna o preostalim dvjema, tek se njihovim povezivanjem dobiva potpuni

opis konkretnog tipa informacijskog ili komputacijskog sustava. Kako navedene razine

opisuju isti tip fenomena, pretpostavka je kako moraju iskazivati posebnu vrstu usklađenosti,

osobito u smislu da se međuodnosi entiteta koje postulira jedna razina „preslikavaju“ u

međuodnose entiteta koje postulira druga razina. Dakle, svaka razina objašnjava onaj aspekt

entiteta koji preostale razine ne mogu objasniti. Kako navodi Craver (2007: 218), tri razine

opisa odgovaraju trima različitim svojstvima sustava.

Komputacijska je razina u najvećoj mjeri neovisna o ostalim dvjema razinama, no ona

je za opis fenomena od najveće važnosti jer definira temeljne zadatke koje sustav obavlja i na

koji način to čini. Primjerice, običan kalkulator mora zbrajati, oduzimati, množiti, itd. te to

radi na način koji je matematički opisiv (u smislu da su operacije koje vrši matematički

definirane). Ako bismo pokušali opisati kalkulator bez navođenja operacija koje vrši, opis bi

se sastojao od beskonačne liste njegovih mogućih inputa i outputa, a o razlozima zbog kojih

uočavamo određene pravilnosti među njima mogli bismo samo nagađati.1 Operacije koje je

sustav u mogućnosti vršiti određuju ga kao tip komputacijskog uređaja. Premda je moguće

imati jedan kalkulator za zbrajanje i oduzimanje, a drugi za množenje i dijeljenje, te su četiri

1 Drugim riječima, komputacijski opis omogućava izbjegavanje bihevioralne pogreške u opisu sustava.

6

operacije uobičajeno definirane na način da su međusobno ovisne te čine jedan komputacijski

sustav. Komputacijska razina je uvelike neovisna o ostalim dvjema razinama, iako je neke

karakteristike implementacije mogu ograničiti; primjerice vrsta koda koji implementacijska

razina podržava ili ograničenja u brzini procesuiranja. Posebno važan tip ograničenja je način

na koji sustav prima unos, tj. način na koji je u kontaktu s okolišem. Taj aspekt odnosa

komputacijske i implementacijske razine bit će problematiziran u nastavku rada.

Svrha ili cilj komputacijskog sustava je vršenje određenih operacija nad

informacijama. Svaki tip sustava sposoban je vršiti vrlo specifičan skup komputacija.

Karakteristike fizičke realizacije uređaja bit će određene time koje komputacije sustav vrši. S

obzirom da kalkulator zbraja koristeći pritom jedanaest simbola (deset znamenki i simbol za

akciju zbrajanja), realizacija uređaja mora imati onaj broj mogućih inputa koji omogućuju

sustavu diskriminaciju unosa. Prema tome, ako želimo znati zašto kalkulator ima n tipki, nije

dovoljno znati sve o materijalu od kojeg su te tipke napravljene ili o njihovoj veličini, boji,

itd., već moramo znati što kalkulator „radi“. Prema Marrovoj usporedbi (1982: 27), pokušati

razumjeti percepciju proučavajući samo neurone je kao „pokušati razumjeti let ptica

proučavajući samo perje [...] moramo razumjeti aerodinamiku; tek će tada struktura perja i

oblik krila dobiti smisao.“

Način na koji se u ovom kontekstu shvaća implementacijska razina najjednostavnije je

opisati putem primjera. Prinz i suradnici (2004) istraživali su svojstva stomatogastričkog

ganglija jastoga – strukture koji se sastoji od približno trideset neurona i kontrolira probavni

proces jastoga na način da „generira nekoliko različitih vrsta ritmičkih električnih aktivnosti“

(Craver, 2007: 221). Prinz i suradnici su kompjuterskim modelom pokazali kako iste

električne aktivnosti mogu rezultirati djelovanjem vrlo različito strukturiranih sustava. Autori

pokazuju kako je „ono što stomatogastrički ganglij čini [...] u velikoj mjeri neovisno o

posebnoj staničnoj i sinaptičkoj povezanosti koja ga realizira. Moguće je intervenirati i

promijeniti organizaciju strukture na 452, 499 načina bez promjene relevantnih karakteristika

ritma“ (Craver, 2007: 222). Pretpostavimo da je potrebno „proizvesti“ sustav za regulaciju

probavnog procesa jastoga putem ritmičke električne aktivnosti. Taj rezultat može ostvariti

veliki broj komputacijskih sustava, ali, kako pokazuju Prinz i suradnici, i velik broj

implementacijskih sustava. Način na koji se ti sustavi međusobno ograničavaju u konkretnom

primjeru informacijskog sustava jastoga moguće je hipotetski prikazati na sljedeći način:

unutar svih tih implementacijskih sustava koji mogu izvršiti zadatak, neki su toliko složeni da

7

postaju preveliki s obzirom na sve druge procese koje jastozi vrše. Zamislivo je da bi neki od

njih onemogućili jastogu da se kreće.2 S druge strane, neka komputacijska „rješenja“

problema mogu kao input od jastoga zahtijevati informacije kojima jastog prethodno ne

raspolaže jer ne posjeduje primjerene strukture i komputacijske mehanizme koji bi te

informacije generirali. Dakle, s obzirom na cjelinu jastoga kao informacijskog sustava,

moguća će se implementacijska i komputacijska „rješenja“ do određene mjere međusobno

ograničavati. Konkretno: promatrajući sustav jastogovog ganglija izolirano od jastoga moguće

je u njemu napraviti 452 499 izmjena, no taj se broj znatno smanjuje ako promatramo jastoga

u cjelini. Upravo iz činjenice da iz opisa pojedine razine sustava, primjerice komputacijske,

nije moguće jednoznačno zaključivati o opisu druge razine, one implementacijske ili

reprezentacijske, proizlazi potreba proučavanja svih triju razina u cilju objašnjenja pojedinog

sustava.

Posebnost je Marrovog opisa sustava razlikovanje između komputacijske i

reprezentacijske razine. Kako je već spomenuto, komputacijski opis specificira što sustav radi

i kako to čini. Pojedina komputacija transformira ili preslikava određenu informaciju u neku

drugu. Prema tome, komputacija je opisiva i u funkcionalnim terminima – funkcija

komputacije jest tranformacija informacija iz jednog skupa u drugi. Funkcionalistički opis

podrazumijeva i opis reprezentacijskog sustava nad kojim se operacije vrše. Marr od toga

odstupa na važan način; reprezentacijski sustav nije uključen u opis na komputacionalističkoj

razini.3 Za Marra (1982: 20) je reprezentacijski sustav „formalni sustav koji čini eksplicitnima

određene entitete ili informacije“. Svaka reprezentacija je simbol ili informacijski „paket“ koji

ta reprezentacija predstavlja, a komputacije su preslikavanje iz jedne vrste simbola u drugu.

Prema filozofskom shvaćanju reprezentacija, one osim sintaktičkih, tj. formalnih

karakteristika posjeduju i semantičke odrednice. Usvajajući Marrovo određenje

reprezentacija, semantičke karakteristike reprezentacija sastojale bi se od entiteta ili

informacija koje reprezentacije na određeni način čine eksplicitnima, dok bi sintaktičke

karakteristike bile struktura tih informacija. Primjerice, arapski simbol za broj petnaest je

„15“ koji reprezentira dekompoziciju na bazu 10, tj. činjenicu da paket informacija sadrži

jednu deseticu i pet jedinica. To je ujedno ono što „15“ znači, tj. njegovo semantičko svojstvo.

2 Sličan problem se uočava na primjeru oka: ako se signal iz retine oka ne bi integrirao još u retini, veza

između retine i ostalih dijelova mozga učinila bi da mozak bude veličine automobila.

3 Za raspravu o razlikama između Marrovog tumačenja i uobičajenog funkcionalističkog pristupa vidi

Egan (1995) i Wilson (2003).

8

Sintaksa je simbola „15“ primjerice da se sastoji od 2 mjesta. Marrov pristup vrlo je zanimljiv

u kontekstu proučavanja prirode reprezentacija jer „oslobađa“ reprezentacijski sustav od

komputacijskih operacija. Posljedica toga je mogućnost da se ispitaju svojstva koja se

tradicionalno pripisuju reprezentacijama. Predmet ovoga rada je primarno karakter

semantičkih svojstava reprezentacije, no preuzimanjem Marrovih razina opisa bilo bi moguće

propitati i svojstva kao što su sintaksa, djeljivost i sličnost.

Dakle, kalkulator vrši operacije zbrajanja, oduzimanja, množenja i dijeljenja koje su

definirane na matematički način, no simboli koje sustav koristi nisu „čvrsto“ spareni s

komputacijskim procesom; oni su u slučaju kalkulatora stvar konvencije. Kalkulator iste

komputacije može vršiti i nad rimskim brojevima te u bilo kojem brojevnom sustavu

(binarnom, dekadskom, heksadekadskom itd.). Broj simbola i njihov međusobni odnos

određenu su komputacijama koje sustav vrši. Dakle, reprezentacijska je razina ograničena

ponajprije komputacijskom razinom, a putem ove potonje i implementacijskom razinom.

Izbor među reprezentacijskim sustavima je velik; kako Marr (1980: 23-24) naglašava,

informacijski sustav će „usvojiti“ onaj skup reprezentacija koji je najpogodniji s obzirom na

komputacije koje vrši i ograničenja u njihovoj realizaciji. Primjerice, pika iz prethodnog

primjera ne mora posjedovati reprezentaciju ili simbol o tome koliko je pojedina biljka

otrovna. Cilj skupa komputacija je da pika preživi zimu slažući svoje trave na što bolji način,

a ona bi taj zadatak mogla postići i automatskim ili refleksnim ponašanjem – na isti način na

koji pretpostavljamo da to čini robot-pika. Ključno je pitanje što podrazumijevamo pod

reprezentacijom – u tome se krije objašnjenje činjenice da nam je relativno lako prihvatiti

robotiziranu piku, a teško automatiziranu piku.

1.2. Generalni komputacionalizam

1937. godine Alan Turing je formulirao ideju „komputacijskog uređaja“ koja se temeljila na

uvidu da je „bilo koju operaciju koja je osjetljiva samo na sintaksu moguće ponoviti (ili

možda simulirati) mehanički“ (Horst, 2009). Turingovi strojevi opisuju sintaktičke operacije i

pritom uzimaju u obzir sljedeća tri elementa: (i) input – ulazne informacije, (ii) trenutačno

stanje uređaja, te (iii) output – izlazne informacije. Pojedinačna komputacija koju uređaj vrši

opisiva je na sljedeći način: ako uređaj primi input I, a u stanju je S, onda će određenim nizom

9

zadanih akcija A uređaj prijeći u sljedeće stanje – output O. Ili formalizirano: ((I & S) → A)

→ O. Dakle, komputacija je digitalna operacija – procesuiranje diskretnog niza stanja prema

prethodno zadanim pravilima. Prema Piccinini (2012: 231):

Atomarni nositelji [vehicles] konkretnih digitalnih komputacija su znamenke [digits], pri čemu

je znamenka makroskopsko stanje (ili komponenta sustava) čiji tip sustav može pouzdano i nedvosmisleno razlikovati od ostalih tipova makroskopskih stanja. Svakom (makroskopskom)

tipu znamenke odgovara veliki broj mogućih mikroskopskih stanja. Umjetni digitalni sustavi

dizajnirani su tako da tretiraju sva ta mikroskopska stanja jednako – na način koji odgovara njihovim (makroskopskim) znamenkama.

Primjerice, u sustavu termostata, koji koristi širenje metala kao pokazatelj temperature zraka,

kontinuirano mikroskopsko stanje sustava je proširenje komada metala. Ako nas zanima

temperatura zraka izražena u celzijevim stupnjevima, određenom mikroskopskom intervalu

bit će pripisano makroskopsko stanje 17⁰C, a nekom drugom intervalu makroskopsko stanje

3⁰C itd. Input za komputacije, koje će vršiti digitalni termostat, bit će proširenje metala koje

odgovara pojedinoj temperaturi, a output će biti simbol za trenutačnu temperaturu. Naravno,

ako se radi o termostatu koji signalizira vrenje vode, određenom znatno većem intervalu

stanja bit će pripisano makroskopsko stanje „ne vrije“, dok će preostalom intervalu biti

pripisano stanje „vrije“. Svako pojedino makroskopsko stanje je diskretno jer, kako navodi

Dretske (1981: 136), „nema informacijski relevantnih prijelaznih stanja“. Termostat čiji je

output stanje „vrije“ ili stanje „ne vrije“ ne vrši komputacije u slučaju ako je input

mikroskopsko stanje komada metala koje odgovara informaciji da je temperatura vode 58⁰C.

Informacija da je trenutačna temperatura vode 58⁰C nije relevantna ako se output uređaja

sastoji od dva moguća stanja: „vrije“ i „ne vrije“. Makroskopska stanja (ili znamenke)

termostata imaju značenje, no ne moraju sva komputacijska stanja imati značenje na taj način;

primjerice, u slučaju kompjuterskih programa, binarna stanja 0 i 1 imaju značenje – „provodi

struju“/“ne provodi struju“ – no neka druga stanja (primjerice „/“ ili „.“) nemaju značenje.

Cijela se operacija termostata može shvatiti na potpuno sintaktički način – na razini

komputacijskog ili funkcionalnog opisa.

No, što se u prethodnom opisu podrazumijeva pod izrazom „pripisati“? Termostat će

vršiti transformacije nad dvije vrste informacija; na strani inputa bit će proširenje metala, a na

strani outputa temperatura zraka. Za osobu koja očitava temperaturu zraka, informacija o

promjeni veličine metala ne znači ništa, no informacija koju prenose simboli 17⁰C ili 3⁰C

imaju jasno značenje. S obzirom da je ta informacija izlazna, ona je ovisna o inputu i na neki

način tom inputu pripisana putem transformacija koje termostat izvodi. Dakle, razlika između

10

inputa i outputa u ovom je slučaju i semantičke naravi – iz nečega što nema značenje, nizom

sintaktičkih operacija dobiva se informacija koja ima značenje za sustav i za vanjske

promatrače. Cilj je komputacijskih uređaja, kako navodi Clark (2003: 309), „organizirati i

orkestrirati neki skup ne-semantički određenih svojstava na način da se uređaj izgrađen na

takav način, u prikladnom okolišu, ponaša na 'semantički dobar način'“. Semantički dobro

ponašanje je relativno učestala i ne pretjerano restriktivna pojava: kriterije, među ostalim,

zadovoljavaju termostati, GPS-uređaji, pametni telefoni, logičari, matematičari, pike i filozofi.

Generalni komputacionalizam, koji je prikazan u ovom odjeljku, potrebno je suziti

kako bi zahvatio isključivo one instancijacije komputacijskih operacija koje nas zanimaju kad

su stanja sustava mentalna stanja ili mentalne reprezentacije. Tom je problemu moguće

pristupiti pokušajem ograničavanja komputacijske razine opisa na više načina: (i)

pretpostavljanjem posebnog sustava reprezentacija – mentalnih stanja; (ii) pretpostavljanjem

točno određene implementacijske razine; (iii) pretpostavljanjem posebnog sustava

reprezentacija – mentalnih stanja – realiziranih na točno određenoj implementacijskoj razini.

Prva se opcija čini kao „slijepa ulica“ budući da je predmet ovog rada razjašnjenje određenih

karakteristika mentalnih stanja te bi bilo pogrešno pretpostaviti te karakteristike i njih koristiti

kao način ograničavanja komputacijske razine. Druga opcija se čini manje problematičnom,

no u tom slučaju nije jasno na koji bismo način mogli osigurati to da nakon svih restrikcija do

kojih dođemo, stavljanjem u odnos komputacijsku i implementacijsku razinu, „ostane mjesta“

za reprezentacijski sustav u obliku koji je prihvatljiv za objašnjenje onih fenomena u

ponašanju sustava koje preostale razine nisu uspjele zahvatiti. Kako naglašava Marr, za

razumijevanje informacijskih sustava, tri razine moramo treirati kao nerazdvojne; stoga se

posljednja opcija nameće kao jedina djelotvorna.

1.3. Semantički komputacionalizam

Cilj je ovog odjeljka uvesti restrikciju koja bi omogućila da iz skupine komputacijskih sustava

koji pokazuju semantički „dobro ponašanje“ isključimo termostate, GPS-uređaje, pametne

telefone i ostale slične sustave. U ovom trenutku za to nema boljih argumenata od intuicije da

su simboli kojima ti sustavi operiraju na bitan način drugačiji od simbola kojima operiraju

pike, logičari, matematičari i filozofi. Na prethodnom je primjeru s termostatom navedeno da

11

sustav vrši transformaciju informacija iz jedne vrste u drugu, naime da simboli 17⁰C ili 3⁰C

imaju značenje za promatrača, dok promjena veličine metala nema značenje, barem ne na isti

način. Prema tome, informacije imaju različitu semantičku kvalitetu za različite

komputacijske sustave. Kako je semantička kvaliteta nešto što nije moguće naći u opisu

komputacijske razine, ograničavanje sustava će se morati provoditi vodeći u prvom redu

računa o svojstvima reprezentacijskog sustava nad kojim se vrše operacije. Dakle, semantička

distinkcija je početna točka analize razlika između sustava poput termostata i sustava kao što

je pika (koja će za potrebe ovog rada biti zamijenjena filozofima nešto poznatijom

vjevericom).

Kako je prethodno navedeno, makroskopsko stanje sustava (ili komponente sustava) je

ono „čiji tip sustav može pouzdano i nedvosmisleno razlikovati od ostalih tipova

makroskopskih stanja“ (Piccinini, 2012: 231). Dakle, uvjet za odvijanje bilo kojeg

komputacijskog procesa je da sustav može razlikovati među svojim makroskopskim stanjima.

Stanja su sustava, prema generalnom komputacionalizmu, outputi prethodnih operacija pa se

može pretpostaviti kako će sustavi ovisno o tipu i vrsti outputa to „razlikovanje“ provoditi na

različite načine. Pored toga, kako Dretske (1988: 53) navodi eksplicirajući preciznije već

prethodno spomenute intuicije, termostati i slični predmeti „nemaju intrinzične

reprezentacijske moći [...] indiciranja onoga što je njihova funkcija indicirati“. Dretske

primjećuje kako je simbolički sustav termostata rigidno zatvoren unutar uvjeta koji su vladali

kad je serija komputacija pokrenuta. U članku „Physical Symbol System“ iz 1980. godine

Allen Newell razvija teoriju o simboličkim komputacijskim sustavima u okviru koje navodi

uvjete koje sustav mora ispunjavati kako bi izbjegao „problem zatvorenosti“. Newellov je rad

nastao kao pokušaj teorijskog rješenja sličnih problema koji su se u 80-ima pojavili na

području umjetne inteligencije.

Cilj Newellovog rada je utvrditi na koji način simbolički sustavi mogu biti univerzalni

komputacijski sustavi. „Glavna karakteristika univerzalnosti je bihevioralna fleksibilnost“,

navodi Newell (1980: 147). Bihevioralna se fleksibilnost odnosi na promjenjivost outputa s

obzirom na input. Newell (1980: 156–158) pri određenju prirode simboličkog sustava koristi

dva kriterija: (i) dezignacija: entitet X dezignira entitet Y s obzirom na proces P, ako uzme li

P X kao input, ponašanje sustava ovisi o Y-u, te (ii) interpretacija: čin prihvaćanja inputa

(kodni izraz [expression] ili niz simbola) koji dezignira proces P te potom izvođenje procesa

P. Newellova (1980: 157–158) pojašnjenja dezignacije i interpretacije glase:

12

Zbog univerzalnosti simboličkog sustava, doseg sposobnosti dezignacije je širom

otvoren i jedva istražen [...] sposobnost dezignacije ovisi u potpunosti o simboličkom

procesu s kojim je sparen. Ako su ti procesi restriktivni, sustav će moći postići malo; ako su univerzalni sustav će moći postići sve čemu služe simbolički procesi karakteristični za

čovjeka. [...]

Sva bihevioralna fleksibilnost univerzalnih uređaja potječe od njihove sposobnosti da stvaraju kodne izraze za vlastito ponašanje i zatim izvedu to ponašanje. Interpretacija je nužan

osnovni mehanizam koji to omogućava. [...] Iako se malo toga može reći o točnim granicama,

mora postojati neki interior milleu unutar kojeg simbolički sustav može slobodno i uspješno

interpretirati kodne izraze.

Za vjevericu kao simbolički sustav entitet │žir│ dezignira entitet žir s obzirom na proces

vizualne percepcije P, ako uzme li P žir kao input, ponašanje P-a ovisi o │žir│-u.

Interpretacija je čin prihvaćanja │žir│-a koji dezignira proces P1 kao input te izvršenje tog

procesa. Dakle, fleksibilnost dezignacije je određena karakteristikama procesa (u ovom

slučaju procesa vizualne percepcije), a interpretacija je fleksibilna na način da je sustav

(unutar nekih okvira) slobodan kodnim izrazima, │žir│-ovima, pripisivati značenje (ili

procese). Drugim riječima, simbolički je sustav do određene mjere fleksibilan u odabiru

inputa i u njegovom tumačenju s obzirom na funkcije koje posjeduje. U svrhu prepoznavanja

žira, vjeverica kao simbolički sustav, može biti „osjetljiva“ na boju žira, na oblik žira, na

miris žira ili na nešto puno cjelovitije (neki određeni skup različitih osjetilnih podataka).

Naravno, osjetljivost na neke elemente okoliša će vjeverici omogućiti interpretiranje simbola

koje će biti uspješnije s obzirom na output od osjetljivosti na neke druge elemente.

Vidljivo je na koji način usvajanjem uvjeta dezignacije i interpretacije sustav uspijeva

generirati novi output; dezignacija omogućava sustavu da inputu dodijeli nova značenja, ili da

uvede sasvim novi input ili simbol, dok interpretacija omogućava promjenu značenja već

postojećih simbola. U oba slučaja dolazi do promjene outputa. Dakle, nema mjesta za

Dretskeovu brigu o zatvorenosti sustava – skup reprezentacija kakvim raspolaže ovako

određen komputacijski sustav promjenjiv je, a te su promjene rezultat intrinzičnih osobina

sustava. Promjenjivost simboličkog sustava na važan način ograničava komputacijsku i

implementacijsku razinu. Ako je sustav fleksibilan, koliko mu to dopuštaju dvije navedene

razine, mora postojati neki kriterij koji će određivati „odabir“ inputa, tj. one karakteristike

informacija pri koje omogućuju provođenje određenog komputacijskog procesa. Čini se kako

Dennett (1969: 48, citirano prema Eliasmith, 2005: 5) naglašava potrebu postojanja kriterija

kad navodi:

Mi, kao cjeloviti ljudski promatrači, ponekad možemo vidjeti koji uvjeti stimulansa uzrokuju određeni input ili aktivaciju nekog aferentnog neurona, i možemo odrediti [...]

13

njegovu ‘važnost’ za mozak. Mozak je ‘slijep’ za vanjske uvjete koji proizvode input i mora

imati neki drugi način diskriminacije prema važnosti.

Pretpostavka je kako sustav dobiva povratne informacije na temelju karakteristika outputa.

No, da bi povratne [feed-back] informacije bile korisne u odabiru inputa, sustav mora biti

sposoban pretpostaviti, tj. reprezentirati, neku vrstu zavisnosti između inputa i tih informacija.

U suprotnom bi proces odabira inputa bio vođen slučajem ili nekim krutim kriterijem

(primjerice, vjeverice bi mogle jednostavno pokušavati pojesti sve smeđe predmete

odgovarajuće veličine). Mehanizam koji se nameće kao rješenje ovog problema je očekivan:

rudimentarna vrsta memorije. Dakle, čini se kako relevantan način shvaćanja pojma

„razlikovanja“ vlastitih makroskopskih stanja, koje objašnjava sposobnost izvršavanja

komputacijskih procesa, uključuje sposobnost koliko-toliko fleksibilnog pripisivanja

„značenja“ tim stanjima.

Usvajanjem Marrova razlikovanja između triju razina opisa komputacijskih sustava,

sustav reprezentacija „oslobođen“ je komputacijskih procesa na način da je operacije moguće

promatrati donekle odvojeno od simbola nad kojima se provode. Cilj ovog poglavlje bio je

ispitati na koji način reprezentacijska razina može ograničiti skup komputacijskih sustava na

one koji operiraju simbolima koji čine mentalna stanja. S obzirom na to da se problemu ne

pristupa s već unaprijed definiranim pojmom mentalnih stanja, bilo je potrebno odrediti

minimalni razlikovni kriterij između sustava kao što su termostati i bojleri na jednoj i „viših“

komputacijskih sustava na drugoj strani. Rezultat analize inačica je generalnog

komputacionalizma, za potrebe ovog rada nazvanog minimalni semantički

komputacionalizam.

Semantički komputacionalizam opisuje informacijske sustave koji zadovoljavaju dva

dodatna kriterija koji se odnose na semantička svojstva njihovih reprezentacijskih razina – da

su sposobni izvršavati dezignacije i interprati simbole. Ta se dva kriterija smatraju

minimalnom semantičkom obavezom reprezentacijske razine bilo kojeg sustava koji pripada

skupini sustava složenijih od termostata. Takav sustav pokazuje bihevioralnu i

reprezentacijsku fleksibilnost te posjeduje primitivan oblik memorije, zbog čega je sposoban

reprezentirati prošla i buduća stanja sustava. Osim ako mentalne reprezentacije ne shvatimo u

najužem, antropomorfnom smislu, plauzibilno je o stanjima takvih komputacijskih sustava

govoriti kao o mentalnim stanjima. Time je skup komputacijskih sustava o kojima će biti

14

riječi u nastavku rada znatno ograničen – na umjetnu inteligenciju koja zadovoljava kriterij,

zatim na životinje čije ponašanje nije isključivo urođeno i refleksno, te na ljude. No,

reprezentacije kao mentalna stanja zahtijevaju preciznije određenje. Naposljetku, um nije bilo

kakav informacijski uređaj već takav sustav „kojemu je navika izvoditi neke vrlo specifične

komputacije“ (Marr, 1982: 5). U nastavku rada pokušat će se pobliže odrediti semantička

svojstva mentalnih reprezentacija koja su ključna za razumijevanje uma kao komputacijskog

sustava.

15

2. Izvor informacija i naturalizacija semantike

Komputacionalizam opisuje sustave koji vrše apstraktne transformacije nad informacijama.

Kako su te transformacije matematički opisive, prirodno je komputacijske sustave promatrati

kao simboličke. Simboli su makro-stanja sustava ili informacijski paketi čija bi se mikro-

stanja mogla shvatiti kao pojedini elementi tih paketa. U kontekstu razmatranja uma kao

komputacijskog sustava simboli se poistovjećuju s mentalnim stanjima. Prema Pittu (2012),

„kognitivna stanja i procesi konstituirani su pojavom, transformacijom i pohranom (u

umu/mozgu) struktura [...] koje su nositelji informacija (reprezentacije)“. U uvodnom je

poglavlju navedeno kako se semantičke karakteristike mentalnih stanja ili reprezentacija

sastoje od entiteta ili informacija koje te reprezentacije čine evidentnima. Drugim riječima,

simboli ili reprezentacije apstrahiraju od određene količine informacija – predstavljaju te

informacije. O karakteru tih informacija ovise semantička svojstva reprezentacija. Prema

tome, uloga semantičkih svojstava je da na neki način „predstavljaju“ informacije. No, nije

jednostavno odgovoriti na pitanje od čega se točno sastoji to predstavljanje. Semantičko

svojstvo reprezentacije može se odnositi na ono što ona sadrži ili na ono što ona znači. U

prvom slučaju je riječ o informacijama koje su sadržaj simbola, dok je u drugom slučaju riječ

o posebnom odnosu u kojem je cjelina sustava prema simbolu. Distinkcija između semantike

kao sadržaja i semantike kao značenja posebno dolazi do izražaja s obzirom na to da se izvor

informacija komputacijskih sustava nalazi izvan samih tih sustava.

Problemi koje komputacijski sustav rješava moraju „biti riješeni s obzirom na samo

jedan izvor informacija – perceptivni input“ (Eliasmith, 2005: 6).4 Perceptivni modaliteti koji

su ključni za dotok informacija u sustav dio su njegove implementacijske razine. Budući da

sustav do informacija dolazi putem percepcije, reprezentacije koje on posjeduje također će

porijeklo imati u distalnim5 izvorima informacija, a time i svoja semantička svojstva.

Semantička svojstva shvaćena kao sadržaj koji je input komputacijskih procesa na prirodan se

način mogu primijeniti i na rane faze osjetilnog procesuiranja. Dok se semantika kao razina

značenja može odnositi samo na one vrste simbola prema kojima sustav stoji u posebnoj

4 Kako navodi Eliasmith (2005: 6), istraživači u području umjetne inteligencije generalno su prihvatili

ovu perspektivu, te dodaje: “teorije reprezentacijskog sadržaja kod organizama izričito se nisu vodile primjerom

takvih tradicija u umjetnoj inteligenciji.“

5 Distalni stimulans je vanjski objekt tj. izvor signala (pri čemu je signal refleksija svjetlosti s površine

objekta), a proksimalni stimulans je „otisak“ koji signal ostavlja na retini promatrača.

16

relaciji razumijevanja ili mogućnosti evaluacije. Pretpostavka je da simbolički komputacijski

sustavi operiraju reprezentacijama u svakoj pojedinoj transformaciji. Stoga je potrebna

karakterizacija semantičkih svojstava koja takvo shvaćanje dopušta. Premda je semantičko

svojstvo reprezentacija shvaćeno kao njhovo značenje suviše isključiv opis, moguće je

prigovoriti kako je pojam sadržaja preširok opis. Mnoge reprezentacije imaju sadržaj, no nisu

mentalne reprezentacije. Kako bi bilo moguće preciznije odrediti sadržaj kad je riječ o

mentalnim reprezentacijama, potrebno je naći utemeljenje semantičkih svojstava sustava u ne-

semantičkim svojstvima proizašlim iz značajki samog perceptivnog inputa. Drugim riječima,

potrebno je „naturalizirati“ semantiku. Kako je „mentalna reprezentacija struktura u umu koja

čuva informacije o predmetima ili događajima u svijetu“ (McNamara, 1999:114), postavlja se

pitanje koje je vrste relacija između mentalnih reprezentacija i događaja u svijetu, te kako se

takva relacija uspostavlja.

Egan (2012: 256) navodi tri pretpostavke naturaliziranih objašnjenja semantike u

komputacijskim modelima:

(i) Interna stanja i strukture u komputacijskim teorijama spoznaje interpretiraju se distalno.

[...]

(ii) Distalni predmeti i svojstva koji određuju reprezentacijski sadržaj internih stanja i struktura služe za tipsko individuiranje komputacijski karakteriziranog mehanizma. [...]

(iii) Relacija između internih stanja i struktura te distalnih predmeta i svojstava [...] supstancijalna je relacija koju je moguće naturalistički odrediti.

Vratimo se primjeru vjeverice koja je u potrazi za žirom. Ciljano reprezentacijsko stanje

sustava vjeverice je │žir*│6 u smislu u kojem se ta reprezentacija javlja u kratkoročnoj

memoriji vjeverice kao direktna posljedica inputa.7 U jednom trenutku vjeverica ugleda

smeđu mrlju, distalni stimulans. Nakon niza komputacija od kojih je prva transformirala

distalni stimulans u retini u neuralni informacijski kod, vjeverica dospijeva u mentalno stanje

│žir*│i interpretira informaciju koju prenosi to mentalno stanje kao input za provođenje

određene motoričke radnje. U skladu s pretpostavkom (i) interno stanje reprezentacije

│žir*│ima distalni uzrok. Prema pretpostavci (ii) distalni uzrok, smeđa mrlja, odredila je

6 Oznaka „*“ označava činjenicu da je rezultirajuće mentalno stanje ono koje reprezentira žirove za

vjeverice, ili za ovu određenu vjevericu, a ne način na koji žir reprezentiraju neutralni promatrači. Distinkcija je

bitna jer će, pod pretpostavkom specifičnosti sustava vjeverice na komputacijskoj i implementacijskoj razini,

vjeverice imati jedinstvenu reprezentaciju žira – u najmanju ruku drugačiju od, primjerice, pasa čiji sustav ne

posjeduje uređaje za procesuiranje kromatskih podražaja.

7 Za razliku od │žir1*│koji je posljedica dostupnosti pohranjene reprezentacije žira koja je prethodno

bila pohranjena u dugoročnoj memoriji sustava.

17

tipove komputacije koje su procesuirane u sustavu vjeverice. (Da je vjeverica nanjušila žir,

informaciju bi primio drugi osjetilni sustav te bi bili procesuirani drugi tipovi komputacija.)

Prema pretpostavci (iii) relacija između smeđe mrlje i stanja │žir*│je ne-semantički

odrediva.

Cilj je narednih odjeljaka dvojak: (i) argumentirati u korist sadržajnog, a ne

značenjskog shvaćanja semantičkih svojstava reprezentacija i (ii) pokušati preciznije definirati

sadržaj mentalnih stanja pomoću relacije između distalnog stimulansa i odgovarajuće

reprezentacije. Problem naturalizacije semantike pokušat će se riješiti pomoću informacijsko-

teorijskog modela, koji je razvio Fred Dretske (1981). Dretske predlaže tri kriterija prema

kojima signal prenosi informaciju. Prvi će kriterij biti prihvaćen, dok druga dva impliciraju

pretjerano jaku eksternalističku poziciju te poglavlje završava prijedlogom uvjeta koji bi

zamijenio Dretskeova posljednja dva kriterija.

2.1. Značenje i sadržaj

Pojam semantike dolazi iz filozofije jezika i odnosi se na značenje izraza. Probleme s takvim

shvaćanjem dobro opisuje Guttenplan (1995: 583): „Jedna je stvar reći da je semantika

rečenice njezino značenje, a sasvim je druga stvar reći što je značenje [...]“. Značenje je širok

pojam: pjesme imaju jedno značenje za autora, a često drugo za čitatelja, talog kave ima

posebno značenje za neke ljude, Morseov kod ima značenje, godovi debla nešto znače, boja

žira nešto znači, kao i jezični iskazi. U pokušaju razjašnjenja pojma semantike, Cummins i

Roth (2010: 154) uvode razlikovanje između značenja kao eksplanansa i značenja kao

eksplananduma:

[...] želimo razlikovati vrstu značenja koja je eksplanandum kognitivne znanosti – nešto što ćemo zvati značenje – od vrste značenja koja je eksplanans kognitivne znanosti – nešto što

uopće nećemo zvati značenje, već sadržaj. Ono što ćemo zvati značenje je paradigmatsko

svojstvo jezičnih izričaja: što nečija izjava ili rečenica znači i koje značenje joj govornik pridaje. Ono što ćemo nazivati sadržajem je svojstvo, između ostalog, mentalnih

reprezentacija i indikatorskih signala.

Cummins i Roth razlikuju sadržaj od značenja shvaćajući prvo kao lingvističku karakteristiku,

a drugo kao svojstvo mentalnih stanja.8 Kognitivna znanost teži objasniti lingvističke

fenomene i sposobnost komunikacije. Ona to čini pozivanjem na određene mentalne sadržaje.

8 Isti pristup semantici imaju i Loar (1981) i Peacocke (1986).

18

„Reprezentacije i indikatorski signali kognitivne teorije ne trebaju biti razumljeni; oni trebaju

biti procesuirani,“ navode Cummins i Roth (2010: 177) te upozoravaju kako „izjednačavanje

sadržaja i značenja potiče nesretnu tendenciju da se [...] procesuiranje reprezentacija ili

indikatorskih signala svodi na njihovo razumijevanje.“

Razlikovanje između procesuiranja informacija i razumijevanja informacija od velike

je važnosti. Kada se navodi da su oni komputacijski sustavi koji posjeduju fleksibilan sustav

reprezentacija sposobni pripisivati stanjima nova značenja, nije riječ o jezičnim značenjima,

već o onim koja su u potpunosti opisiva komutacijskom interpretacijom, tj. izvođenjem

određenih komputacijskih zadataka. Prema tome, razumijevanje nije kriterij pomoću kojeg je

moguće ograničiti komputacije na relevantnu podskupinu – skup komputacija koje uključuju

razumijevanje kao dio procesa uži je od skupa svih mentalnih komputacija. Drugim riječima,

ako semantiku u semantičkoj komputaciji previše približimo „razumijevanju“, učinit ćemo

izdvojeni skup komputacija prerestriktivnim da bi obuhvatio sve slučajeve mentalne

komputacije koje vrše univerzalni komputacijski sustavi (primjerice percepcija i kretanje).

Stoga se osobine minimalnih komputacijskih sustava trebaju shvatiti u terminima sadržaja, a

ne u terminima značenja.

Takozvani klasični komputacionalizam9 semantička svojstva mentalnih stanja vidi kao

značenjska. Razloge za takav stav moguće je potražiti u uvjetima nastanka reprezentacijske

teorije uma. Odlučujući poticaj za nastanak reprezentacionalizma bila je mogućnost sustavnog

psihološkog pristupa objašnjenju ponašanja korištenjem rječnika pučke psihologije. Kako

navodi Egan (2012: 250), pojedinci se ponašaju na način koji je prikladan za postizanje

njihovih ciljeva, s obzirom na želje i raspoložive resurse, a „najbolje objašnjenje ove činjenice

jest da su sposobni reprezentirati i svoj cilj i svoju situaciju te da su te reprezentacije kauzalno

uključene u proizvodnju njihovog ponašanja.“ Eksplanatorni alati pučke psihologije su

propozicijski stavovi poput vjerovanja i želja. Mentalna stanja analogna tim propozicijskim

stavovima svoja semantička svojstva nasljeđuju od istinosnih uvjeta prema kojima propozicije

dobivaju značenje. Dakle, vjerovanje ili reprezentaciju │vjeverica traži žir na drvetu│

omogućava prikladna veza između osobe koja posjeduje to vjerovanje i propozicije „vjeverica

9 Naziv preuzet od Egana (2012).

19

traži žir na drvetu“. Ta reprezentacija ima semantička svojstva na isti način na koji ih ima

propozicija „vjeverica traži žir na drvetu“ – referencijom.10

Prema Piccinini (2012: 232) klasični (semantički) komputacionalizam temelji se na

digitalnim komputacijama s dodatnim elementom: „manipulira se posebnim vrstama

digitalnih nositelja [vehicle]: strukturama nalik rečenicama.“ Kako je već naglašeno,

reprezentacijska razina je u određenoj mjeri arbitrarna u odnosu na komputacijsku, a simbol je

ona količina informacija koja se pojavljuje kao input komputacijskog procesa. Nije isključeno

da bi struktura inputa išla ruku pod ruku sa strukturom simbola tj. rečenica, kao što tvrdi

klasični komputacionalizam. Tada bismo dekompozicijom rečenica u riječi, slogove i slova

dijelili i strukturu informacija u neke temeljne vrste koje služe kao input za komputacijske

procese. Međutim, to bi se odnosilo na jednu vrlo specifičnu skupinu komputacija: one koje

se odnose na jezične sposobnosti.11

S obzirom da je u kontekstu minimalnog semantičkog

komputacionalizma potrebno objašnjenje semantičkih svojstava koje se odnosi na simbole

kojima sustav operira na svim razinama, semantička je svojstva potrebno interpretirati kao

sadržaj određene vrste. Vrsta sadržaja koja čini semantička svojstva reprezentacija

jedinstvena je prema svom izvoru i načinu na koji komputacijski sustav koristi informacije, tj.

input tog izvora. Mentalne reprezentacije uspijevaju predstavljati svijet zbog relacija koje se

uspostavljaju, posredstvom komputacijskih procesa, između njih na jednoj i predmeta i

događaja u svijetu na drugoj strani.

10 Takvu vezu između značenja i istine prvi je eksplicirao Davidson (1967). Kako navodi Cummins

(2010: 153), semantika istinitosnih uvjeta [truth-conditional semantics] je glavna semantika koja se nudi u

filozofiji. Davidsonovu ideju je usvojio i razradio Fodor uvođenjem Jezika uma. Shvaćanje semantike kao značenja – u bliskoj vezi s uvjetima istinitosti i referencijom – karakteristična je za reprezentacionalizam.

Primjerice Loar (1981), Evans (1982), Harman (1982), Lycan (1984), Block (1986), Fodor (1998).

11 U ovom je kontekstu zanimljiva tvrdnja McCullocha i Pittsa (1943: 352) kako je zakon neuralne

aktivnosti tipa „sve ili ništa“ dovoljan da se tvrdi kako se aktivnost bilo kojeg neurona može razumijeti kao

izražavanje propozicije. Kako navode ti autori, „fiziološke relacije koje postoje između aktivnosti živaca

odgovaraju relacijama između propozicija; korisnost reprezentacija ovisi o istovjetnosti ovih relacija s onima

propozicijske logike.“ Ta se tvdnja svodi na to da „promjene u uzorcima vjerovanja ili zaključivanja mogu biti

reprezentirane kao promjene u jačini povezanosti među neuronima“, navodi Craver (2007: 241).

20

2.2. Informacijsko-teorijski pristup

Ključno je pitanje naturalizacije semantike, u kontekstu komputacionalizma kako je do sada

prikazan u radu, razjašnjenje odnosa između izvora informacija i sadržaja reprezentacija. Iako

naturalističke teorije semantike dolaze u više inačica12

, oblik koji je najbliži potrebama

razjašnjenja semantike komputacijskih sustava je Dretskeov informacijsko-teorijski pristup

razrađen u knjizi Knowledge and the Flow of Information iz 1981. godine. Dretske (1981)

polazi od matematičke teorije informacija13

prema kojoj je vrijednost informacije koju šalje

određeni izvor ovisna o vjerojatnosti stanja ili događaja o kojima je informacija. Temeljna

distinkcija je ona između stanja 1 kad izvor emitira informaciju i stanja 0 kad to ne čini. Ta

najmanja „odluka“ izvora je količina informacije od jednog bita. Prema tome, vrijednost

informacije ovisi o broju stanja na sljedeći način: ako postoje dva moguća stanja, izvor

jednom donosi „odluku“ među njima i time šalje jedan bit informacije. Ako postoje četiri

moguća stanja, izvor dva puta donosi tu odluku te time šalje dva bita informacije, i tako

redom. Količina informacije, k, koju izvor šalje iznosi 2k = n, gdje je n broj mogućih stanja.

Za razliku od količine informacije koja ovisi o broju stanja, vrijednost informacije ovisi o

vjerojatnosti stanja. Ako je stanje sasvim sigurno, informacija o njemu je vrijednosti 0. Na

primjeru vjeverice, izvor koji je smeđa mrlja vjeverici može poslati informaciju da vidi orah,

lješnjak, badem ili žir. Količina informacija koju ovaj izvor šalje iznosi 2 bita. Ako je

vjeverica jednako učestalo opažala sve te orašaste plodove, za nju vrijednost informacije da

vidi lješnjak iznosi 0.75, dok vrijednost informacije da vidi orah ili lješnjak iznosi 0.5.

Prvo pitanje koje se nameće u kontekstu informacijsko-teorijske analize jest, pod

kojim uvjetima izvor prenosi informaciju pojedinom komputacijskom sustavu. Dretske (1981:

63-64) navodi tri uvjeta da bi signal prenosio informaciju s je F :

(i) signal nosi točno onu količinu informacija koju bi nosio da s jest F;

(ii) s jest F;

(iii) količina informacija koju signal nosi o s-u jednaka je količini koja bi bila proizvedena

kada bi vrijedilo s jest F (a ne s jest G).

12 Prema Egan (2012), dvije glavne skupine teorija su: informacijsko-teoretske, kojih su glavni

predstavnici Dretske (1981) i Fodor (1990), i teleološke, koje predstavljaju Millikan (1984), Dretske,

(1986,1995) i Papineau (1987). Zagovornici informacijsko-teorijiskog ili kauzalnog pristupa zastupaju ideju

kako je semantički sadržaj reprezentacije određen poviješću nastanka reprezentacije. Teleološka ili

funkcionalistička skupina pak tvrdi kako se sadržaj reprezentacije individuira s obzirom na funkcionalnu ulogu

reprezentacije u cjelini sustava.

13 Matematičku teoriju informacija predstavio je Claude Shannon u članku „A mathematical theory of

communication“ iz 1948. godine. Shannon je teoriju razvio i upotpunio uz pomoć Warrena Weavera. Teorije je

našla široku primjenu u komunikacijskim i računalnim znanostima.

21

U skladu s Dretskeovim uvjetima, priča o vjeverici na grani izgleda ovako: vjeverica opazi

smeđu mrlju (boju žira). Distalni element stimulansa je žir, no jedina informacija koju

vjeverica dobiva o prirodi distalnog stimulansa je utjecaj signala na retinu njezinog oka –

proksimalni stimulans. Možemo zamisliti kako, s obzirom na input koji dobiva od

proksimalnog stimulansa, vjeverica može nizom komputacija doći do raznih mentalnih stanja,

primjerice: │žir*│, │lješnjak*│, │badem*│i │orah*│. Prema (i), ako signal prenosi

informaciju s je F, tj. distalni stimulus je žir, on prenosi točno određenu količinu informacija.

Ta ukupna količina informacija ovisi o tome koje sve informacije izvor može prenijeti

(vjeverici!) i koja je vjerojatnost stanja ili događaja o kojima informacije jesu. Pretpostavimo

da se vjeverica jednako učestalo susretala sa svim navedenim orašastim plodovima i da su to

svi smeđi orašasti plodovi koji postoje na njezinom izoliranom otoku (kako bismo mogli

kontrolirati broj mogućih reprezentacijskih stanja vjeverice). U tom slučaju, ako signal

prenosi informaciju da je stimulans žir, prenosi ukupnu količinu informacija 0.75.

Uvjeti (ii) i (iii) pokušavaju riješiti problem koji nastaje kad uočimo da bi, pod

pretpostavkom da se vjeverica sa svim plodovima sretala jednako učestalo, signal nosio istu

ukupnu količinu informacija bez obzira na to je li stimulus žir, lješnjak, badem ili orah. Cilj

naturalizacije semantike je karakterizacija veze između stimulansa i semantičkih svojstava

mentalnih stanja na ne-semantičkim osnovama. Uzmemo li za ne-semantičku osnovu ukupnu

količinu informacija, ne možemo razlučiti relacije između istog stimulansa i nekoliko

mentalnih stanja, u ovom slučaju reprezentacija orašastih plodova.14 Premda je situacija u

kojoj se vjeverica jednako često susretala sa svim plodovima u prirodi iznimno malo

vjerojatna, ona je ipak matematički potpuno jednako važno stanje kao i bilo koji drugi

raspored vjerojatnosti proizašao iz vjeveričinih iskustava.

Dretskeovi uvjeti (ii) i (iii) ne pokušavaju riješiti problem relacije na informacijsko-

teorijskim, već na ontološkim osnovama. Uvjet (i) bilo je moguće interpretirati isključivo iz

perspektive komputacijskog sustava o kojem je ovdje riječ (vjeverice), dok s uvjetima (ii) i

(iii) to nije slučaj. Uvjeti (ii) i (iii) govore o određenim karakteristikama distalnog stimulansa,

a ne proksimalnog koji je izvor informacija za sustav. Razlika je od velike važnosti jer iz

pozicije vjeverice distalni stimulans nije žir sve dok ona ne dođe u primjereno mentalno stanje

14 Ovdje je u svrhu argumenta pretpostavljeno kako je vjeverica sposobna imati različite reprezentacije

za svaki navedeni orašasti plod, što ne mora biti slučaj s ne-hipotetskom vjevericom. Kako će kasnije biti

pokazano, sustav posjeduje one reprezentacije koje su joj od koristi.

22

│žir*│15

, dok je iz eksternalističke pozicije distalni stimulans jednostavno žir. Dretske

uvjetom iii) jednostavno stipulira da svaki pojedini stimulans nosi različitu ukupnu količinu

informacija. Uvjet (ii) pak u kombinaciji s uvjetom (i) naglašava kako je jedini način na koji

signal može nositi jednu određenu ukupnu količinu informacija to da stimulans jednostavno

jest F. Drugim riječima, Dretske se poziva na pravilnosti u okolišu u kojem vjeverica obitava.

Dakle, ovakva karakterizacija relacije između distalnog stimulansa i semantičkog svojstva

mentalnog stanja svodi se na kovarijaciju između distalnih stimulansa i karakterisika

mentalnih stanja. Dretske se time nastavlja na filozofsku tradiciju govora o tzv. „prirodnim

značenjima“16

i „prirodnim vrstama“. Adams (2003: 147) „prirodno značenje“ karakterizira

na sljedeći način: „Ako su, pod lokalno stabilnim uvjetima u okolišu, stvari sa svojstvom G

korelirane sa stvarima sa svojstvom F, u relaciji nomičke ovisnosti, pojava svojstva G u

nečemu može biti prirodan znak ili indikator da to također posjeduje i svojstvo F.“ Dretske

(1988: 54) takve signale naziva „prirodnim znakovima“ ili indikatorima: „događaji i stanja

koja deriviraju svoje indikacijske moći [...] iz načina na koji se objektivno odnose prema

uvjetima koje označavaju“.

Temeljni problem Dretskeove teorije je nemogućnost objašnjenja pogrešne

reprezentacije. Pretpostavimo da distalni stimulans koji je boja žira u vjeverici izazove

mentalno stanje │trešnja*│. Radi se o nekoj vrsti pogreške sustava. S obzirom da je nastanak

reprezentacija koje su pogrešne ili neprikladne s obziorm na stimulans svakodnevna pojava,

ako komputacionalizam i naturalizirana semantika nisu u mogućnosti ponuditi objašnjenje

njihovog nastanka, moramo zaključiti kako se radi o netočnoj ili, u najboljem slučaju,

nepotpunoj teoriji. Objašnjenje relacije između distalnog sitmulansa i semantičke kvalitete

reprezentacija mora uključivati mehanizam koji omogućava pojavu ovih fenomena. Uvjeti (i),

(ii) i (iii), što se mehanizma prijenosa informacija tiče, ekvivalentni su kauzalnom

objašnjenju. Zahvaljujući prirodnim značenjima, tj. indikatorima, vlada odnos jedan prema

jedan između stimulansa i reprezentacija, a taj odnos je utemeljen na količini informacija koje

stimulans prenosi. Dakle, u takvom „idealnom“ sustavu nema mjesta za pogrešku.

Suočen s problemom pogrešivosti, Dretske je u kasnijim radovima (1986, 1988) uveo

pojam „funkcionalnog značenja“. Prethodno je rečeno da se komputacije koje informacijski

15 Strogo gledano, ni tada distalni stimulans nije žir kakav je iz ekstranalističke perspektive. (Vidi

bilješku 8.)

16 Pojam „prirodnog značenja“ potječe od Gricea (1957).

23

sustavi vrše mogu funkcionalno opisati. Pojedine skupine komputacija funkcionalno su

grupirane čineći djelomično autonomne podsustave. Kod bioloških je pojava uobičajen način

opisivanja dijelova sustava ili organizma u terminima njihovih funkcija. Dretske (1981: 231)

tvrdi kako ti funkcionalni dijelovi sustava nastaju kao odgovor na određene vrste stimulansa

iz okoliša. Informacija na koju su ti sustavi bili „osjetljivi“ prilikom svog nastanka ili

formiranja daje funkcionalno značenje procesima koje dijelovi sustava obavljaju. Drugim

riječima, vjeverica17

je bila izložena mnogim vrstama informacija o žirovima. Osim putem

fotoreceptora, informacije je mogla primiti i putem kemijskih osjetila kao što su njuh i okus ili

preko zvuka koji žirovi proizvode kad udare o tlo. Kao odgovor na određenu vrstu stimulansa,

onu vizualnu, vjeverica je razvila mehanizme koji su komputacijski opisivi, a čija je funkcija

prepoznavanje žirova putem informacija koje sustav prima od te određene vrste stimulansa.

Prema tome, za Dretskea je „funkcionalno značenje“ vid povijesnog određenja značenja.18

Dretske više ne tvrdi kako svaki indikator ili prirodni znak ima relevantni semantički sadržaj

za sustav kao u prethodnoj inačici teorije, već kako takav sadržaj imaju samo oni indikatori

koji su u skladu s funkcijom sustava koja je povijseno određena. Dretske (1988: 65-66)

navodi sljedeći primjer:

Širina godova stabala koja rastu u polusušnim regijama osjetljiva je na kišu, precizno

ukazujući na količinu padalina tijekom godine koja odgovara pojedinom godu. Međutim, to ne znači da godovi reprezentiraju količinu godišnjih padalina. Da bi to bio slučaj, bilo bi potrebno

da je funkcija godova da svojom širinom indiciraju količinu godišnjih padalina, koja odgovara

svakom godu.

Drugim riječima, ako sustav vjeverice nema funkciju prepoznavanja orašastih plodova

putem distalnog podražaja koji je njihova boja, onda boja orašastih plodova za vjevericu nema

semantički sadržaj. Situaciju ne mijenja to što boja u prirodi može biti jasan indikator

prisutnosti orašastih plodova (jer pretpostavimo da u okolišu naše vjeverice ništa osim svih

orašastih plodova nema upravo tu nijansu smeđe). Dakle, stečena funkcija ograničava

informacije koje vjeverica može primiti kao input. Bilo koja pogreška jednostavno znači

17 U ovom kontekstu nije riječ o pojedinačnim vjevericama, već o vjevericama u nekoj prethodnoj fazi

evolucije, možemo je u ovom kontekstu zamišljati kao modelski organizam.

18 Dretske (1891: 231) iz načina na koji se funkcije razvijaju donosi nativističke zaključke koje

eksplicira na sljedeći način: „S obzirom na ovu urođenu koordinaciju između funkcionalno važnih struktura i

njihove informacijske osjetljivosti, takve struktrue imaju značenje ili sadržaj prije aktualnog izlaganja signalima

koji prenose relevantne informacije. O čemu govorimo [...] su urođeni koncepti: funkcionalno važne interne

strukture koje, prije učenja, prije izlaganja signalima koji nose informaciju da s je C, čine način na koji sustav

digitalno reprezentira činjenicu da s je C.“

24

neizvršavanje funkcije – mehanizam kojim se izvršavaju operacije nad informacijama može

zakazati iz brojnih razloga.19

2.3. Znanje* i problem pravilnosti

Plauzibilnost Dretskeovog viđenja zanimljivo je propitati testirajući intuicije misaonim

eksperimentom o Čovjeku iz močvare.20

Pretpostavimo da Ivan hoda uz rub močvare i

promatra ponašanje vjeverica u svrhu izrade filozofskog rada. Odjednom u močvaru udari

munja i, spletom čudnih kemijskih fenomena, Ivan nestane, a umjesto njega se pojavi njegova

fizički potpuno vjerna kopija, Ivan*. Pitanje glasi: imaju li u trenutku Ivan*ovog pojavljivanja

njegova mentalna stanja semantički sadržaj. Dretske odgovara negativno – Ivan*ova mentalna

stanja nemaju semantički sadržaj jer niti jedan distalni stimulans za njega nije indikator

budući da nema tu funkciju (budući da Ivan* nema iskustva). Premda Ivan* ima potpuno

identična mentalna stanja kao Ivan u trenutku kada je nestao, Ivan*ova mentalna stanja nisu

funkcionalno povezana s okolišem kao što su to Ivanova mentalna stanja. Negativan odgovor

implicira eksternalističku semantiku, a pozitivan internalističku. Dretske je, kako je prethodno

naglašeno, usvajajući uvjete (ii) i (iii) pristao na jaku eksternalističku poziciju.

Zamislimo sada da je Ivana u šetnji oteo genijalni ali zli znanstvenik koji je proizveo

njegovu identičnu kopiju (uključujući i memoriju!), ali građenu od spojeva silicija. Cilj

znanstvenika je testirati svoj stroj – Ivan*a – stavljajući ga u realne životne situacije. Kako bi

kontrolirao što više varijabli testa, nitko iz Ivanove sredine ne smije znati za Ivan*a tako da se

znanstvenik odlučuje nakratko riješiti Ivana. Ako bismo i u ovoj situaciji odgovorili negativno

na pitanje o semantičkom karakteru Ivan*ovih mentalnih stanja, kategorički bismo odbacili

mogućnost uspjeha umjetne inteligencije (s obzirom na to da je ovakav Ivan* zasigurno

najveće postignuće koje je u polju umjetne inteligencije zamislivo). Dretske bi morao

19 Svjestan problema određenja bioloških funkcija, Dretske (1988: 63) iznosi vrlo uvjerljiv primjer:

„Određene morske bakterije imaju unutrašnje magnete, magnetosome, koji funkcioniraju kao igle kompasa,

poravnavajući se (a pritom poravnavajući i bakteriju) paralelno sa Zemljinim magnetskim poljem (Blakemore i Frankel 1981). S obzirom da su magnetske linije na sjevernoj hemisferi nagnute prema dolje (prema

geomagnetskom sjeveru), bakterije u sjevernoj hemisferi, orijentirane pomoću svojih internih magnetosoma,

kreću se prema geomagnetskom sjeveru. Ovi organizmi mogu živjeti samo u okolišu bez kisika. Kretanje prema

geomagnetskom sjeveru sjeverne bakterije odvest će od površinskih voda bogatih kisikom (i time otrovnih)

prema kisikom siromašnim vodama uz sediment na dnu. Nije nerazumno pretpostaviti, kao što čine Blakemore i

Frankel, da je funkcija tih primitivnih senzornih sustava da indiciraju lokaciju povoljnih (anaerobnih) okoliša.“

20 Misaoni eksperiment poznat kao Swampman predložio je Davidson (1987).

25

odgovoriti negativno jer se Dretskeove funkcije, koje moraju imati odgovarajuće porijeklo

(kako bi objasnile semantička svojstva reprezentacija), ne mogu svesti isključivo na razinu

realizacije sustava.

Postavlja se pitanje je li moguće prihvatiti Dretskeov uvjet (i) koji je u skladu sa

shvaćanjem organizma kao komputacijskog sustava, a odbaciti uvjete (ii) i (iii) i pritom

objasniti relaciju između distalnog stimulansa i sadržaja mentalne reprezentacije iz umjerenije

eksternalističke pozicije. Time bismo pretpostavili da način na koji signal prenosi informaciju

komputacijskom sustavu ne možemo objasniti pozivanjem na pravilnosti u okolišu, već

pozivanjem na njegove vlastite mehanizme. Prema uvjetu (i), signal nosi onu količinu

informacija koju bi nosio da s jest F. Stoga se čini kako je za rješenje problema ključno

pokušati pronaći način na koji bi sustav „znao“ koju količinu informacija signal nosi ako s jest

F. U tom slučaju bi količina informacija ipak bila dovoljna za uspostavljanje relacije između

distalnog stimulansa i semantičkog sadržaja. Najjednostavnije rečeno, komputacijski sustav bi

morao moći postavljati neki rudimentaran oblik hipoteze ili predviđanja. U tu svrhu,

„perceptivni sustav mora pristupiti [...] znanju* o tome koje vrste distalnih stimulansa

proizvode koje vrste signala [...]“, navodi Cummins (1989: 43-44) te dodaje kako je

pretpostavka da sustav može izvoditi inferencije iz informacija koje dobiva putem

proksimalnog sitmulansa i znanja* o osobinama distalnog stimulansa. Termin „znanje“ je u

ovom kontekstu lišen svih normativnih elemenata – sustav koristi znanje* bez obzira na

njegovu istinitost ili opravdanost (Cummins, 1989: 160). Dakle, „sustav zaključuje [infer] o

distalnoj situaciji iz aktualnih podataka (proksimalnog stimulansa, ako je problem

perceptualne prirode) i velike količine znanja spremljenog kao strukture podataka“

(Cummins, 1989: 43).

Budući da je vjeverica organsko biće, ta vrsta materijalnog ustrojstva sustava na

presudan način ograničava odabir komputacijskog procesa koji bi mogao izvršiti pojedini

zadatak. Prvo ograničenje je vrijeme unutar kojeg se komputacija mora obaviti. Naime,

kriterij uspješnosti komputacije nije samo generiranje prave informacije nego i brzina kojom

se do te informacije dolazi; bilo bi nepovoljno za vjevericu da dvije minute procesuira ulazne

informacije prije nego što reagira na prisutnost žira. „Veza“ sa svijetom mora biti brzo,

gotovo trenutačno uspostavljena. U skladu s tim, temeljna svojstava organskih komputacijskih

sustava su velika brzina odvijanja procesa i paralelno procesuiranje. Naravno, na apstraktnoj

matematičkoj razini vremensko ograničenje nije presudan kriterij; vrijeme reakcije dolazi do

26

izražaja tek na implementacijskoj razini. Churchland i Sejnowski (1996: 6) navode kako ovaj

uvjet dobiva na važnosti „kad se uzme u obzir da se događaji u elektroničkom računalu

odvijaju brzinom od približno 10-9

nanosekunda, dok se događaji u neuronima odvijaju

brzinom od približno 10-3

mislisekunda“. Drugo ograničenje u funkcioniranju komputacijskog

sustava je količina energije koju taj sustav koristi za rad. Potrošnja energije je ono što mozak

čini „skupim“ organom. Neuron koristi približno 10-15

J energije po operaciji, dok najbrži

silikonski čip koristi 10-7

J. „Posljedica toga je da mozak može vršiti znatno više operacija u

jedinici vremena nego najjače superračunalo“, navode Churchland i Sejnowski (1996: 7).

U svrhu ispitivanja prirode semantičkih svojstava reprezentacija, potrebno je ne-

normativno i vrlo široko shvaćanje znanja. U prvom su poglavlju navedeni procesi

dezignacije i interpretacije te posjedovanje rudimentarne memorije kao uvjeti koji sustavu

omogućuju bihevioralnu fleksibilnost. Pitanje koje se postavlja glasi može li se u okvirima tih

uvjeta ponuditi opis mehanizama koji omogućuju spoznaju vanjskog svijeta u najširem smislu

te riječi. Takav bi mehanizam zadovoljio potrebe karakterizacije semantike kao sadržaja te

pojasnio način na koji reprezentacije uspijevaju biti o nečemu. Kako komputacijski sustavi

informacije dobivaju putem perceptivnih sustava, u sljedećem se poglavlju problemu relacije

između svijeta i reprezentacija pokušava pristupiti s obzirom na to na koji način

implementacijska razina ograničava komputacijsku i reprezentacijsku razinu i to na primjeru

vizualne percepcije.

27

3. Vizualna percepcija

In any well made machine one is ignorant of the working of most of

the parts—the better they work the less we are conscious of them [...]

It is only a fault that draws attention to the existence of a mechanism at all.

(Craik, 1967, The Nature of Explanation)

Pristupiti proučavanju bilo kojeg tipa fenomena možemo na dva načina: (i) proučavanjem

pojedine instancijacije fenomena zaključivati o mehanizmu koji dijele ili principu prema

kojem se ponašaju; ili (ii) zaključivati o tim mehanizmima i principima bez pozivanja na

pojedinačne fenomene. Prvi pristup je preporučljiv samo u slučajevima u kojima postoje dobri

razlozi za tvrdnju da pojedini fenomeni pripadaju onom tipu fenomena koji nas zanima.

Dakle, već prethodno moramo posjedovati neko dovoljno općenito znanje o tom tipu

fenomena koje bi nam omogućilo da pojedinačne instancijacije podvedemo pod dotičnu

kategoriju. U prethodnom je poglavlju argumentirano kako pokušaj naturalizacije semantičkih

svojstava reprezentacija – koje su nešto više od informacijskog sadržaja, a nešto manje od

jezičnog razumijevanja – ovisi o sposobnosti komputacijskih sustava da steknu neku

rudimentarnu formu znanja o povezanosti između količine informacija koje signal prenosi

(preko proksimalnog stimulansa) i svojstava distalnog stimulansa. Prvi pristup bi bio

nerazborit za proučavanje znanja koje je ovdje predmet interesa; jedini kriterij kojim bismo se

mogli služiti u navođenju instancijacija znanja* nekog sustava bile bi intuicije, budući da o

fenomenu koji nas zanima zasad vrlo malo znamo.

Cilj je ovog i sljedećeg poglavlja utvrditi pod kojim uvjetima možemo pretpostaviti da

komputacijski sustav posjeduje znanje* u onom obliku koji je dovoljan za objašnjenje relacije

između distalnog stimulansa i semantičkih svojstava odgovarajuće reprezentacije. Smjer

istraživanja koji se nameće tiče se implementacijske razine komputacijskog sustava. Kako je

komputacijska razina opisa sustava matematička, dakle apstraktna, na toj se razini isti skup

fenomena može opisati na više načina i isti se komputacijski opis može odnositi na više

reprezentacijskih sustava. S obzirom da je predmet istraživanja poseban reprezentacijski

sustav, pozornost je potrebno usmjeriti na implementacijsku razinu eksplanansa. „Za sustave

koji zaista vrše komputacije, oznaka ’komputacijski sustav’ nema nikakav odnos prema

28

onome što sustavi rade, jer njihova komputacijska priroda ne ovisi isključivo o nečijoj

komputacijskoj interpretaciji,“ naglašava Stufflebeam (1999: 644-645) te zaključuje da, iako

individuiranje komputacijskih sustava nije samo empirijsko pitanje „ne slijedi da empirija nije

važna“. Pod pretpostavkom da karakteristike implementacijske razine opisa mentalnih

fenomena ne smiju biti zanemarene, tema ovoga poglavlja je pokazati kako pokušaji

naturalizacije semantike – razjašnjenja onih kriterija prema kojima su reprezentacije više od

sadržaja – trebaju koristiti spoznaje iz područja neuroznanosti u svrhu karakterizacije veze

između vanjskog svijeta i reprezentacija. U prvom se dijelu poglavlja iznosi vrlo

pojednostavljen prikaz neurofiziologije vizualnog sustava, dok se u drugom argumentira o

posljedicama tih saznanja za pretpostavke o odnosima između ditalnih stimulansa i mentalnih

reprezentacija kojima se bravi naturalizirana semantika.

Perceptivni modaliteti su pogodna početna točka istraživanja toga na koji način

komputacijski sustavi reprezentiraju svijet. Naime, zbog njihove blizine periferiji moguće je

uspostavljati korelacije između neuralnih odgovora i stimulansa koje su u velikoj mjeri

kontrolirane (Churchland i Sejnowski, 1996: 114). Prema Cummins (1989: 9), ideja

naturalizirane semantike da je reprezentacijski sustav kauzalno povezan s vanjskim svijetom

motivirana je ponajprije istraživanjem u području vizualne precepcije. Činjenica da aktivnost

neke strukture u mozgu kovarira s pojavom određenog stimulansa, primjerice s kretanjem

muha u vizualnom polju žabe, navodi na zaključak kako je „ono što čini tu strukturu

detektorom pokreta jednostavno činjenica da se ona aktivira u slučajevima kada se nešto kreće

u vizualnom polju žabe“ (Cummins, 1989 :9).

Sustav za vizualnu percepciju je najrazvijenije ljudsko osjetilo koje koristimo s

nevjerojatnom lakoćom. Kod svih primata približno 50% moždane kore (korteksa) posvećeno

je vizualnom procesuiranju. Prema Snowdenu i suradnicima. (2012: 14), auditorni sustav

zauzima 10%, sva preostala osjetila dodatnih 10%, a motorički sustav 10-20% ljudskog

korteksa. Relativno malo prostora ostaje za „više“ aktivnosti kao što su igranje šaha,

matematičko i drugo apstraktno mišljenje, zaključivanje itd. Međutim, kako autori navode,

„vizualna percepcija je laka jer joj je posvećen velik dio mozga, šah je težak jer njemu nije.“

Korteks je, kao i ostatak mozga, podijeljen na područja koja čine skupine neurona koje imaju

iste veze prema pojedinim skupinama neurona u drugim područjima. Prema Tovéeu (2008: 2-

3), „s povećanjem veličine i složenosti mozga raste i broj tih specijaliziranih područja“ –

primjerice: korteks miševa je podijeljen na 15 područja od čega je 5 posvećeno vizualnom

29

procesuiranju, korteks mačaka se pak sastoji od 65 područja od čega su 22 vizualna. Vizualni

sustav primata čine retina, ganglionske stanice (GS), LGN (lateral geniculate nucleus),

primarni vizualni korteks (V1) te dijelovi korteksa koji čine „složenu mrežu od 32 vizualna

područja povezana pomoću najmanje 305 veza“ (Tovée, 2008: 175).

3.1. Neurofiziologija vizualnog sustava

Propagacija signala kroz vizualni sustav započinje u retini oka, gdje se energija fotona

pretvara u elektrokemijsku energiju posredstvom fotoreceptora. Retina je posebno zanimljiva

jer je, za razliku od ostalih senzonih struktura, dio središnjeg živčanog sustava pa je tako

njezina sinaptička organizacija slična onoj ostatka mozga. Najvažnija točka retine je fovea,

mjesto na kojem je okupljeno 90% fotoreceptora, a koje zauzima samo 2% površine retine.

Retina ima 30 puta veću gustoću fotoreceptora od preostale površine fovee. Posljedica toga je

da su „pikseli“ ili dijelovi „slike“ na koje reagiraju fotoreceptori u području fovee 30 puta

manji od onih na koje reagiraju foroteceptori drugdje u retini. „Kumulativni rezultat ove

organizacije je to da se stvara efekt tunelskog vida [tunnel vision effect], gdje je u potpunosti

analizirana samo informacija koja stiže iz sredine vizualnog polja“ (Tovée, 2008: 178). Od

fotoreceptora signal putuje do ganglionskih stanica (GS) koje integriraju dolazni signal više

fotoreceptora. Budući da GS-ovi integriraju signal, imaju receptivno polje – područje u

vizualnom polju na promjene unutar kojeg dolazi do reakcije GS-ova (u vidu promjene

signala kojeg odašilju).21

GS-ovi reagiraju na promjene u razlici između osvjeljenja centra i

osvjetljenja vanjskog ruba vizualnog polja. Drugim riječima, oni reagiraju na kontrast. Razlog

za to je činjenica da je većina informacija u prirodnim scenama pohranjena u obliku kontrasta,

čineći rubove predmeta. Kako je retina sačinjena od približno 100 milijuna fotoreceptora

(Churchland i Sejnowski, 1996: 119), razlika među signalima svakog pojedinačnog

fotoreceptora vrlo je mala (ekvivalentna je informaciji koju bismo dobili kada bismo sliku

svijeta veličine dviju retina podijelili na 100 milijuna piksela). Kako navode Banich i

Compton (2010), razlike u signalu bi se izgubile ako bi se on morao prenositi do daljnjih

21 Receptivna polja izgledaju kao dvije kružnice, jedna upisana u drugu (organizacija tipa. „jaje na

oko“). Dvije su moguće kombinacije osjetljivosti receptivnih polja: „uključeno-unutrašnjost“ i „isključeno-

vanjski rub“ ili „isključeno-unutrašnjost“ i „uključeno-vanjski rub“. Stanice s receptivnim poljem „uključeno-

unutrašnjost“ su najaktivnije kad se svjetlost usmjeri u njihov centar, a stanice s „isključeno-unutrašnjost“

receptivnim poljem su najmanje aktivane kad se svjetlost usmjeri u njihov centar.

30

točaka u mozgu.22

Integracijom informacija signala koja se odvija odmah u retini, i to putem

GS-ova, sprječava se taj gubitak, iako se putem apstrahiranja iz informacija određena količina

informacija ipak gubi. Ista skupina fotoreceptora završava u više GS-ova kojih ima 20-ak

vrsta, no najvažnije su stanice tipa M i P. M-stanice su osjetljive na grube uzorke [coarse

patterns] i brze pokrete, a P-stanice prenose informaciju o bojama (Banich i Compton,

2010:149). Dakle, elementi slike na koje je retina osjetljiva jesu (Wurtz i Kandel, 2000: 531):

(i) svjetlosni kontrast [luminance contrast]: mjera razlike između najsvjetlijih i

najtamnijih dijelova stimulansa;

(ii) prostorna frekvencija [spatial frequency]: broj ponavljanja nekog uzorka preko

određene udaljenosti;

(iii) vremenska frekvencija [temporal frequency]: koliko se brzo uzorak mijenja kroz

vrijeme.

Integracijom signala iz fotoreceptora u GS-ovima završava procesuiranje u retini. M-

stanice i P-stanice šalju svoj output ili signal u područje zvano lateral geniculate nucleusu

(LGN) koje je glavni izvor signala za područje korteksa V1. LGN se sastoji od šest slojeva

(kao i područje V1, ali i ostatak korteksa). Najvažnija anatomska karakteristika područja LGN

je to da je svaki njezin sloj retinotopska mapa polovice vizualnog polja svakog oka.23

Kako

navode Banich i Compton (2010: 153), retinotopska mapa, je „mapa koja ima isti prostorni

raspored [spatial layout] kao i sama retina“. Dakle, neuroni područja LGN su u istom

međusobnom odnosu kao GS-ovi te fotoreceptori. Očuvanje omjera odnosa između pojednih

skupina neurona jedna je od temeljnih i najvažnijih strukturalnih karakteristika čitavog

središnjeg živčanog sustava. Taj je organizacijski princip do te mjere precizan da je moguće

svaki pojedini neuron u području LGN pomnožiti s određenim redom veličine i dobiti točnu

veličinu dijela vizualnog polja u kojem on reagira na promjene.

Dugo je predmet spora bilo pitanje, koja je zapravo uloga područja LGN. „Svojstva

receptivnih polja stanica u području LGN slična su onima u ganglijskim stanicama retine tako

da se čini da se informacije ne transformiraju na neki novi način,“ navode Banich i Compton

(2010: 153). Prekretnica u istraživanju je bilo otkriće kako područje LGN većinu inputa

dobiva od korteksa, a ne od retine. Prema Wurtzu i Kandelu (2000: 532), svega 10-20%

presinaptičkih veza u područje LGN dolazi iz retine. Iako je točna funkcija ovih veza područja

22 Osim toga, veličina mozga bi znatno porasla, što bi bio ogroman problem za sustav. (Vidi bilješku 2).

23 Postoje dva područja LGN, po jedno za svaku hemisferu. Područje LGN u desnoj hemisferi je

osjetljivo na desnu polovicu vizualnog polja svakog oka, a lijevo na lijevu polovicu. Oba područja LGN šalju

signal cjelovitog vizualnog polja u područje V1 gdje se on dalje integrira.

31

LGN s korteksom još uvijek nepoznata, pretpostavlja se kako na taj način korteks može

regulirati input koji prima iz tog područja (direktnom vezom izmežu LGN-a i korteksa ili

preko područja V1). „Projekcije ’prema dolje’ iz korteksa prema području LGN mogu

poboljšati reprezentiranje pojedinih i oslabiti reprezentiranje drugih karakteristika signala“

tvrde Banich i Compton (2010: 153). Primjerice, uočeno je da promjene pažnje utječu na

aktivnost u području LGN: „budući da „instrukcije“ o usmjeravanju pažnje prema stimulansu

moraju doći iz „viših“ regija u mozgu (a ne primjerice, iz retine), možemo zaključiti kako te

regije vrše utjecaj putem direktnih ili indirektnih modulacija aktivnosti u području LGN [...]“

(Banich i Compton, 2010: 153).

Sljedeće odredište u propagaciji signala je vizualni korteks, područje V1.24

Retinotopička organizacije područja LGN nastavlja se i u područje V1: umanjenjem za

određeni faktor odnosa između složenih neurona dobivaju se odnosi između jednostavnih

neurona, umanjenjem ovih potonjih se pak dobivaju odnosi između stanica LGN i tako redom

do fotoreceptora.25

Posljedice takve organizacije sustava V1 iznose Wurtz i Kandel (2000:

536): “Na svakoj [višoj] razini, svaka stanica posjeduje veću sposobnost apstrakcije nego

stanice nižih razina. Na svakoj razini [...] svojstva stimulansa koja aktiviraju stanicu postaju

specifičnija.“ Osim ove organizacijske, važna je još jedna pravilnost: neuroni u području V1

organizirani su jedan do drugog u istom nagibu kao nagib svjetlosti na koji reagiraju. Banich i

Compton (2010: 157) navode kako je takvom organizacijom neurona omogućena fleksibilnost

reakcije pojedinog neurona s obziorm na kontekst: „[i]ako informacije izvan receptivnog polja

24 Presudan doprinos opisu područja V1 dali su Hubel i Weiesel (1959) koji su su provodili važna

istraživanja o ponašanju i osjetljivosti na stimulans pojedinačnih neurona u području V1 vizualnog sustava

mačaka. Blago anestetiziranim mačkama su u kontaktu s pojedinim neuronima u području V1 usađene elektrode,

nakon čega su mačke izložene nizu vizualnih stimulansa kako bi se utvrdilo na što reagiraju isti neuroni.

Pokazalo se kako, suprotno pretpostavkama, V1 neuroni nisu osjetljivi na točke, već na linije svjetlosti. „Za

svaku je stanicu, kako bi došlo do najveće reakcije, linija morala biti orijentirana na određeni način,“ navode

Snowden i suradnici (2012: 71-73). Hubel i Weiesel su za te jednostavne neurone skovali nazive „bar detector“ i

„edge detector“. Rezultat je njihova rada otkriće dvaju osnovna tipa V1 neurona: jednostavnh neurona, koji odgovaraju na stup svjetlosti specifične orijentacije i pozicije u vizualnom polju, i složenih neurona, koji su

također osjetljivi na stupove svjetlosti specifične orijentacije, ali preferiraju one stupove koji se kreću unutar

vizualnog polja.

25 Kako je veličina vizualnog polja jednaka, što je broj elemenata koji na njega reagiraju manji ( s

obzirom na neki čimbenik), to će i njihov faktor uvećanja vizualnog polja biti manji. Drugim riječima, na toj će

razini na sliku biti primjenjeno manje uvećanje Kako se propagacijom signala od receptora prema korteksu, i

dalje kroz korteks, signal integrira, svako sljedeće područje vrši apstrahiranje podataka koje dobiva od

prethodnog područja.

32

ne mogu uzrokovati aktivaciju stanice, one mogu modulirati reakciju stanice ako se pojavljuju

zajedno sa stimulansom na koji stanica reagira“.26

Precizna organizacija područja V1 navodi na pomisao kako negdje na vrhu V1 sjedi

homunculus koji dekodira uzorke aktivnosti i pretvara ih u vizualnu sliku. No, kako je već

navedeno, iza područja V1 nalazi se mreža od još 32 vizualna područja povezana pomoću 305

veza koji sudjeluju u zadatku pretpostavljenog homunculusa. Vizualno procesuiranje, dakle,

ne završava u području V1 već se dalje odvija u korteksu posredstvom područja o kojima se

zna vrlo malo ili gotovo ništa. Ipak je poznato kako „svaki korak na jednom od putova nosi

informaciju korak dalje od ’sirovih materijala’ koje je kodirala retina prema višim i

apstraktnijim razinama reprezentacije vizualnog svijeta“ (Banich i Compton, 2010:164).

Mnoga od tih područja također su retinotopičke mape vizualnog polja, s još manjim faktorom

uvećanja vizualnog polja od područja V1. Propagacija signala nakon područja V1 postaje

izrazito paralelna te se grana u dva smjera: tzv. „što smjer“ koji se u prvom redu tiče

prepoznavanja predmeta, te tzv. „gdje smjer“ koji se tiče lociranja predmeta u vizualnom

polju. Oba smjera sudjeluju u konačnom cilju vizualnog procesuiranja – prepoznavanju

predmeta. Osim toga, na svaku vezu između neurona „prema gore“ dolazi i veza „prema

dolje“, a „ako viša područja mogu utjecati na tok informacija kroz niža područja, tada se

strogo sekvencijalno procesuiranje ne može uzeti zdravo za gotovo“ (Churchland i Sejnowski,

1996: 19).

3.2. Naturalizirana semantika i vizualna percepcija

Poznavanje vizualnog sustava ukazuje na vrlo važan element njegove organizacije; u svakoj

točki integracije signala neuroni su osjetljivi na krajnje specifične karakteristike signala.

Pokušaj zaključivanja o karakteristikama signala na koji će biti osjetljivi neuroni u pojedinom

području procesuiranja na temelju znanja o tome na koje su karakteristike osjetljivi neuroni u

drugim područjima više se puta pokazalo pogrešanim pristupom. Hubel i Weiesel su u svojem

istraživanju osjetljivosti područja V1 kod mačaka pretpostavili kako će ono biti osjetljivo na

isti stimulans kao područje LGN – na točke svjetlosti. Do otkrića kako je područje V1

osjetljivo na stupove svjetlosti došli su slučajno. Na isti način su dobiveni rezultati o

26 Primjerice isti neuroni drugačijim intenzitetom reagiraju na stimulans kada je on dio figure nego kada

je integriran u pozadinu (tzv. „segregacija između figure i podazine“ [figure-ground segregation]).

33

osjetljivosti na ruke pojedinih vizualnih područja nakon područja V1.27

Prema tome, ako

bismo poredali niz grafičkih prikaza stimulansa na koje su neuroni u pojedinim točkama

vizualnog procesuiranja osjetljivi, ne bismo mogli donijeti nikakav zaključak o tome kakve se

operacije odvijaju u određenoj točki. Fotoreceptori i neuroni područja LGN osjetljivi su na

točke svjetlosti, područje V1 je osjetljivo na stupove svjetlosti u posebnom nagibu, a sljedeća

područja su osjetljiva na razne vrste okruglih, križastih i drugih oblika. Područja nakon tih su

osjetljiva na ruke, lica itd. Metoda kojom se stimulans na koji je pojedini neuron osjetljiv

otkriva je metoda pokušaja i pogreške. Kad se naposljetku otkrije osjetljivost, primjerice na

lica, „teško je reći je li reakcija stanice zaista specifična za samo jednu vrstu predmeta, osim

ako eksperimentator ne testira stanicu na sve moguće predmete, što nije izvedivo“ (Banich i

Compton, 2010: 189).

Iz svakodnevnog je iskustva poznato kako predmete prepoznajemo kao iste bez obzira

na situaciju ili kontekst u kojem se nalaze. Vjeverice prepoznaju žirove bez obzira plutaju li

oni na vodi ili su skriveni među lišćem, a prepoznaju ih podjednako dobro i ujutro i u

predvečerje, kada je kvaliteta svjetla drugačija od dnevnog. Prema tome, u konačnici su

„nepromjenjivi atributi predmeta [...] znakovi [cues] koji usmjeravaju prema identitetu i

značenju predmeta“, kako navodi Albright (2013: 626). Da bi se predmet prepoznao, „ti

nepromjenjivi atributi moraju biti reprezentirani neovisno o drugim svojstvima slike“

(Albright, 2013: 626). Drugim riječima, postoje razlozi za tvrdnju kako je među zadnjim

elementima procesa prepoznavanja objekata na djelu neka vrsta integracije tih invarijablinih

svojstava ili barem prepoznavanje jednog ili nekoliko njih u signalu koji stiže do odredišta –

pretpostavljenog područja koje prepoznaje žireve. Iako se predmeti u konačnici prepoznaju

prema njihovim određenim invarijabilnim svojstvima, ista ta svojstva nisu nužno distalni

stimulans. Drugim riječima, iako nam intuicija govori kako je jedno od stabilnih svojstava

koje vjeverica koristi u prepoznavanju žireva njihova boja to svojstvo ne mora biti distalni

stimulans. Kako je u prethodnom poglavlju naglašeno, retina je osjetljiva na svjetlosni

kontrast te na prostornu i vremensku frekvenciju – niti jedan od tih elemenata ne uključuje

svojstva koja bismo tipično pripisali distalnim stimulansima.

27 Hubel i Weiesel su svoje istraživanje provodili stimulirajući mačke s nizom dijapozitiva na kojima su

bile točke svjetlosti u različitim konfiguracijama. Do otkrića su došli posredstvom greške u dijapozitivima. U

prijelazu s jednog stimulansa na drugi, na platnu se pojavio stup svjetlosti i konačno je dobivena reakcija podrčja

V1 područja. Kako navode Banich i Compton (2010: 180), rezultati za osjetljivost na ruke dobiveni su nakon

mnogobrojnih neuspješnih pokušaja tako što je jedan od eksperimentatora slučajno stavio ruku ispred lica

majmuna koji je, u ovom slučaju, bio ispitanik.

34

Prethodno je rečeno kako zbog velike koncentracije fotoreceptora u fovei retine dolazi

do pojave tzv. tunelskog vida; informacije koje mozak procesuira većinom se tiču vrlo malog

dijela vizualnog polja. Tek je u fazama procesuiranja koja slijede nakon područja V1 signal

do te mjere integriran da u veličinu vizualnog polja na koje su ta područja vizualnog korteksa

osjetljiva stanu predmeti srednje veličine. Prema tome, signal koji dolazi za potrebe

procesuiranja pojedinačne slike ili kadra okoliša prenosi vrlo ograničenu količinu informacija

o predmetima koji se u tom prostoru nalaze. Da bi došao do informacija, sustav mora koristiti

„usmjeravati pogled“, a u tome ključnu ulogu ima pažnja (o čemu će više riječi biti u nastavku

rada). Pretpostavlja se kako do usmjeravanja pažnje dolazi u području LGN pod utjecajem

korteksa.28

Dakle, koji god elementi slike igraju ključnu ulogu u prepoznavanju predmeta, ti

elementi dolaze do izražaja u zadnjim fazama procesuiranja. Mehanizmom usmjeravanja

pažnje, uočavanjem pojedinih elemenata „slike“, korteks pospješuje primanje određenih

tipova informacija.

Prema tome, suprotno praksi naturalizacije semantike, na osnovi intuicije o tome koja

invarijabilna svojstva omogućuju prepoznavanje objekta ne može se zaključiti o prirodi

distalnog stimulansa. Takav su pristup motivirali uspjesi neuroznanosti 50-ih i 60-ih godina

kada je mnogo učinjeno u otkrivanju tzv. „detektora“. Najraniji primjer je istraživanje

osjetljivosti ganglionskih stanica kod žaba koje je proveo Barlow. Barlow (1953: 373) je

pronašao korelaciju između aktivnosti GS-a i kretanja crnih točaka u vizualnom polju žabe te

je aktivne stanice prozvao „detekorima buba“. Metodologija ovog istraživanja primijenjena je

mnogo puta te Barlow (1972: 380) o rezultatima rada navodi:

Kumulativni učinak svih promjena koje sam pokušao opisati jest to da smo počeli razumijevati kako svaki pojedini neuron može obavljati mnogo kompleksniji i suptilniji

zadatak nego što se prije mislilo. [...] Razmišljanje nastaje pomoću neurona i ne bismo trebali

koristiti fraze kao aktivnost jedinica reflektira, otkriva ili nadzire procese razmišljanja jer aktivnosti neurona, jednostavno, jesu misaoni procesi.

29

Pristup Barlowa i njegovih nasljednika, koji je kulminirao idejom da postoje neuroni

specijalizirani do te mjere da su osjetljivi samo na jedna predmet (tzv. grandmother neuron),

danas je najvećim dijelom odbačen. Kritizirajući navedeni pristup, Marr (9182: 32-33) iznosi

poznat primjer vizualnog sustava muha. Naime, let muha je u potpunosti kontroliran

28 Ova veza nije jedina za usmjeravanje vizualne pažnje. No, uloga druge veze je to da brzim

usmjeravanjem pogleda reagira na nagle promjene u rubovima vidnog polja. Dakel, ona nema ulogu u vizualnom

procesuiranju pod normalnim okolnostima.

29 Citat preuzet od Marra (1982: 12-13).

35

vizualnim inputom i događa se automatski i velikom brzinom. Primjerice, ako se obris

predmeta u vizualnom polju naglo poveća, muha će automatski sletjeti na taj predmet – a

slijetanje će izvesti prema dolje ili prema gore, ovisno o smjeru povećanja predmeta. Osim

toga, onog trenutka kad muha sleti, izgubit će kontrolu nad svojim krilima. Da bi poletjela,

muha mora poskočiti – u trenutku kad više nema kontakta između plohe i muhinih nogu, ona

ponovno zadobiva kontrolu nad krilima. Kako sugerira primjer muhe, mnogi aspekti

ponašanja životinja do velike su mjere automatizirani i nerijetko se radi o refleksima (kao kod

leta muhe). Stoga je čak i u slučajevima kada postoji empirijska potvrda korelacije između

specifičnog stimulansa i reakcije neurona često pogrešno tu reakciju dovoditi u vezu sa

reprezentacijom stimulansa. Naravno, i kod refleksnog se ponašanja radi o određenoj količini

mentalnog procesuiranja, ali sustav za let kod muha nema nikakvu bihevioralnu fleksibilnost.

Semantički zanimljiv opis, kad je riječ o mentalnim simbolima, dobiva se na onim razinama

procesuiranja na kojima je za potpun opis potrebno uvesti i neku vrstu sadržajne komponente

reprezentacijskog sustava koja proizlazi iz fleksibilnosti sustava.

Ključan problem je da se u rukama „semantičara“ Barlowovo otkriće te vrste refleksa

– „detektora buba“ – prejednstavno pretvara u simplificirani prikaz: muha kao distalni

stimulans izaziva reprezentaciju │muha│.30

No, u slučaju muhe i žabe, konačni proizvod

stimulacije nije reprezentacija, barem ne one forme koja bi bila semantički zanimljiva ili koja

bi zadovoljavala standarde koji se primjenjuju kod sustava koji pokazuju fleksibilnost u

interpretaciji inputa. Čini se kako kod uobičajenog pristupa naturalizaciji semantike

problematičan nije samo input, već i output (Marr, 1982: 31). Kao što je problemtično

govoriti o nekom svojstvu predmeta kao distalnom sitmulansu, jednako je tako problematično

pretpostavljati kako sustavi različiti od čovjeka posjeduju određene reprezentacije. Čini se

kako je ideja da je distalni stimulans za vjeveričin sustav boja (žira), ili bilo koje slično

pojedinačno svojstvo žira, nerealistična. Temelj problema je u pretpostavci kako postoji

simetrija između distalnih stimulansa putem kojih dolazi do prepoznavanja predmeta i

invarijabilnih svojstava tih predmeta. Zaključak koji je ovdje potrebno izvesti glasi: projekt

naturalizacije semantike na važan način ovisi o spoznajama neuroznanosti. Ako je cilj

razjasniti relaciju između elemenata vanjskog svijeta i mentalnih stanja, potrebno je toj

30 Prethodno je u radu kao „mjera opreza“ od pretjerane antropomorfizacije vjeverica korištena

reprezentacija vrste │žir*│ili │trešnja*│, no, kako Marr (1982: 32) naglašava, ponekad niti to nije dovoljno.

Naime, „s obzirom da mnogo različitih životinja koristi vizualnu percepciju u vrlo raznolike svrhe, nezamislivo

je da sve životinje koje posjeduju vizualnu percepciju koriste iste reprezentacije; pouzdano možemo očekivati da

će svaka od njih koristiti jednu ili više reprezentacija koje su skrojene s obzirom na svrhu u kojoj služe“.

36

relaciji pristupiti proučavanjem konkretnih sustava u kojima se ona uspostavlja i mehanizama

koji omogućuju njezino uspostavljanje. Prikaz jednog takvog mehanizma te načina na koji on

sudjeluje u rješavanju problema relacije kojom se bavi naturalizirana semantika predmet je

završnog poglavlja.

37

4. Implikacije vizualne percepcije za komputacijski model

U prethodnom je poglavlju ponuđen kratak prikaz osnovnih značajki propagacije signala kroz

vizualna područja mozga – od fotoreceptora do rekonstrukcije i prepoznavanja objekata.

Pritom je istaknuta važnost pojedinih elemenata i karakteristika sustava koji će biti tema

ovoga poglavlja. Vizualni se sustav može shvatiti kao instancijacija komputacijskog sustava,

pristupiti mu na isti način kao bilo kojem drugom sustavu: analizom njegovih formalnih

elemenata, operacija koje oni izvode te simbola nad kojima se izvode operacije. Kao što je

pokazano, za razjašnjenje relacije između svojstava izvora signala i semantičkih svojstava

mentalnih reprezentacija potrebno je specificirati konkretne mehanizme koji omogućuju

uspostavljanje tih relacija. Mehanizmi su, dakle, dio opisa implementacijske razine sustava.

Problem koji je formuliran u prethodnim poglavljima sastoji se u sljedećem:

prihvaćanjem komputacijske teorije funkcioniranja uma i mozga te kriterija fleksibilnosti

sustava temeljna karakteristika koja razlikuje komputacijske sustave koji operiraju nad

mentalnim stanjima od onih koji to ne čine jest semantičke prirode. S obzirom da svi

komputacijski sustavi input dobivaju putem perceptivnih modaliteta, semantička svojstva

stanja nad kojima sustav vrši operacije imat će porijeklo u izvoru signala ili u

karakteristikama inputa. Preciznije razjašnjenje semantičkih karakteristika reprezentacija

ovisit će o karakteru relacije između izvora signala i mentalnih stanja. Prihvaćajući Dretskeov

uvjet da signal prenosi specifičnu količinu informacija ako s je F, postavlja se pitanje koji

mehanizmi omogućuju sustavu da razvije osjetljivost na točno tu količinu informacija, tj. da

dođe u posjed znanja* s je F. Posjedovanje tih mehanizama ujedno objašnjava fleksibilnost

sustava.

Cilj je ovoga poglavlja pokazati kako relevantan oblik znanja koji sustav posjeduje ne

mora biti shvaćen u jakom kognitivnom smislu. Pokazat će se da s obzirom na

implementacijski opis sustava, prihvaćanje rigidne distinkcije između percepcije i kognicije

ne omogućuje plauzibilan opis funkcioniranja sustava. U nastavku se prikazuje mehanizam

tzv. perceptivnog učenja, koji pokazuje na koji način fleksibilan sustav može doći u posjed

znanja na temelju perceptivnog iskustva. Opisom tog mehanizma razjašnjava se način na koji

38

sustav postaje osjetljiv na distinktivne karakteristike signala koji su semantička svojstva stanja

sustava.

4.1. Percepcija i kognicija

Prethodno je naglašeno kako retina reagira na karakteristike scene kao što su svjetlosni

kontrast te prostorna i vremenska frekvencija, a to je ujedno i informacije koja stiže do

područja LGN. Dakle, početni dio vizualnog procesuiranja (fotoreceptori, GS-ovi i područje

LGN) osjetljiv je na razne vrste kontrasta, dok je središnji dio (od područja LGN do područja

V1), prema Albright (2013: 621), „uključen u identificiranje takozvanih vizualnih atoma

[visual primitives] kao što su konture, polja u pokretu i površine“. Koji se sve zadatci odvijaju

u području V1 nije poznato, no poznati su neki elementi procesa. U skladu sa zaključkom do

kojeg su došli Hubel i Weisel, većina neurona u području V1 osjetljivi su na rubove površina,

a ne na plohe koje reflektiraju ujednačeno osvjetljenje. Mozak do informacija o unutrašnjosti

površina dolazi nekom vrstom proračunavanja iz rubnih uvjeta, što je pojava koja se naziva

perceptualno popunjavanje [perceptual fill-in] (Gilbert, 2013: 611). Ta činjenica objašnjava

zašto je prepoznavanje predmeta otežano u uvjetima kada osvjetljenje izaziva oštre i tamne

sjene – ako mozak prepoznavanjem obrisa (i integracijom inputa iz oba oka) dolazi do

trodimenzionalne slike okoliša, u situacijama u kojima je teško razlikovati rub od sjene

predmeta, rekonstrukcija 3D-slike može biti otežana. Ipak, takvo je osvjetljenje u prirodnim

uvjetima razmjerno rijetko.31

Osim što neuroni u području V1 reagiraju na rubove, reagiraju i na neke vrste složenih

stimulansa. No, prema Gilbert (2013: 615), njihova reakcija je nelinearna i „nije je moguće

predvidjeti na temelju njihovih reakcija na jednostavne stimulanse postavljene na različita

mjesta u vizualnom polju“. Zanimljivo je pitanje, koje informacije iz ulaznog signala mogu

izazvati takvu nepravilnu selektivnost područja V1. Gilbert (2013: 615) dalje nastavlja:

31 Nisu poznati točni kriteriji ili principi prema kojima područje V1 obavlja funkciju integracije

svjetlosnih stupova u obrise (granice), no kako navodi Tovée (2008: 110), „[o]dgovor se može pronaći, barem

djelomično, u tradicionalnoj geštaltističkoj školi vizualne percepcije koja pruža skup pravila za definiranje

granica predmeta.“ Dobar primjer za to je poznata iluzija crno-bijele fotografije točkastog psa u prirodi a koje su

ukonjene sve granice objekata. Promatraču je teško prepoznati predmete na slici, čak i nakon što mu se objasni

koje točno predmete traži. No ako se kontura psa „vrati“ na fotografiju, osoba će vrlo lako prepoznati psa u

svakoj sljedećoj prilici.

39

Njihove reakcije [neurona u području V1] na lokalna svojstva ovisna su o globalnom

kontekstu u koji su ta svojstva uklopljena [embedded]. Kontekstualni utjecaji prožimaju

procesuiranje srednje razine, uključujući integraciju obrisa predmeta, segmentaciju scena i određivanje oblika te svojstava površina.

Dva su moguća izvora kontekstualnih čimbenika pri funkcioniranju područja V1 (Banich i

Compton, 2010: 158). Prvo, karakteristika je strukturne organizacije područja V1, a možda i

ostatka korteksa, da neuroni koji su u dodiru jedni s drugia, tj. koji su poslagani jedan uz

drugi, reagiraju na slične konfiguracije inputa. Kad jedan neuron reagira na stimulans, raste

vjerojatnost da će reagirati i njemu susjedni neuron.32

Drugo, kao što je već objašnjeno,

područje LGN, koje je glavni izvor signala za područje V1, samo 10-20% inputa dobiva iz

retine. Pretpostavka je kako ostatak stimulansa dolazi direktno iz korteksa. Osim toga, i

područje V1 otprilike 10% svog inputa dobiva iz korteksa. Vrsta i osobine inputa koji

područja LGN i V1 dobivaju iz korteksa nisu sasvim poznati. Osim što područje LGN dobiva

input iz korteksa, ono šalje povratne signale i u neka druga vizualna područja korteksa, pored

područja V1.

U prilog važnosti izravne veze između područja LGN i korteksa govori činjenica da ta

veza leži u osnovi mehanizma za moduliranje pažnje u vizualnoj percepciji. Možda najbolji

pokazatelj važnosti pozornosti u prepoznavanju predmeta možemo naći u tzv. „sljepoći za

promjene“ [change blindness] (Gilbert, 2013: 618). Naime, ako osoba usmjeri pažnju na dio

ili detalj scene, preostali dio scene može se znatno promijeniti, a da osoba to ne uoči. Poznati

eksperiment koji demonstrira ovu pojavu je onaj koji su izveli Simons i Levin 1998. godine.

Ispitivač je upitao slučajnog prolaznika da mu na karti pokaže smjer određenog mjesta. Nakon

toga bi ispred prolaznika i ispitivača prošla dva čovjeka noseći vrata i blokirajući prolaznikov

pogled prema ispitivaču. U tom trenutku je jedan ispitivač zamijenjen drugim. Iako je drugi

ispitivač fizički bio vrlo različit od prvog (drugačija građa, drugačija odjeća, prvi je bio

„atletski tip“, a drugi „knjiški moljac“ itd.), samo je 50% ljudi primjetilo da osoba koja stoji

pred njima nije ona s kojom su trenutak ranije razgovarali. Količina pažnje je ograničena i

način na koji se ona usmjerava temeljan je za „selekciju“ informacija koje će se procesuirati.

„Sljepoća za promjene“ pokazuje koliko malo vizualnog svijeta zapravo percipiramo,

„premda vjerujemo da smo simultano osjetljivi na sve elemente vizualne scene“, zaključuje

Tovée (2008: 182). Osim „sljepoće za promjene“, o važnosti veze između korteksa i područja

32 Konkretnije, depolarizacija, tj. aktivacija neurona mijenja elektrokemijski sastav prostora oko njega,

što na njemu susjedne neurone utječe na način da smanjuje prag kemijske promjene membrane koji je potrebno

prijeći da bi došlo do njihove depolarizacije.

40

LGN-a svjedoči i tzv. „slijepi vid“ [blindsight] od kojeg pati manji broj pacijenata kojima je

prekinuta veza između područja LGN i područja V1. Radi se o osobama koje usprkos sljepoći

jedne strane vizualnog polja „vide“ objekte na toj strani – odgovaraju točno na pitanja koja se

odnose na prisutnost objekata u tom dijelu vizualnog polja, i to daleko češće nego što bi to

uspjeli nasumičnim pogađanjem. Takve osobe „vide“ elemente svog okoliša, iako o tome

nemaju svjesno iskustvo. Pretpostavlja se da se fenomen „slijepog vida“ može objasniti

činjenicom da postoji tijek informacija iz područja LGN u vizualna područja korteksa (Banich

i Compton, 2010: 160).

Dakle, razmjena informacija između područja LGN i korteksa na za sada nepoznat

način utječe na signal koji dolazi do područja V1, a time i na ostatak vizualnog procesuiranja.

Osim toga, informacija poslana u korteks omogućava nesvjesno prepoznavanje objekata koje

dolazi do izražaja u primjerima fenomena „slijepog vida“. Implikacije takve povezanosti

područja koje sudjeluju u vizualnoj percepciji proturječe uobičajenom shvaćanju percepcije

kao procesa bitno različitog od kognicije. Naime, s obzirom na povezanost između nižih i

viših razina vizualnog procesuiranja, nije sasvim jasno gdje bi bilo opravdano povući granicu

između percepcije i kognicije. Elementi korteksa, „sjedišta kognicije“, imaju znatan utjecaj na

rane faze vizualne percepcije, kao što rane faze vizualnog procesuiranja imaju izravnu vezu s

korteksom. Za to postoje relevantni neurofiziološki i bihevioralni dokazi. S obzirom na to da

je funkcioniranje korteksa, za sada, „crna kutija“ neuroznanosti, o prirodi ove veze moguće je

samo nagađati. No, kako se velik dio procesa percepcije odvija u korteksu, „prepoznavanje

predmeta je poveznica između vizualne percepcije i kognicije“ (Albright, 2013: 622).

4.2. Perceptivno učenje

U prethodnim je poglavljima opisano nekoliko temeljnih značajki vizualnog procesuiranja

koje se mogu sažeto prikazati pomoću četiri tvrdnje. (i) Vizualno procesuiranje odvija se

putem komputacijskih faza koje uključuju različita područja mozga (GS-ove, LGN, V1 itd.).

U svakoj od tih faza signal se transformira na način o kojem je vrlo teško zaključivati na čisto

konceptualnim (neempirijskim) temeljima. (ii) Karakteristika vizualnog procesuiranja je tzv

„tunelski vid“ [tunnel vision]. Naime, 90% informacija koje se obrađuju u vizualnom sustavu

dolazi iz svega 2% vizualnog polja. Drugim riječima, oko vidi koliko i baterijska lampa u

41

potpunom mraku. Sustav taj problem rješava vrlo brzim pomicanjem retine u odgovarajućem

smjeru (spontano se retina pomakne 34 puta u minuti), što ukazuje na ključnu važnost

mehanizama koji usmjeravaju pogled – mehanizama pažnje. Na osnovi prethodno navedenih

tvrdnji slijedi da je (iii) odrediti distalni stimulans iznimno težak zadatak koji uključuje

empirijska istraživanja. (iv) Perceptivni sustav je pod velikim utjecajem „viših“ područja u

korteksu zahvaljujući vezama između područja LGN i korteksa te vezama između područja

V1 i ostalih područja u korteksu. Te top-down-veze reguliraju mehanizam pažnje i na taj

način doprinose selekciji informacija iz okoliša koje će se obrađivati. Utjecaj tipa bottom-up

ranih vizualnih područja na korteks posebno se očituje u fenomenu „slijepog vida“ koji

pokazuje da usprkos kortikalnom sljepilu postoji subliminalan način detekcije predmeta u

vizualnom polju. Navedene karakteristike sugeriraju da je iznimno teško povući granicu

između percepcije i kognicije te da je moguće pretpostaviti otkrivanje novih mehanizama koji

ukazuju na to da vizualno procesuiranje ne funkcionira na način koji bi se metaforički mogao

opisati kao „ulijevanje slika“ u mozak.

U prilog prethodne tvrdnje govore i neka važna otkrića koja su predmet intenzivnog

istraživanja. Ističe se fenomen „perceptivnog učenja“ koji se očituje u sljedećoj pojavi: nakon

što se na istom mjestu u retinama oba oka izazove lezija, u retinotopičkoj mapi područja V1

(koje integrira inpute iz oba oka) dolazi do promjena na onom mjestu na kojem se nalaze

neuroni koji zbog lezije na retini više ne mogu primati signal iz okoliša. Oštećeni neuroni u

retini horizontalno se povezuju s neoštećenima te na taj način uspijevaju primati informacije

iz okoliša. Kao posljedica toga, vizualno se polje pojedinog neurona u retini smanji te slika

postaje „oštrija“, a područje retine koje je oštećeno više nije reprezentirano u retinotopičkoj

mapi područja V1 (Gilbert, 2013: 615-616). Ovaj je primjer dramatična ilustracija plastičnosti

mozga – pojave da se pod utjecajem iskustva događaju promjene u funkcionalnim i

morfološkim karakteristikama sustava (Gilbert et al., 2001: 681). Suprotno tradicionalnom

shvaćanju plasticitet je svojstvo koje sustavi zadržavaju tijekom čitavog životnog vijeka (a ne

samo u kritičnim postnatalnim fazama i ranom djetinjstvu) i odnosi se kako na čitav korteks

tako i na područja izvan njega. Kako su pojedini dijelovi korteksa osjetljivi na specifične

karakteristike signala, razlikuju se prema tome kojim svojstvima stimulansa se, kao posljedica

plastičnosti, prilagođava njihova osjetljivost (Albright, 2013: 631). Primjerice, promjene u

retini mogu rezultirati promjenama u osjetljivosti područja LGN i V1 na kontrast, dok

promjene u područjima koja se nalaze iza područja V1 mogu utjecati na promjene u

osjetljivosti raspoznavanja određenih tonova boja. Ta promjena u osjetljivosti na određena

42

svojstva, koja je rezultat plastičnosti mozga, naziva se perceptivno učenje. Premda važnost

perceptivnog učenja još nije sasvim poznata, jasno je kako postoji više neurofizioloških

načina na koje dolazi do ovog fenomena. Ti se različiti oblici perceptivnog učenja „mogu

odvijati paralelno tijekom svakodnevnog perceptualnog doživljavanja te regulirati utjecaj

potencijalo relevantnih stimulansa na percepciju i donošenje odluka“ (Byers i Serences, 2012:

1).

Perceptivno učenje je svakodnevna pojava usred koje dolazi do promjena sposobnosti

vizualne percepcije koje su vrlo generalne po karakteru. Kako te nisu vezane uz poseban

zadatak, dolaze do izražaja u brojim i svakodnevnim vizualnim aktivnostima.33

Osim toga,

neke studije pokazuju kako do perceptivnog učenja dolazi i u slučajevima u kojima se

stimulans ignorira ili je čak „neviđen“. Primjerice, znakove učenja pokazuju mačke pod

anestezijom (Byers i Serences, 2012: 4). Do perceptivnog učenja dolazi i posredstvom

nagrđivanja. Suprotno tradicionalnom Pavlovljevom shvaćanju kako je za učenje potrebno

održavati konstantnu nagradu i isti zadatak, novija su istraživanja pokazala da dolazi do

povećanja osjetljivosti na one karakteristike stimulansa koje se povezuju s nagradom. Te

karakteristike mogu biti relevantne ili irelevantne za dobivanje nagrade, a kriterij prema

kojemu dolazi do povećanja osjetljivosti na te karakteristike je prostorna i vremenska

povezanost s nagradom. Perceptivno učenje u ranim fazama vizualnog procesuiranja,

primjerice promjene u području V1, može imati vrlo dramatične posljedice na kasnije

vizualno procesuiranje. To navodi na pretpostavku da bi perceptivno učenje moglo biti

modulirano od strane kasnijih vizualnih područja (Gilbert i suradnici, 2001: 685). U prilog toj

pretpostavci govori utjecaj pažnje na proces perceptivnog učenja. Posredstvom pažnje do

perceptivnog učenja može doći čak i u odsutsvu stimulansa. Primjerice, rezultati ispitanika u

zadatku presijecanja linija na pola [line bisection] su se poboljšali već samim zamišljanjem

situacije u kojoj se zadatak provodi (Byers i Serences, 2012: 2). Budući da pažnja utječe na

vrstu informacija koje će retina procesuirati, ona može pospješiti proces perceptivnog učenja.

Imajući u vidu ono što je do sada rečeno, moguće je konstruirati nepotpunu ali ipak

plauzibilnu teoriju o načinu na koji sustav vizualne percepcije posjeduje znanje o svijetu.

33 Primjerice, osobe koje učestalo igraju video-igrice pokazuju poboljšanja brojnih bihevioralnih

pokazatelja (indikatora). Neke od tih promjena su bolji uspjeh na teškom zadatku uočavanja podudarnosti u

smjeru (flanker task), veća sposobnost subitizacije kratko prezentiranih predmeta, podjela pozornosti na više

odvojenih ekstrema i bolja detekcija malih promjena u vizualnom polju. Također, ispitanici pokazuju veću

sposobnost kontroliranja tzv. blink effecta – pojave da u slučaju prezentacije dvaju stimulansa za redom, na istoj

lokaciji i u kratkom vremenskom razmaku, često ne vidimo drugi stimulans (Byers i Serences, 2012: 5).

43

„Vizualna percepcija je proces koji iz slika vanjskoga svijeta proizvodi opis koji je koristan

promatraču i nije zagušen nevažnim informacijama“, naglašava Marr (1982: 31). Količina

informacija koju vizualni sustav može istovremeno obraditi je ograničena. Prema tome,

selekcija informacija je važna jer je brzina reakcije organizma važna. Um reprezentira svijet

ne radi „slatkog platoničkog zadovoljstva nego u biti zato jer životinja treba preživjeti“

(Churchland i Sejnowski, 1996: 119), a „korisnost reprezentacije ovisi o tome koliko je ona

prikladna za svrhu u koju se koristi“ (Marr, 1982: 32). Važnost ovakvog shvaćanja vizualne

percepcije je primarno metodološka: naime, proučavanje reprezentacija treba početi od onih

reprezentacija za koje imamo najsnažnije razloge vjerovati kako zaista jesu dio

reprezentacijskog sustava određenog komputacijskog uređaja. Iz svojstava takvih

reprezentacija moguće je zaključivati o svojstvima ostalih, no ne i obrnuto. Dakle, korisno je

reprezentacije proučavati krenuvši od vizualne percepcije jer imamo snažne razloge vjerovati

da organizmi posjeduju reprezentacije onih aspekata svojih okoliša koji su važni za njihovo

preživljavanje.

Kao što je pokazano, ako komputacijski sustav raspolaže reprezentacijama koje su o

nečemu, točnije o fizičkom svijetu, on mora posjedovati sposobnosti dezignacije i

interpretacije simbola koja mu omogućuju bihevioralnu fleksibilnost, tj. fleksibilnost outputa

s obzirom na input. Temeljni uvjet za posjedovanje tih sposobnosti je mogućnost da sustav

stvara „zaključke“ ili „pravila“ o povezanosti inputa i outputa. Drugim riječima, sustav na

neki način mora „učiti“. Upravo je to sposobnost koja može pojasniti relaciju između

distalnog stimulansa i rezultirajućeg reprezentacijskog stanja sustava. Karakteristike

implementacijske razine sustava o kojima je bilo riječi u ovom poglavlju pružaju mogućnost

barem grubog objašnjenja procesa koji bi se mogao nazvati „učenjem“, a čiji rezultat je

znanje* u smislu u kojem je ono odrednica fleksibilnih informacijskh sustava. U prilog

pretpostavci da već rane faze vizualne percepcije posjeduju osobine nalik kogniciji govori i

strukturalna povezanost između područja ranog procesuiranja i dijelova korteksa koji

sudjeluju u kasnijim fazama prepoznavanja predmeta. U kontekstu vizualne percepcije,

temeljno pitanje na koje mehanizam koji komputacijskom sustavu omogućava „učenje“ mora

odgovoriti je pitanje, kako sustav može znati* da s jest F, s obzirom na količinu informacija

koje signal prenosi. Mehanizam perceptivnog učenja, kao karakteristika implementacijske

razine opisa sustava koji na važan način ograničava komputacijsku i reprezentacijsku razinu,

može u velikoj mjeri naznačiti smjer u kojem je moguće potražiti odgovor na to pitanje. S

obzirom na to da je perceptivno učenje vid plastičnosti mozga, pretpostavka je da su

44

mehanizmi koji funkcioniraju na sličnom principu dio odgovora na pitanje kako sustav dolazi

u posjed znanja ne samo u kontekstu vizualne percepcije, već i procesuiranja mentalnih stanja

općenito.

Fenomen perceptivnog učenja govori kako stupanj u kojem reprezentacija │žir*│ u

sustavu vjeverice nalikuje pretpostavljenom vanjskom, „objektivnom“ distalnom stimulansu

žira ovisi o iskustvu sustava, tj. o prijašnjim inputima u vjeveričin sustav. U tom smislu je

Dretske u pravu kad inzistira na historijskom shvaćanju funkcija organizma. No, s druge

strane, s obzirom da je perceptivno učenje ujedno i morfološka promjena implementacijske

razine, moguće je odbaciti Dretskeove argumente „čovjeka iz močvare“ ili iz primjera

Ivanove savršene kopije, robota Ivan*. Drugim riječima, ako je opis implementacijske razine

dvaju informacijskih sustava koji posjeduju sposobnost perceptivnog učenja (kao Ivan i

Ivan*) isti, simboli kojima ti sustavi operiraju imaju semantičku vrijednost.34

Perceptivno

učenje, i plastičnost mozga, omogućuju informacijskom sustavu da diskriminira između onih

karakteristika signala koje su relevantne za uspješnost informacijskih procesa koje sustav vrši.

Posljedica ovakvog shvaćanja je to da će vjeverice koje nikad nisu bile izložene orašastim

plodovima, već su se hranile samo crvenim bobičastim voćem, reprezentirati orašaste plodove

na drugačiji način od vjeverica koje se, pod normalnim okolnostima, hrane isključivo

orašastim plodovima. Signal orašastih plodova će u svakom slučaju prenositi istu količinu

informacija, no komputacijski i implementacijski sustavi vjeverica neće biti osjetljivi na istu

količinu informacija iz signala ili na iste „pakete“ informacija iz signala koje odašilju orašasti

plodovi. One karakteristike signala na koje sustavi vjeverica postaju osjetljivi jesu semantička

svojstva simbola ili mentalnih reprezentacija.

Relacija između distalnog stimulansa i semantičkih kvaliteta mentalnih reprezentacija

može se izložiti na sljedeći način: navedena relacija se odnosi na vezu između određenih

karakteristika distalnih stimulansa, tj. objekata izvan sustava, i onih karakteristika signala koje

sustavu omogućuju fleksibilnu interpretaciju. Drugim riječima, kada ne bi postojala

relevantna razlika u signalu s obzirom na to jesu li plodovi koje vjeverice mogu jesti crveni ili

smeđi, sustav vjeverica ne bi mogao razlikovati između tih plodova s obzirom na boju. Na

34 Jača tvrdanja bi bila da su reprezentacijska stanja tih sustava semantički istovjetna, no ta tvrdnja bi

bila prihvatljiva samo ako bi se pokazalo kako je perceptivno učenje u tolikoj mjeri rigidan proces da ga je

moguće opisati s obzirom na tip informacijskog sustava, a ne s obzirom na pojedini primjerak određenog tipa

informacijskog sustava. Cilj ovog rada je bio ponuditi argumente za tezu da je sposobnost perceptivnog učenja

dovoljan uvjet za to da informacijski sustav posjeduje onu formu znanja koja mu je s obzirom na procese koje

sustav vrši dovoljna da zna kako s jest F.

45

reprezentacijskoj ili simboličkoj razini, simbol na koji komputacijski proces postaje osjetljiv

ili koji postaje input za taj proces određen je diferencirajućim karakteristikama signala. Te su

karakteristike na reprezentacijskoj razini opisive u terminima semantike mentalnih stanja.

Veza između karakteristika signala i semantičkih svojstava reprezentacija utvrđena je opisom

mehanizma plastičnosti. Semantička svojstva mentalnih stanja na ovaj su način karakterističan

vid sadržaja, naime onaj vid sadržaja koji je utemeljen u procesu perceptivnog učenja i

sličnim mehanizmima.

46

Zaključak

David Marr tvrdi da potpun opis informacijskog sustava uključuje objašnjenje na tri razine: (i)

na komputacijskoj razini potrebno je objasniti što sustav radi i zašto, (ii) na reprezentacijskoj

opisati reprezentacije kojima operira i na (iii) implementacijskoj odrediti fizičke mehanizme

koji su u te operacije uključeni. U pozadini ovog pristupa nalazi se ideja da se razine opisa

međusobno ograničavaju i usmjeravaju daljnja objašnjenja. Ovaj rad pristupa proučavanju

mentalnih stanja na Marrovim metodološkim osnovama. Kako bi se odvojili informacijski

sustavi koji operiraju mentalnim stanjima od onih koji to ne čine, kao kriterij razgraničenja

uzima se bihevioralna fleksibilnost sustava. Fleksibilnost podrazumijeva da sustav ima

sposobnost uspostavljanja posebne vrste relacija između inputa i reprezentacijskih stanja

sustava. Na komputacijskoj i reprezentacijskoj razini opisa to se svojstvo sustava opisuje

pojmovima dezignacije i interpretacije inputa, dok je na implementacijskoj razini fleksibilnost

opisiva perceptivnim učenjem i sličnim neurofiziološkim mehanizmima.

Glavna tvrdnja komputacijske teorije uma je da je funkcioniranje uma moguće

razumjeti kao posebnu vrstu informacijskog sustava. Pojedini informacijski problemi koje

komputacijski, reprezentacijski i implementacijski sustavi rješavaju nisu rješivi na

jednoznačan način. Drugim riječima, ako promatramo pojedinu razinu sustava u izolaciji od

preostalih dviju, proces kojim ta razina rješava problem (tj. transformacije kojima dolazi do

informacija s određenim karakteristikama) opisiv je na više načina. Primjerice,

stomatogastrički ganglij jastoga „problem“ reguliranja probavnog procesa na

implementacijskoj razini može „riješiti“ na velik broj načina. Rješenje koje će sustav

primijeniti ograničeno je kako preostalim razinama opisa sustava u cjelini (dakle jastoga) tako

i drugim problemima, tj. drugim podsustavima – primjerice, činjenicom da jastog treba biti

određene veličine kako bi se mogao kretati ili da treba informacije procesuirati određenom

brzinom uz određenu potrošnju energije.

Posebnu skupinu komputacijskih sustava čine sustavi koji transformacije vrše nad

simbolima koji zadovoljavaju uvjete mentalnih reprezentacija. Ti sustavi posjeduju

sposobnosti dezignacije i interpretacije koje im omogućuju fleksibilnost outputa s obzirom na

input. Iz tih sposobnosti proizlazi mogućnost sustava da mijenja svoju reakciju s obzirom na

osobine ulaznog signala. Dezignacija omogućava sustavu da postane osjetljiv na određene

47

karakteristike signala na koje prethodno nije bio osjetljiv, ili da, drugim riječima, interpretira

signal na način na koji to prije nije činio. Primjerice, ako se u okolišu vjeverice počnu

pojavljivati spužvaste kopije orašastih plodova, vjeverica će „koristiti“ teksturu površine tih

spužvastih „lažnjaka“ (lješnjaka-surogata) kako bi ih diskriminirala od pravih lješnjaka. To ne

znači da će vjeverica razviti novi komputacijski sustav za prepoznavanje spužvastih žirova,

već da će ih njezini postojeći sustavi „naučiti“ prepoznavati, tj. da će postati osjetljivi na nova

svojstva signala na koja prethodno nisu bili osjetljivi. Drugim riječima, simboli koji

funkcioniraju kao input komputacijskim sustavima će se promijeniti, stoga će se promijeniti i

interpretacija signala. Takvo razumijevanje komputacijskih sustava počiva na pretpostavci da

je minimalan uvjet da bi sustav operirao mentalnim stanjima to da je sposoban pokazivati

određeni stupanj bihevioralne fleksibilnosti, odnosno da je sposoban prilagoditi se posebnim

osobinama inputa. To je moguće ilustrirati jednostavnim primjerom: broj tipki kalkulatora

svjedoči o tome u kojem sustavu simbola operira i koliko operacija vrši. Ako kalkulator ima

dvanaest tipki, on vrši jednu operaciju u dekadskom sustavu (zanemarimo li tipku za

uključivanje) ili, primjerice, osam operacija u binarnom sustavu. Kalkulator nije u stanju

utjecati na ulogu koju pojedini input ima u njegovom sustavu. Postoje dobri razlozi za

vjerovanje da su informacijski sustavi, koji transformiraju mentalne simbole, u stanju upravo

to činiti.

Sposobnosti dezignacije i interpretacije su, u prvom redu, semantički uvjeti koji se

odnose na reprezentacijsku razinu opisa sustava. Ako sustavi jesu fleksibilni, adekvatan opis

komputacijske i implementacijske razine mora biti takav da dopušta odgovarajuću vrstu

promjene simbola nad kojima sustav operira. No, semantičke karakteristike o kojima je ovdje

riječ su sadržajne, a ne značenjske. Bilo bi pogrešno pretpostaviti da su simboli neka vrsta

propozicijskih stavova prema kojima je sustav u posebnom odnosu. Simboli su jednostavno

apstrahirani dijelovi informacije na koju mehanizmi sustava reagiraju, tj. koji funkcioniraju

kao input pojedinim komputacijskim procesima. Međutim, sadržaj o kojem je riječ ipak je na

važan način određen osobinama inputa, tj. stoji u određenoj vrsti relacije prema svojstvima

izvora informacije koju sustav prima. Sustav vjeverice koji razvija osjetljivost na spužvastu

teksturu čini to zbog osobina inputa (npr. zbog refleksije svjetlosti sa spužvastih orašara ili

neugodnog okusa i mirisa takvih orašastih plodova). Dakle, simboli koje će sustav „naučiti“

prepoznavati jesu o nečemu – nečemu što je izvan samog informacijskog sustava vjeverice.

Naturalizacija semantike je upravo pokušaj specificiranja relacije između svojstava distalnih

stimulansa i semantičkih svojstava mentalnih reprezentacija.

48

Kako svaki informacijski sustav prima input putem senzornih ili osjetilnih modaliteta,

za razumijevanje navedene relacije potrebno je posebnu pozornost posvetiti

implementacijskoj razini opisa sustava. Pojednostavljeno, prvi korak u razumijevanju

kalkulatora bio bi opis načina na koji on prima input (koliko ima tipki, pomoću kojeg

mehanizma pritisak na tipku postaje input za sustav i slično). Perceptivni modalitet kod kojeg

je najjednostavnije specificirati korelacije između stimulansa i reakcije sustava je vizualna

percepcija. S obzirom na složenost sustava i nelinerarnost vizualnog procesuiranja,

pretpostavke o svojstvima distalnih stimulansa i reprezentacijskih stanja teško je zasnivati na

intuicijama. Drugim riječima, pogrešno je povoditi se pretpostavkom da predmeti koje sustavi

percipiraju imaju stabilna svojstva koja omogućuju njihovo raspoznavanje pod različitim

okolišnim ili kontekstualnim uvjetima te da su upravo ta svojstva ona na koja je sustav

osjetljiv u svim fazama procesuiranja signala. Primjer takvog pristupa je ilustriran

Barlowovom tvrdnjom da su neuroni u retini žaba „detektori buba“ te da su aktivnosti

neurona zapravo „misaoni procesi“ (Barlow, 1972: 380). Rekonstrukcija transformacija

signala koje se odvijaju u pojedinim fazama vizualne percepcije empirijsko je pitanje.

Nelinerarnost vizualnog procesuiranja sugerira da svojstva signala na koja sustav reagira u

početnim fazama vizualnog procesuiranja nisu konstantna kroz čitav proces, tj. sve do

posljednjih faza procesuiranja. Drugim riječima, proces prepoznavanja predmeta, ali i proces

vizualne percepcije kao takve, jest proces rekonstrukcije informacija na temelju karakteristika

koje ne moraju biti one koje su intuitivno uvjerljive. U skladu s tim, primjer vjeverice koja

vidi smeđu mrlju srednje veličine i dolazi u mentalno stanje │žir*│ je pretjerano simplificiran

pristup. Za razumijevanje relacije između stimulansa i mentalnih stanja potrebno je

specificirati mehanizam na kojim se te relacije temelje.

Primjer mehanizma koji sustavu omogućava fleksibilnost s obzirom na interpretaciju

karakteristika signala je mehanizam tzv. perceptivnog učenja kao manifestacija plastičnosti

mozga. Perceptivno učenje je, dakle, primjer za sposobnost sustava da generira „znanje“ na

temelju „iskustva“ – na temelju prethodnih karakteristika inputa. Perceptivno učenje ima za

posljedicu morfološku promjenu u strukturi sustava. No ta je promjena obuhvaćena

primjerenim opisom implementacijske razine koja je fleksibilna unutar određenih parametara.

Drugim riječima, implementacijski opis se ne mijenja nakon svake morfološke promjene jer je

taj opis dan s obzirom na određene parametre koji su dovoljno fleksibilni da obuhvate sve

moguće morfološke promjene sustava. Taj je skup promjena ili mogućih stanja sustava ono

49

što Newell (1980: 158) naziva „unutrašnji prostor“ [interior milleu] sustava – stanja unutar

određenih parametara, ostvariva istim komputacijskim mehanizmima, koja sustavu

omogućuju interpretaciju simbola. Posljedica je ovakvog shvaćanja to da se relacija između

distalnih stimulansa i reprezentacijskih stanja svodi da promjene sustava izazvane procesima

plastičnosti. Semantiku mentalnih reprezentacija u tom slučaju ne treba shvatiti kao zasebno

svojstvo – povrh simbola koji sudjeluju u komputacijskim procesima – već kao one sadržajne

osobine signala (inputa) koje dovode do pojave plasticiteta ili perceptivnog učenja.

50

Literatura

Adams, F. (2003) „Thoughts and Their Contents: Naturalized Semantics“, u: S. P. Stich i T. A.

Warfield (ur.) The Blackwell Guide to Philosophy of Mind, Oxford: Blackwell Publishing, str. 143–

171.

Albright, T. D. (2013) „High–Level Visual Processing: Cognitive Influences“, u: E. R. Kandel, J. H.

Schwartz, T. M. Jessell, S. A. Siegelbaum i A. J. Hudspeth (ur.) Principles of Neural Science, New

York: McGraw–Hill, str. 621–637.

Attenborough, D. (2002) Life of Mammals: Plant Predators, dokumentarni film, BBC Channel,

London.

Banich, M. T. i Compton, R. J. (2010) Cognitive Neuroscience, Wodsworth: Cengage Learning.

Barlow, H. B. (1953) „Summation and Inhibition in the Frog's Retina“, Journal of Physiology (Lond.),

119: 69–88.

Barlow, H. B. (1972) „Single Units and Sensation: A Neuron Doctrine for Perceptual Psychology?“

Perception 1: 371–394.

Blakemore, R. P. i Frankel, R. B. (1981) „Magnetic Navigation in Bacteria“, Scientific American, 245: 6.

Block, N. (1986) „Advertisement for a Semantics for Psychology“, u: P. French, T. Uehling i H.

Wettstein (ur.) Midwest Studies in Philosophy, Minneapolis: University of Minnesota Press, str. 615–678.

Byers, A. i Serences J. T. (2012) „Exploring the Relationship between Perceptual Learning And Top–

Down Attentional Control“, Vision Research, http//dx.doi.org/10.1016/j.visres.2012.07.008

[10.8.2014. 21:15:05]

Churchland, P. S. i Sejnowski T. J. (1996) The Computational Brain, Cambridge: MIT Press.

Clark, A. (2003) „Artificial Intelligence and the Many Faces of Reason“, u: S. P. Stich, i T. A.

Warfield (ur.) The Blackwell Guide to Philosophy of Mind, Blackwell Publishing, str. 309–321.

Craik, K. J. W. (1967) The Nature of Explanation, Cambridge University Press.

Craver, C. F. (2007) Explaining the Brain: Mechanisms and the Mosaic Unity of Neuroscience,

Oxford: Clarendon Press.

Cummins, R. (1989) Meaning and Mental Representation, Cambridge: MIT Press.

Cummins, R. (2010) „Truth and Meaning“, u: R. Cummins (ur.) The World in the Head, Oxford:

Oxford University Press, str. 152–174.

51

Cummins, R. i Roth, M. (2010) „Meaning and Content in Cognitive Science“, u: R. Cummins (ur.)

The World in the Head, Oxford: Oxford University Press, str. 175–193.

Davidson, D. (1967) „Truth and Meaning“, Synthese, 17: 304–23.

Davidson, D. (1987) „Knowing One's Own Mind“, Proceedings and Addresses of the American

Philosophical Association, 60 (3):441–458.

Dennett, D. C. (1969) Content and Consciousness, Cambridge: MIT Press.

Dretske, F. I. (1981) Knowledge and the Flow of Information, Cambridge: MIT Press.

Dretske, F. I. (1986) „Misrepresentation“, u: R. Bogdan (ur.) Belief , Oxford: Oxford University Press,

str. 17–36.

Dretske, F. I. (1988) Explaining Behavior: Reason in a World of Causes, Cambridge: MIT Press.

Dretske, F. I. (1995) Naturalizing the Mind, Cambridge: MIT Press.

Egan, F. (1995) „Computation and Content“ Philosophical Review, 104: 181–203.

Egan, F. (2012) „Representationalism“, u: E. Margolis, R. Samuels i S. P. Stich (ur.) The Oxford

Handbook of Philosophy of Cognitive Science, Oxford: Oxford University Press, str. 250–273.

Eliasmith, C. (2005) „A New Perspective on Representational Problems“, Journal of Cognitive

Science, 6: 97–123, http://arts.uwaterloo.ca/~celiasmi/Papers/eliasmith.2005.animal%20perspective.

jcs.pdf [6.8.2014.]

Evans, G. (1982). Varieties of Reference, Oxford: Oxford University Press.

Fodor, J. (1990) A Theory of Content and Other Essays, Cambridge: MIT Press.

Fodor, J. (1998) In Critical Condition: Polemical Essays on Cognitive Science and the Philosophy of

Mind, Cambridge: MIT Press.

Gilbert, C. D. (2013) „Intermediate–Level Visual Processing and Visual Primitives“, u: E. R. Kandel,

J. H. Schwartz, T. M. Jessell, S. A. Siegelbaum i A. J. Hudspeth (ur.) Principles of Neural Science,

New York: McGraw–Hill, str. 602–620.

Gilbert, C.D., Sigman, M. i Crist, R. (2001) „The Neural Basis of Perceptual Learning“, Neuron, 31:

681–697.

Grice, H. P. (1957) „Meaning“, Philosophical Review, 66: 377–88.

Guttenplan, S. (1995) „Syntax/Semantics“, u: S. Guttenplan, (ur.) A Companion to the Philosophy of

Mind, Cambridge: Blackwell, str. 583–584.

Harman, G. (1982) “Conceptual Role Semantics”, Notre Dame Journal of Formal Logic, 23: 242–56.

52

Horst, S. (2009) „The Computational Theory of Mind“, u: E. Zalta (ur.) Stanford Encyclopedia of

Philosophy, http://plato.stanford.edu/entries/computational–mind/ [10.12.2009.]

Hubel, D. H., Wiesel, T. N. (1959) „Receptive Fields of Single Neurones in the Cat's Striate Cortex“,

The Journal of Physiology, 148 (3): 574–591.

Loar, B. (1981) Mind and Meaning, Cambridge: Cambridge University Press.

Lycan, W. (1984). Logical Form in Natural Language, Cambridge, Mass: MIT Press.

Marr, D. (1982) Vision, San Francisco: Freeman.

McCulloch, W. S. i Pitts, W. H. (1943) „A logical calculus of the ideas immanent in nervous activity“,

Bulletin of Mathematical Biophysics 7: 115–133.

McNamara, T. P. (1999) „SingleCode versus MultipleCode Theories in Cognition“ u Sternberg, R. J.

(ur.) The Nature of Cognition, Cambridge: The MIT Press / A Bradford Book, str. 113–136.

Millikan, R. G. (1984) Language, thought and other biological categories, Cambridge, MA, MIT

Press.

Newell, A. (1980) „Physical Symbol Systems“, Cognitive Science, 4: 135–83.

Papineau, D. (1987) Reality and Representation, Oxford: Blackwell.

Peacocke, C. (1986) Thoughts: An Essay on Content, Oxford: Basil Blackwell.

Piccinini, G. (2012) „Computationalism“, u: E. Margolis, R. Samuels i S. Stich (ur.) The Oxford

Handbook of Philosophy of Cognitive Science, Oxford: Oxford University Press, str. 222–250.

Pitt, D. (2012) „Mental Representation“, u: E. Zalta (ur.) Stanford Encyclopedia of Philosophy,

http://plato.stanford.edu/entries/mental–representation/ [11.12.2012.]

Prinz, A., Bucher, D., i Marder, E. (2004) „Similar Network Activity from Disparate Circuit

Parameters“, Nature Neuroscience, 7: 1345–52.

Shannon, C. E. (1948) „A mathematical Theory of Communication“, Bell System Technical Journal,

27: 379–423, 623–656.

Simons, D. J. i Levin, D. T. (1998) „Failure to detect changes to people during a real–world

interaction“, Psychonomic Bulletin and Review, 5: 644–9.

Snowden, R., Thompson, P. i Troscianko, T. (2012) Basic Vision: An Introduction to Visual

Perception, Oxford: Oxford University Press.

Stufflebeam, R. S. (1999) „Representation and Computation“, u: W. Bechtel, i G. Graham (ur.) A

Companion to Cognitive Science, Oxford: Wiley–Blackwell, str. 636–648.

53

Tovée, M. J. (2008) An Introduction to the Visual System, Cambridge: Cambridge University Press.

Turing, A. M. (1937) „On computable numbers, with an application to the entscheidungsproblem“,

Proceedings of the London Mathematical Society, 42: 230–265.

Wilson, R. A. (2003) „Individualism“, u: S. P. Stich i T. A. Warfield (ur.) The Blackwell Guide to

Philosophy of Mind, Oxford: Blackwell, str. 256–287.

Wurtz, R. H. i Kandel, E. R. (2000) „Central Visual Pathways“, u: E. R. Kandel, J. H. Schwartz i T.

M. Jessell (ur.) Principles of Neural Science, New York: McGraw–Hill, str. 523–548.

54

Životopis

Anna Kocsis rođena je 1988. godine u Senti, Republika Srbija. Nakon završene Pete

gimnazije u Zagrebu, 2007. godine upisuje Preddiplomski studij arhitekture i urbanizma, a

2011. godine Diplomski studij arhitekture i urbanizma na Arhitektonskom fakultetu

Sveučilišta u Zagrebu. 2012. godine upisuje Diplomski studij filozofije (znanstveni smjer) na

Hrvatskim studijima Sveučilišta u Zagrebu. 2014. godine, nakon obrane završnog rada

„Infrastruktura i laboratorij za praćenje poljoprivrednog sustava doline rijeke Neretve“ pod

mentrstvom prof. Veljka Oluića, stječe titulu magistra inženjera arhitekture i urbanizma

(miau.). U sklopu studentske prakse, 2010. godine radi u Studiju 3LHD kao član

projektantskog tima na dva nagrađena rada: Natječaj za projekt stambenog kompleksa na

Zavrtnici 4 Tornja, Zagreb (prva nagrada); te Međunarodni natječaj za projekt sveučilišnog

kampusa Borongaj, Zagreb (druga nagrada). Tijekom studija na Arhitektonskom fakultetu

sudjeluje na više studentskih radionica internacionalnog i nacionalnog karaktera. Akademske

godine 2012/13. sudjeluje u nastavi kao demonstrator na kolegijima Urbanistička radionica –

Planiranje naselja te Projektni studio I na Arhitektonskom fakultetu. 2013. dobiva stipendiju

za Erasmus stručnu praksu te tri mjeseca radi kao prvostupnik u projektantskom uredu Toni

Girones Saderra u Barceloni. 2013. godine osvaja Rektorovu nagradu za rad iz područja

teorije arhitekture naslova „Odnos normativnog i deskriptivnog u arhitekturi: Van Eyckov

strukturalizam i naturalistička pogreška“, izrađen pod mentorstvom prof. dr.sc. Karin Šerman,

Arhitektonski fakultet Sveučilišta u Zagrebu. 2013. godine osvaja treću nagradu ja javnom

natječaju za uređenje Parka pomirenja u Vukovaru. 2013. godine izlaže na međunarodnom

simpoziju studenata filozofije Suvremeni filozofski problemi u organizaciji Udruge studenata

filozofije Scopus. Akademske godine 2013/14. sudjeluje u nastavi kao demonstrator na

kolegiju Neklasične logike na Hrvatskim studijima, pod vodstvom prof. dr.sc. Srećka Kovača.

2014. godine objavljuje članak u studentskom časopisu Scopus pod naslovom „Kako čitamo

tuđe umove: Odnos teorije teorije i simulacijske teorije“.