Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
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“.