לקצב התפתחותם של המחשבים האלקטרוניים אין אח ורע בתולדות טכנולוגיית הכלכלה. לשם השוואה: לו תעשיית המטוסים היתה מתפתחת ב־90 שנות קיומה בקצב דומה להתפתחות שעברה תעשיית המחשבים ב־45 שנותיה, מטוס בואינג היה עולה אלף שקל ואפשר היה להקיף את כדור הארץ ב־20 דקות בכרטיס טיסה שמחירו שני שקלים. תעשיית הרכב היתה מציעה מכונית רולס רויס בשישה שקלים, ואפשר היה לעשות בה 1,200 ק"מ לליטר אחד של בנזין. התפתחות טכנולוגית מדהימה זו משתקפת היטב בפן הכלכלי שלה. 100 מניות יבמ בשנת ייסוד החברה (1914), בשווי 2,750 דולר, ערכן היום כ־40 מיליון דולר.

ביסוד המספרים המאלפים הללו ניצב מפגש נדיר מבחינת עיתויו בין פוטנציאל טכנולוגי ופוטנציאל כלכלי. למרבה הפליאה, שתי המגמות גם יחד נעלמו מעיניהם של קברניטי הכלכלה. עובדה: ב־1945, שנה אחרי פיתוח המחשב האלקטרוני הראשון, חזו המומחים כי חמישה מחשבים כאלה יוכלו לענות על כל צרכיה של ארצות הברית בתחום עיבוד הנתונים האוטומטי. ואם נוסיף על כך את העובדה שעצמת החישוב של מעבד (יחידת העיבוד המרכזית במחשב) מודרני, ששטחו ס"מ מרובע, גדולה אלפי מונים מזו של המחשבים האלקטרוניים הראשונים (שהשתרעו על עשרות מטרים מעוקבים), נקבל תמונה נאמנה על גודל המהפכה שהתחוללה במחצית השנייה של המאה שלנו.

ההתחלה היתה, אומנם, אִטית למדי, אבל מרגע שהתברר כי אפשר לתרגם את כל הפעילות היצרנית, השיווקית, הצרכנית והארגונית למידע – הווי אומר, לשפה הבינארית של המחשבים – נוצרה דרישה אדירה למאגרי זכרון ולעצמת מחשוב. השפופרות האלקטרוניות הגדולות והמסורבלות של מחשבי שנות ה־40 וה־50 לא יכלו לספק דרישה זו. אך המענה היה מצוי כבר בשנת 1947, בטרנזיסטור שפותח במעבדות חברת בל. גודלו היה 1/200 מהשפופרת האלקטרונית, צריכת החשמל שלו 1/100, אך מהירותו ואמינותו היו גדולות פי אלף. כמו במקרים דומים, החוקרים לא העלו בדעתם כי המצאה זו עתידה להביא להם את פרס נובל, ולהירשם כאחת ההמצאות החשובות של המאה ה־20.

מחשב הטרנזיסטורים הראשון נכנס לשוק רק בסוף שנות ה־50, אבל מאותו רגע נפתח מירוץ מסחרר של מזעוּר טכנולוגי, במטרה לדחוס כמות מרבית של רכיבים אלקטרוניים בשטח מינימלי. הטעם מאחורי מגמה זו הוא שעל ידי הגברת הצפיפות ניתן לבנות מחשבים קטנים, מהירים וזולים יותר, המסוגלים לאחסן כמויות אדירות של נתונים. הזיקה בין מזעור הרכיבים לבין עצמת המחשוב היא פרק מרתק ביותר בתולדות הטכנולוגיה.

לכאורה, שאלת מזעורם של המעגלים האלקטרוניים במעבדים וביחידות הזכרון של המחשב אמורה להיות זניחה, שהרי האלקטרונים המהירים נדרשים לעבור מרחק של סנטימטרים ספורים לאורך המעגלים האלקטרוניים. אבל מאחר שמעגלים אלה עוברים מיתוג מיליוני פעמים בשנייה, בעיית המרחק בין הטרנזיסטורים נעשית קריטית ביותר – למעשה כל כך קריטית, עד כי המהירות העליונה שהטבע מציע (300 אלף ק"מ בשנייה) היא אטית מדי למחשבים, שכן האור עובר במיליארדית השנייה מרחק של 30 ס"מ בלבד. לפיכך, אם רוצים להעמיד את מהירות הפעולה הפנימית של המחשב על מיליארדית השנייה, חייבים למזער את הרכיבים האלקטרוניים ולצמצם את המרווחים ביניהם עד כדי אלפית המילימטר (מיקרון).

כדי להמחיש מידת מרחק זו, די אם נאמר שעוביה של שערת ראש הוא 100 מיקרון. ואומנם המרחק בין קווי התקשורת הצרובים על גבי השבבים (chips) החדישים עומד היום על גבול המיקרון. מזעור נוסף של הרכיבים והמרחקים ביניהם עד מאית המיקרון יאפשר לאחסן בשבב אלקטרוני, שכל גודלו שני סמ"ר, מידע השווה לארבעה מיליון ספרים, ולהגיע למהירויות של ביליוניות השנייה (מספר ביליוניות השנייה בשנייה אחת הוא כמספר השניות ב־30 מיליון שנה).

אבל הישג טכנולוגי מרשים זה יציין כנראה את סוף דרכה של טכנולוגיית המזעור. הסיבה העיקרית נעוצה בחום שמפיקה הפעילות האלקטרונית במעגלים. החום כשלעצמו נמוך, אבל כאשר המרחק בין הרכיבים יורד אל מתחת למאית המיקרון, די בו כדי להתיך את קווי התקשורת ולגרום לבריחת האלקטרונים ממסלוליהם. כדי להשיג מהירויות פעולה גבוהות יותר, יצטרכו להחליף את האלקטרונים האִטיים יחסית בפוטונים המהירים של האור, שיהיו מסוגלים להניע את המידע במעגלים האופטיים במהירות של 300 אלף ק"מ בשנייה. המעבר מהעידן האלקטרוני לעידן הפוטוני עשוי להעלות את מהירות הפעולה של המחשבים ב־15 סדרי גודל, אבל בכך נגיע כנראה לגבול העליון, שהרי אין בטבע דבר מהיר יותר מהאור.

כדי לעקוף את הגבול שהציב לנו הטבע, ניאלץ להיפרד מעקרון הפעולה העוקב של ג’ון פון נוימן, אבי הלוגיקה של המחשב האלקטרוני. על פי עקרון זה, השולט זה 45 שנה בעולם המחשבים, ביצוע פעולת כפל, למשל 1010X, נעשית על ידי 10 פעולות חיבור עוקבות של המספר 10, כאשר כל פעולת חיבור חדשה מתחילה אחרי שקודמתה מסתיימת. השימוש בפעולת חיבור לביצוע פעולות כפל (ובחיסור לביצוע פעולות חילוק) הוא כמובן בזבזני ולא יעיל. אבל כיוון שהמחשבים מסוגלים לעשות עשרות ומאות מיליוני פעולות חיבור וחיסור בשנייה, איננו חשים בכך. לא כן המחשב הפועל במהירויות של מיליארדיות השנייה. אבדן עשירית השנייה עבורו משול לעיכוב מכונית ליד רמזור במשך כמה שנים. יתרה מזו, נקיטת צעדים עוקבים בתפעול מספרים גובלת בטמטום גמור, שהרי אילו היו מבצעים את 10 פעולות החיבור במקביל, אפשר היה להגיע לתוצאה הסופית בעשירית הזמן. למה הדבר דומה? לאלף אנשים המצוּוים לחפור תעלה באורך 10 ק"מ, כשכל אחד מן הפועלים רשאי להתחיל בחפירת עשרת המטרים שלו רק כאשר הפועל משמאלו מסיים את מלאכתו. אילו היו מפעילים שיטה זו על מיליוני האנשים שבנו את החומה הסינית, יש להניח כי העבודה היתה נמשכת עד סוף כל הדורות.

ואומנם נגן הגיון נפסד זה יוצא החישוב המקבילי, המבקש לרשת את עקרון פון נוימן. בניגוד לשיטת הפעולה העוקבת, המחשב המקבילי מפרק את הבעיות החישוביות למרכיביהן, מעבד אותן במקביל, ורק אחר כך מחבר את התוצאות הנפרדות לתוצאה משולבת. הרווח המידי: חסכון ניכר בזמן. לדוגמה, אם נתוניהם האישיים של כל חמישה מיליארד תושבי כדור הארץ היו רשומים במחשב, ניתן היה לברר מיהו האדם שמשקלו וגובהו קרובים לשלך ביותר. מחשב סדרתי היה משיב אחרי שבע דקות, בעוד שמחשב מקבילי היה חוזר אליך אחרי 75 אלפיות השנייה.

לאחרונה הודיעה חברת אינטל על פיתוח סדרה חדשה של מעבדים, המורכבים מ־860 שבבים שתוקפים במקביל חלקים שונים של אותה בעיה. המחשב המהיר ביותר בסדרה זו מופיע עם 128 מעבדים כאלה (כלומר, 110,080 שבבים) והוא אמור לבצע 7.5 מיליארד פעולות בשנייה. וזה לא הסוף: סוכנות המחקר של משרד ההגנה האמריקני הודיעה על כוונתה לפתח מחשב מקבילי שיורכב מאלפיים מעבדי 860 של אינטל. לדעת מתכנניו, יוכל מחשב זה לבצע 150 מיליארד (!) פעולות בשנייה, פי 50 עד 100 מהר יותר מגדול מחשבי העל הקיימים, ובעשירית המחיר. מספרים אלה מעידים בבהירות רבה למדי, כי הראשון שיגיע עד סוף העשור הזה לקו המטרה הפנטסטי של ביליון (אלף מיליארד) פעולות בשנייה, יהיה המחשב המקבילי, ולא פון ניומן.

לפני שנעבור לקשר בין החישוב המקבילי לבין שאלת החשיבה, ההבנה והתודעה, שבה עוסקת סדרת מאמרים זו, כדאי לרשום הערת הסתייגות: לא כל בעיה ניתנת לפירוק לבעיות משנה ולטיפול מקבילי. עבודה מקבילית בהקמת החומה הסינית אינה יפה לבניית הפירמידות המצריות, שהרי אי אפשר לשאת את האבנים אל קודקוד הפירמידה לפני שמסיימים את בסיסה. הוא הדין בחישובים אריתמטיים בסיסיים. כידוע לכל תלמיד בית ספר, הקדמת פעולות החיסור והחיבור לפעולות הכפל והחילוק בבעיה חשבונית נותנת תוצאה שונה מסדר הפעולות ההפוך. ואכן, במרבית הבעיות החישוביות יש חלקים שדורשים טיפול עוקב, ולא ניתנים למקבוּל. יתרה מזו, החישוב המקבילי מעורר בעיות קשות של ניתוב התקשורת בין אלפי המעבדים, ומציב קשיים כבדים לפני כותבי התכנה המקבילית.

אבל השאלה המעניינת ביותר מנקודת מבטה של סדרת מאמרים זו קשורה בפוטנציאל של העיבוד המקבילי: האם הוא רק יגביר את עצמת המחשוב, או גם יספק תוצאות איכותיות, המצויות לפי שעה מחוץ להישג ידם של המחשבים הסדרתיים? בנקודה זו חלוקים המומחים ביניהם. יש הגורסים, כי החישוב המקבילי אינו אלא חישוב סדרתי מהיר, ועל כן אין לצפות ממנו ליותר ממה שהמחשב הקונוונציונלי מציע לנו. אחרים טוענים כי העיבוד המקבילי מחקה במידה רבה את דרך הפעולה של מוחנו, ועל כן הוא מציין פריצת דרך איכותית בתולדות המחשוב ובהתפתחות הבינה המלאכותית.

שתי ההערכות מסתמכות על הפער העצום בין היכולות והמגבלות של המחשב. מצד אחד, בכוחו לבצע מיליארדי פעולות בשנייה ולפתור בעיות מסובכות להפליא. מצד שני, הוא עומד חסר אונים דווקא מול מטלות טריוויאליות שאנו מסוגלים לעשותן כלאחר יד. למשל, ילד בן ארבע מסוגל לחצות חדר מרוהט ללא כל קושי, ולא תהיה לו שום בעיה להבחין בין כורסה לשולחן ובין עצמים דוממים ליצורים חיים. לעומתו, רוברט ייאלץ להשקיע שעה תמימה של חישובים כדי לחצות את החדר בשלום, שלא לדבר על כך שלא יוכל להבדיל בין כלב צעצוע מתנועע לבין כלב אמיתי. כשעיננו קולטת דמות של אדם, בית או עץ, המוח תופס בבת אחת את הדמות השלמה ומזהה אותה מידית. המחשב, לעומת זאת, סורק בזו אחר זו את מיליוני הנקודות הצבעוניות של התמונה, ורק אחרי שקלט את כולן הוא מסוגל לזהות את העצם. יתר על כן, כיוון שהוא נטול הכרה והבנה, עליו להיעזר בטכניקות מיוחדות כדי להפריד את דמות האדם מהבית, ואת שניהם מהעצים שברקע. ולבסוף, עליו להשוות כל אחת משלוש הצורות הללו עם מאגר התמונות וההגדרות של דמויות ועצמים המאוחסנים בזכרונו.

בכך כמובן לא מסתיים העניין, שכן יש אלפי סוגים של בתים ועצים הנבדלים בגודלם, בצבעם ובצורתם. איך נקנה למחשב כושר הכללה, שיאפשר לו לזהות אורן, ברוש ופיקוס כעצים, למרות השוני ביניהם? כיצד נסביר לו, ששלושה דיוקנאות של אותו אדם אינם שלושה אנשים שונים, למרות שבתצלום אחד הוא צוחק, בשני הוא בוכה ובשלישי הוא חובש כובע? איננו יודעים כיצד אנו מזהים את כל העצים כעצים, כשם שאיננו יודעים כיצד ילד בן ארבע חוצה חדר בלי להיתקל ברהיטים. לכן אנו מתקשים להקנות כושר זה למחשב. ברור לנו רק שאין זו שאלה של מהירות או של זכרון גדול, ואף לא של מוח מפותח. עובדה, חרק זעיר כמו הציקדה מסוגל לזכור את מאות מקומות המחבוא שבהם הטמין זרעים, למרות מוחו הקטן מראש סיכה, בעוד האדם מסוגל לאחסן בזכרון לטווח קצר שלו עד 12 מקומות מחבוא. זאת ועוד: אפשר ללמד בנקל יונים לזהות עצים בתצלומים, ואחרי אילוף קצר הן יוצרות הכללה כה רחבה של מאפייני העצים, עד כי הן מזהות גם אנטנות טלוויזיה ועמודי טלפון כעצים.

יכולת זו להכליל מאפיינים חזותיים, קוליים וחישתיים אחרים היא תכונה מובהקת של בעלי החיים. אבל כל נסיון לנסח כושר זה למחשב באמצעות אלגוריתם מסתיים במפח נפש, שכן הוספת ענפים או שינוי מבנה העלים גורמים לעץ להיתפס על ידי המחשב כעצם חדש הדורש הגדרה חדשה, ולכן ההכללה המצויה במחשב יכולה לחול רק על עצים שכבר הוגדרו לו. מכך ניתן לשער, שההכללה היא אחת מאותן תכונות לוואי של כוליות הרשת העצבית של המוח, שלא ניתן להכין מסכום הפעולה של הנוירונים הבודדים, כפי שלא ניתן להבין את טעם העוגה מהמרכיבים של מתכון. דהיינו, השלם הוא יותר מסכום חלקיו. מסקנה: כדי לתפוס את המכלול, צריך לצייד את המחשב במודלים מנטליים של המציאות, כפי שעושה מוחנו. האומנם?

הרובוט אטילה של רודני ברוק מאם.איי.טי מייצג גישה הפוכה, ביהוויוריסטית. כשאטילה מצטווה לחצות חדר, הוא לא מנסה לבנות בזכרונו מודל מרחבי של החדר ושל העצמים המפוזרים בו, וגם לא ליצור בזכרונו מפת קואורדינטות ונתיב הליכה מדויק. אטילה פועל על פי שלוש הנחיות בסיסיות: עקוב אחרי הטרף, נוע קדימה, היסוג לאחור. כאשר הוא נדרש לחצות חדר, הוא נועל את מצלמתו על נקודה בקצה החדר ומתחיל לנוע לעברה. כל אימת שחיישניו נתקלים בעצם בדרכו, הוא מפעיל תכנית עקיפה, בדומה לפעולת הרפלקס אצל בעלי חיים. גישה ביהוויוריסטית זו מתעלמת מקיומם של מודלים מנטליים במוחנו, ואינה מנסה לחקות את פעולת התודעה שלנו, אלא רק את התוצאה התפקודית של הפעילות המחשבתית.

כיוון שכך, אטילה לא מסתבך בבעיות הקשות של איך מבדילים בין כורסה לשולחן ובין שולחן לאדם. לגבי דידו, כל העצמים, בין חיים ובין דוממים, הם מכשולים שיש לעקוף אותם. ככלות הכל, מציין ברוק, החרקים מצוידים במוח זעיר, ואף על פי כן הם מגיבים נפלא ובזמן אמיתי למציאות המורכבת סביבם. ברוק מאמין שיהיה אפשר לשפר את תבונתם של הרובוטים שלו בעזרת תהליך תחרותי דמוי ברירה דארווינית, ולאחר שיצוידו בתכונות של סקרנות, תוקפנות ואפילו “רעב”.

ובכל זאת, האם גישה פונקציונלית זו מסוגלת להשיג רמת הבנה גבוהה משל חרקים? ה"מוח" הפרימיטיבי של אטילה יכול אומנם לסכל התנגשויות בשולחנות, אבל אם יתבקש לסלק כוס קפה מהשולחן, הוא לא יֵדע להבחין בינו לבין כוס הקפה.

את הגישה המנטלית מייצג דוג לנאט, באמצעות תכנית מחשב הקרויה סייק (CYC). מטרתו של לנאט היא לצייד את המחשב בידע כללי, שיאפשר לו להפעיל שיקול דעת ושכל ישר במצבים שונים ובלתי מתוכננים, בדומה לבני אדם. לצורך זה שוקד צוותו על הזנתו של סייק במידע מגוון, במסגרות הקשר או בתמלילים (ראה המאמר השלישי בסדרה). כך, למשל, תמליל הרקע “מכונית” מכיל מידע פיזיקלי על תנועה, מרחב וגופים, נתונים על תפקוד המנגנונים המכניים וכן מידע על שימושי המכונית. ידע לוגי מאפשר לסייק לגזור היסקים תקפים. למשל, אם אמנון וגיורא שכנים, ואם גיורא מתגורר בחיפה, אזי גם אמנון מתגורר בחיפה.

אבל לא כל ההיסקים פשוטים כל כך. המשפט “נפוליאון מת ב־1821; ולינגטון נעצב” דרש חודשיים של עבודה מאומצת כדי להסביר לסייק מהו מוות, מהם חיים ומהם רגשות אנושיים. אגב, סייק ממלא תפקיד פעיל בחינוכו העצמי על ידי הצגת שאלות הבהרה. למשל, אחרי שהוסבר לו מושג השכפול, ביקש סייק הבהרה נוספת: “יש קשר ברור בין עבודות אמנותיות ושכפול, אבל עושים שימוש במלה זו גם מחוץ להקשר האמנותי”. אך את השאלה הנוקבת ביותר העלה סייק בתגובה למשפט “דברים אינטליגנטיים נוטים לחבב דברים אינטליגנטיים אחרים מאותו סוג”, שלוּוה בהערה כי מארי שפארד (אחת המתכנתות) מחבבת אותו. סייק עיבד את המידע ושאל: “אני אדם, או מארי שפארד היא תכנית מחשב?”

בסיס המידע המשרת את סייק כולל שני מיליון סיביות (bits, יחידות המידע היסודיות של המחשב), אך לנאט שואף להגיע למספר אסטרונומי של 100 מיליון סיביות. רוב החוקרים סבורים כי לנאט מנסה להשיג את הבלתי אפשרי. במיוחד נראית בעיניהם לא מציאותית כוונתו להקנות לסייק, תוך חמש שנים, שליטה מלאה בשפה האנגלית.

ואומנם דומה שתאבונו של לנאט אינו יודע שובע. קשה להאמין שבפרק זמן של חודשיים אפשר להקנות לסייק הבנה במשמעות החיים והמוות. כמו כן ספק רב אם הוא באמת מבין את העצב שפקד את ולינגטון עם מות נפוליאון. עצבונו של מי שרדף 20 שנה אחרי קיסר צרפת על פני מחצית אירופה, בדבקות כמעט כפייתית, הוא דבר מורכב לאין שיעור מצער פשוט. עם זאת אפשר להסכים עם לנאט, כי סייק יוכל לתרום תרומה חשובה לתכניות הלימודים הממוחשבות וליישומים רבים אחרים. כבר עתה מסוגל סייק לפעול בתנאים של מידע חסר ולא חד־משמעי. למשל, אם נאמר לו שאמו של אחד המצביעים לכנסת היא בת 40, הוא יכול לנחש שגיל המצביע הוא לפחות 18, אבל לא הרבה יותר מ־20, שאם לא כן לא יכולה להיות לו אמא בת 40. יכולת זו עשויה להשתפר אם סייק יאמץ את השימוש בלוגיקה עמומה.

לוגיקה עמומה היא טכניקה שפותחה ב־1960 על ידי לוטפי זדה מאוניברסיטת ברקלי, המאפשרת טיפול במושגים לא חד־משמעיים, כגון גבוה, נמוך, לח, יבש, בסדר וכו', ואשר הלוגיקה הרגילה כושלת בהם בגלל הגדרותיה הנוקשות. למשל, על פי הלוגיקה המקובלת, חלוקת אוכלוסייה נתונה לגבוהים ולנמוכים יוצרת מצבים אבסורדיים. אם נקבע שאנשים גבוהים הם כל מי שקומתם 190 ס"מ ומעלה, ואנשים נמוכים הם כל מי שמתחת לגובה זה, הרי שעל פי הגדרה זו, אדם שגובהו 189 ס"מ נמנה עם הקטגוריה של האנשים הנמוכים. הלוגיקה העמותה נמנעת מכשל זה על ידי כך שהיא מעניקה לכל אדם באוכלוסייה דרגה שונה של חברוּת במועדון הנמוכים ובמועדון הגבוהים. למשל, לאדם שגובהו 188 ס"מ תהיה חברוּת של 90 אחוז במועדון הגבוהים, ורק 10 אחוז במועדון הנמוכים; ואילו לאדם שגובהו 178 ס"מ תהיה חברות של 40 אחוז במועדון הגבוהים ושל 60 אחוז במועדון הנמוכים.

הפעלת מאגר ענק של תמלילי רקע, המאפשרים מעבר חופשי ביניהם, מקרבת את הכשרים של המחשב להבנה אנושית. אבל רבים גורסים, כי כל התקדמות נוספת מחייבת שימוש בעקרון הפעולה של עיבוד מקבילי. עקרון זה מחזיר אותנו לוויכוח בין ג’ון סירל לבין בני הזוג צ’רצ’לנד, שראה אור בגליון ינואר 1990 של כתב העת סיינטיפיק אמריקן.

לפי סירל (ורבים מאנשי הבינה המלאכותית), אין הבדל עקרוני בין מחשב מקבילי לבין מחשב סדרתי. נניח, אומר סירל, שבמקום חדר סיני (ראה המאמר הקודם) יש אולם ספורט סיני, גדוש אלפי צופים דוברי אנגלית בלבד. גם מהם נבקש לתפעל את הסמלים בכתב הסיני על פי הוראות הכתובות באנגלית, אלא שהפעם העבודה על הטקסטים הסיניים תתנהל במקביל. כל מה שיקרה, אומר סירל הוא שהעבודה תתבצע מהר יותר, לא יותר מזה. מכאן, אם האיש הבודד בחדר הסיני לא הבין דבר וחצי דבר מהטקסטים הסיניים שעברו תחת ידיו, אין כל סיבה שאלפי הצופים באולם הספורט הסיני יבינו יותר.

בני הזוג צ’רצ’לנד, פרופסורים לפילוסופיה באוניברסיטת קליפורניה, יצאו חוצץ נגד סירל. הטענה כי איש מן הצופים אינו מבין סינית אינה רלוונטית לסוגיית ההבנה, אמרו השניים, שהרי גם הנוירונים במוחנו אינם מבינים אנגלית, ובכל זאת המוח בכללותו מבין. שנית, אולם הספורט אינו מטפורה הוגנת של המוח האנושי. הקבלה הולמת היא אולם המאוכלס ב־100 מיליארד צופים (כמספר הנוירונים במוח), אשר לכל אחד מהם רשת של 10,000 שליחים (כמספר הקשרים בין הנוירונים) לקבלה ולהעברת מידע לצופים האחרים. אם דבר זה היה בר ביצוע, אומרים הצ’רצ’לנדים, היינו מקבלים מודל נאמן של המוח, מסורבל אומנם, אך בכל זאת פונקציונלי.

לא קל להכריע בין שתי השקפות נוגדות אלו. לכאורה, הצדק עם סירל. מחשב מקבילי, כמוהו כמחשב סדרתי, לא יכול להבחין בין פרצוף של כלב לפרצוף של חתול. יתרה מזו. הפעילות המחשבתית מעוררת במוח תהליכים ביוכימיים, היוצרים קולטני מידע בנקודות הקצה (סינפסות) של העצבים, ואולי מפתחים גם סינפסות חדשות. לשינויים אלה במערכת העצבית אין הקבלה בקרב השליחים והצופים באולם הספורט הסיני. ולראיה, העברת המידע ביניהם לא משנה את פרצופם, אפילו לא את צבע עורם. עם זאת, לפני שאנו דוחים כליל את טענתם של הצ’רצ’לנדים, עלינו להציג לעצמנו שאלה נוקבת: האם האירועים המתחוללים ברשת מסועפת הם דטרמיניסטיים, ועל כן חזויים, כמו במערכות ליניאריות וסדרתיות? אם השלם הוא יותר מסכום חלקיו, אפשר כי מחשב הבנוי על פי דגם הרשת העצבית יציג תכונות מסוימות שלא נוסחו באלגוריתמים ואף לא נצפו מראש.

מוקדם עדיין להשיב על שאלה זו. בשנות ה־80 פותחו גִרסאות שונות של “מכונות עצביות” במתכונת הדגם של דניס היליס, חוקר צעיר מאם.איי.טי. הדגמים הראשונים היו בנויים מכמה מאות מעבדים, המחוברים ביניהם ברשת מסועפת למדי של קשרים. ואף על פי כן, מכונות נסיוניות אלו הצליחו במקום שבו מחשבים סדרתיים גדולים ומהירים מהן נכשלו: זיהוי צורות קרובות על פי קווי דמיון בלבד. כך, למשל, אחת המכונות העצביות הצליחה לזהות 15 דיוקנאות של אותו אדם, למרות שכל דיוקן צולם בתחפושת שונה. וחשוב מזה, היא ידעה לגזור בכוחות עצמה את המאפיינים של הדיוקנאות ושל חיות שונות מתוך תצלומים שהוגשו לה.

חסידי המחשב העצבי משליכים את יהבם לא על מהירות המעבדים, אלא על כמותם ברשת ועל מספר הקשרים המשמשים אותם. ההנחה היא שכמה מן התכונות הייחודיות למוח האנושי יצוצו מעצמן מתוך הרשת, ולא מכוחן של הוראות מפורשות באלגוריתם. רמז לכך סיפקה מערכת NETtalk של סינובסקי (מכון סאלק) ורוזנברג (פרינסטון), המבוססת על כמה מאות מעבדים וכמה אלפי קשרים בלבד. באמצעות אלגוריתם גמיש היא מעבדת טקסט אנגלי ומשגרת את הקלט למכונה המפיקה קולות. בשלב ראשון היא ממלמלת כמו תינוק, אך ככל שהתרגול נמשך. היגוי המלים נעשה רהוט יותר. לאחר זמן היא מצליחה לייצר דיבור בהיר ב־90 אחוז מהזמן. הדבר המפתיע הוא, שכללי ההיגוי של המלים לא מוזנים ל־NETtalk על ידי אלגוריתם ספציפי (כשם שבמחשב המסורתי, המידע איך לחבר ולחסר מספרים לא רשום בתכנית), כי אם טבועים בציוד עצמו. הרשת קונה את רהיטוּת דיבורה במהלך התרגול, כפי שתינוקות רוכשים את שפתם ומשפרים את דיבורם משמיעה, על יסוד הכושר הלשוני הטבוע בהם מלידתם.

ב־1986 בנתה חברת TRW של דניס היליס מכונה עצבית בעלת 250 אלף מעבדים ורשת של 55 מיליון קשרים, וכבר מתכננים מכונה עם מיליון מעבדים. אֵלו הפתעות צופנים לנו מחשבים עצביים אלה? האם אפשר יהיה להזינם בתיאור מילולי של עץ ולקבל בו בזמן את תמונתו, כפי שנעשה הדבר במוחנו?

אולי לא. ייתכן שדווקא מחשבים עצביים בעלי מיליארד מעבדים יבהירו לנו עד כמה נואל הנסיון ליצור חיקוי מכני של מוח ביולוגי. ואף על פי כן, באיזשהו מקום מקננת התקווה (או החשש) שהבינה המלאכותית בכל זאת אפשרית, שמכונות עצביות אלו יֵדעו בבוא העת לא רק להתמודד עם “הקופסה בתוך העט”, כי אם גם להחליף ביניהן מידע במהירויות של ביליוניות השנייה, ואולי גם לתכנן את יורשיהן. מה יעלה בגורל האדם אז? האם יחוש כנשר שנקלע ללהק של מטוסי סילון, או שמא יעלה בידו ליצור מציאות מלאכותית, הבנויה מהדמיות ממוחשבות שיאפשרו לו לחיות חיים כמו־מלאים בלי לצאת מגבולות מוחו ומחשבתו? על כך, בהזדמנות אחרת.