Алан Джасанов - Мозг - прошлое и будущее [Что делает нас теми, кто мы есть]

Нейрофизиологи рассказывают и о сетях, решающих гораздо более сложные задачи, чем математический анализ: они обеспечивают распознавание предметов, принятие решений и сознание как таковое. И хотя ученые еще не сумели выявить нейронные сети, которые совершают эти операции, им удалось зарегистрировать у нейронов признаки подобных сложных расчетов. Для этого частота потенциалов действия нейронов сравнивалась с решением поведенческих задач на выходе. В пример можно привести классический цикл экспериментов по изучению нейронных механизмов обучения, которые провел Вольфрам Шульц из Кембриджского университета на основании данных, полученных из мозга обезьян при помощи электродов. Группа под руководством Шульца изучала, как обезьяны учатся связывать конкретный визуальный стимул с последующей наградой (им давали фруктовый сок), – похожий эксперимент проводил Павлов со своими собаками [78] W. Schultz, «Neuronal reward and decision signals: From theories to data», «Physiological Reviews» 95 (2015): 853–951. . У обезьян возникали потенциалы активности у дофамин-содержащих нейронов в отделе мозга, который называется «вентральная область покрышки», и поначалу это происходило, когда обезьяны получали сок. Но после того, как обезьяны несколько раз видели визуальный стимул и получали сок, дофаминовые нейроны начали «выстреливать» при появлении стимула – то есть еще до сока. Это показывает, что нейроны научились «предсказывать» награду, следовавшую за каждым стимулом. Примечательно, что поведение дофаминовых нейронов в этой задаче очень похоже на вычислительный алгоритм из области машинного обучения [79] Richard S. Sutton and Andrew G. Barto, «Reinforcement Learning: An Introduction» (Cambridge, MA: MIT Press, 1998). . Сходство между абстрактным методом машинного обучения и реальными биологическими сигналами наталкивает на мысль, что мозг обезьяны, вероятно, применяет нейронные сети для исполнения алгоритма, похожего на компьютерный.

Между электроникой и активностью, приписываемой мозгу, есть и другие параллели. Например, нередко говорят, что частота потенциалов активности кодирует информацию , и ссылаются при этом на теорию, которую разработал в 40-х годах XX века Клод Шеннон для описания надежности коммуникаций в электронных системах наподобие радиоприемников и телефонов [80] Claude E. Shannon and Warren Weaver, «The Mathematical Theory of Communication» (Urbana: University of Illinois Press, 1998; перевод на русский язык см. в сб. «Работы по теории информации и кибернетике» (Москва: ИИЛ, 1963), пер. С. Карпова. . Теория информации Шеннона постоянно используется в инженерном деле и информатике для измерения того, с какой надежностью входящие данные соответствуют исходящим. В сущности, мы сталкиваемся с теорией информации, когда сжимаем мегапиксельные фотографии в килобайтовые jpeg-изображения, не теряя деталей, или передаем файлы по Ethernet-кабелям дома или на работе. Чтобы такие задачи хорошо исполнялись, инженерам надо подумать, как лучше всего распаковывать сжатые данные цифровых изображений и как быстро и точно понять и декодировать сигнал, переданный по кабелю, при каждой загрузке и выгрузке. Подобные проблемы тесно связаны с вопросами сохранения данных в биологической памяти и своевременной передачи по нервным волокнам в мозг потенциалов действия, содержащих сенсорную информацию. Для численного описания функционирования нейронов исключительно полезны математические модели теории информации и обработки сигналов в целом [81] Fred Rieke, David Warland, Rob de Ruyter van Steveninck, and William Bialek, «Spikes: Exploring the Neural Code» (Cambridge, MA: MIT Press, 1997). .

Когда мы представляем себе мозг как электронное устройство, то совершенно естественно анализировать данные о работе мозга при помощи инженерных методов, например, теории информации или моделей машинного обучения. В некоторых случаях аналогия «мозг-компьютер» заводит исследователей еще дальше – заставляет сопоставлять отделы мозга с макро-деталями компьютера. В книге, вышедшей в 2010 году, нейрофизиологи Рэнди Гэллистел и Адам Кинг утверждают, что в мозге должно быть оперативное запоминающее устройство, как у прототипического компьютера – машины Тьюринга [82] C. R. Gallistel and Adam Philip King, «Memory and the Computational Brain: Why Cognitive Science Will Transform Neuroscience» (Hoboken, NJ: Wiley-Blackwell, 2010). . Машина Тьюринга перерабатывает данные, записывая и считывая нули и единицы на ленте, и операции считывания и записывания совершаются в соответствии с набором правил в машине («программой»), а лента и есть машинная память, аналогичная дискам или полупроводниковым микросхемам памяти в современных персональных компьютерах [83] A. M. Turing, «On computable numbers, with an application to the Entscheidungsproblem», «Proceedings of the London Mathematical Society» s2–42 (1937): 230–265. . Гэллистел и Кинг полагают, что если все хорошие компьютеры основаны на подобных механизмах запоминания, значит, и мозг тоже. Таким образом, авторы ставят под вопрос современную догму, что основа биологической памяти лежит в изменениях синаптических связей между нейронами – такую модель трудно уподобить памяти по Тьюрингу: по их мысли, такой синаптический механизм слишком медленный и негибкий, несмотря на то что его подтверждает колоссальное количество экспериментальных данных [84] S. Tonegawa, X. Liu, S. Ramirez, and R. Redondo, «Memory engram cells have come of age», «Neuron» 87 (2015): 918–931. . Хотя гипотеза Гэллистела и Кинга не общепринята, все же это примечательный пример того, как аналогия «мозг-компьютер» берет верх даже над теориями, выведенными из наблюдений. Когда смотришь сначала на мозг, потом на компьютер, потом снова на мозг, и вправду трудно понять, что из них что вдохновило.