Теперь нужно задать сложный вопрос. Биологи, нейробиологи и специалисты в области компьютерных наук дадут вам несколько разные ответы, но, в конце концов, их объединяет одна тема: мозг действительно, действительно, действительно сложный.
Биология добилась прогресса в создании мозга - в конце 2020 года ученые из Кембриджа объявили, что они вырастили искусственные ткани, известные как органоиды, которые вели себя нейробиологически как мозговая ткань. Этот шаг знаменует собой веху в понимании того, как мозг развивается в течение жизни, поскольку теперь мы можем учиться на “мозгах из пробирки”.
Ученые-компьютерщики рассказывают другую историю, одну из ИИ и стремление воспроизвести человеческий интеллект в компьютерных программах. Усилия здесь были плодотворными, но прогресс замедляется. Чтобы по—настоящему построить человеческий мозг, нужно немного того, чего у нас пока нет - новых знаний о мозге, его частях и таинственных способах его работы.
Старые времена нейробиологии: чему мы научились до сих пор
Когда-то психологи, нейробиологи, врачи и нейробиологи были больше всего заинтересованы в понимании мозга как человеческого органа. Как кусок розовой плоти автономно управляет большинством наших повседневных функций, а также служит центром сознательного мышления, общения и хранения памяти? Мы так много не знали (и до сих пор не знаем) о мозге.
В то время, когда такие технологии, как ФМРТ, были недоступны, а местоположение мозга нельзя было напрямую сопоставить с физиологическими функциями, мозг, по сути, был черным ящиком. Мы ничего не знали об этом — только то, что он принимал входные сигналы от остальной части тела и координировал выходные сигналы для управления реакциями организма.
По мере развития нейротехнологий за последнее столетие мы начали получать более четкие представления о мозге, его физиологии и многих его тайнах. Чем больше мы узнаем, тем больше понимаем, что раньше не знали. Откуда берется сознательная мысль? Как нейронная архитектура уступает место сложным когнитивным процессам, которые мы используем каждый день?
Ведутся исследования, чтобы разобраться в сути некоторых из этих вопросов. Один из таких проектов является побочным продуктом знаменитого проекта Human Genome Project, называемого Human Connectome Project (HCP). В рамках совместных усилий HCP надеется нанести на карту каждую нейронную связь в мозге взрослого человека, тем самым создав полную электрофизиологическую карту мозга, которая может быть использована для ответа на некоторые из нерешенных вопросов, которые у нас есть. Но мы в световых годах от этой реальности — коннектом только одного организма был полностью отображен: C. elegans (круглый червь), всего около 300 нейронов. В человеческом мозге их почти в миллиард раз больше. Полное отображение коннектома человека, вероятно, займет невероятное количество времени, но, вооружившись ключевой информацией о полной нейронной архитектуре человека, мы, возможно, будем готовы сделать первые шаги к реконструкции мозга в лаборатории.
Черные ящики и компьютерная революция
Сообщество ИИ использует несколько иной подход к пониманию интеллекта. Вместо того чтобы изучать мозг таким, каков он есть, они спрашивают, могут ли они создать свою собственную версию мозга, используя то, что мы знаем о мозге на данный момент. Используя ключевые принципы нейропсихологии, касающиеся обучения и памяти, ученые-компьютерщики пытаются создавать программы, отражающие то, что мы знаем об архитектуре мозга, и позволяют этим программам учиться на основе данных для создания своего рода интеллекта. Таким образом, они рассматривают мозг как черный ящик
Черные ящики - это системы, о которых мы ничего не знаем внутри, за исключением набора входных данных и их выходных данных. Как бы мы ни старались, черные ящики часто слишком сложны для расшифровки. Имея 86 миллиардов нейронов, можно с уверенностью сказать, что мозг имеет гораздо более сложную архитектуру, чем можно себе представить. Однако мы с надежной точностью знаем, как предсказать результаты работы мозга на основе входных данных. Мы знаем, что когда человеку предъявляются определенные внешние стимулы, на ФМРТ могут загораться различные области мозга, что указывает на широкий спектр нервных реакций.
Хотя во многих случаях может быть достаточно описать черные ящики просто в терминах их свойств ввода-вывода, это просто не всегда подходит. Эта проблема имеет некоторые интересные последствия как для сообществ нейробиологов, так и для сообществ искусственного интеллекта, которых я скоро коснусь.
Изначально компьютеры были созданы для того, чтобы помогать людям быстрее решать сложные задачи. Мы бы занялись обдумыванием, а они бы занялись подсчетом трудных чисел. Но смена парадигмы произошла в конце 1900—х годов, когда мы решили, что компьютеры должны уметь думать так же, как мы, - это позволило бы решать сложные задачи еще быстрее. Мы хотели, чтобы они учились. Мы хотели, чтобы они подходили к проблемам так, как это сделал бы человек, а не так, как это сделала бы машина. И поэтому мы обучили их и создали так, чтобы они учились, и теперь у нас есть алгоритмы, которые делают именно это. Всего за последние несколько десятилетий прогресс в таких областях, как машинное обучение и искусственный интеллект, резко возрос, поскольку мы стремимся воссоздать сознательную, интеллектуальную обработку данных за пределами человеческого мозга.
Многие из этих алгоритмов обучения используют нейронные сети, подобные приведенной ниже схеме. Это вычислительные структуры, разработанные для имитации нейронной архитектуры самого мозга. Ниже приведен пример такой нейронной сети, которая принимает некоторые входные данные извне (показано зеленым цветом), передает их через несколько раундов вычислений и вычислений (показано синим цветом) и возвращает выходные данные (показано фиолетовым цветом).
Комбинация множества различных входных данных и нескольких уровней промежуточных вычислений приводит к “глубокому” обучению. Эти сети могут быть показаны аналогично описанной выше простой сети, но будут иметь много параллельных слоев синих промежуточных “нейронов”, которые помогают в обработке. Алгоритмы глубокого обучения когда-то были выдумкой, но теперь используются для выполнения небольших задач, таких как классификация и описание изображений. Что гораздо интереснее, чем их вычислительная мощь, так это их сходство с самим мозгом. Сети глубокого обучения не такие сложные, как человеческий мозг, но было показано, что они ведут себя аналогичным образом. Исследования показали, что некоторые модели глубокого обучения потенциально могут служить элементарными представлениями сенсорной коры, набора областей мозга, участвующих в обработке ощущений. Короче говоря, алгоритмы глубокого обучения могут обрабатывать визуальную информацию очень похоже на то, как это делает человеческий мозг.
Итак, очевидно, что мы добиваемся успехов в этой области. Но все же мы должны задать вопрос: когда мы сможем создать настоящие мозги?
Не в ближайшее время…
Довольно удручающий ответ, но, тем не менее, верный. Первым шагом к воссозданию интеллекта вне человеческого тела является разработка алгоритма, который думает, учится и ведет себя как человек. И первым шагом к этому, вероятно, было бы выяснить, как мозг вообще делает что-либо в этом направлении.
Мы совершенно уверены, что мозг работает как очень сложные нейронные сети, по крайней мере, для некоторых целей. У них много уровней вычислений, они пространственно организованы и имеют невообразимое количество соединений. Они намного сложнее, чем любая запрограммированная нами нейронная сеть. Но мы могли бы сначала попытаться понять простые нейронные сети, которые у нас есть.
В этом и заключается проблема. Нейронные сети, которые у нас есть, часто сами ведут себя как черные ящики. Они принимают входные данные и выдают выходные, но мы не имеем ни малейшего представления о том, что происходит между ними. Мы можем обучить эти алгоритмы работать лучше, но внутренняя работа иногда слишком сложна для нас, чтобы ее расшифровать.
Таким образом, мы даже не можем разбить все имеющиеся у нас простые модели. Вдобавок ко всему, появляется все больше свидетельств того, что некоторые особенности алгоритмов обучения на основе нейронных сетей отсутствуют в человеческом мозге, и наоборот. Ключевым примером является принцип обратного распространения. В алгоритмах обучения мы можем кодировать шаги, которые позволяют сети настраивать себя на основе минимизации ошибок, допущенных между прогнозируемыми и наблюдаемыми результатами. Эта обратная связь называется обратным распространением и является важной особенностью многих различных схем нейронных сетей. Интересно, что нет убедительных доказательств того, что такой механизм так же актуален в человеческом мозге.
И наоборот, есть функции мозга, которые еще не были воспроизведены в искусственных нейронных сетях. В некотором смысле кажется, что мы подошли к основанию непреодолимой проблемы. Что нам делать дальше?
Возможно, у нас никогда не будет вычислительной мощности для реконструкции мозга in silico. У нас может не хватить вычислительных мощностей, чтобы исследовать каждую деталь коннектома мозга. Это не значит, что мы не должны продолжать попытки.
Это также не означает, что нет других способов достичь того, чего мы хотим. Нам часто напоминают о том факте, что биологическая эволюция полностью управляется случайными мутациями в нашем генетическом коде. Мы не были созданы для того, чтобы обладать интеллектом — это просто так получилось. Не было пути, по которому нужно было идти, и все же мы все равно оказались там, где мы есть сегодня.
Искусственный интеллект будет развиваться аналогичным образом. Частично управляемый людьми, но развивающийся и сам по себе. Модели обучения будут основываться друг на друге и станут более сложными. Технология даст нам беспрецедентную вычислительную мощность, что позволит нам создавать более крупные и глубокие нейронные сети.
Мы не построим человеческий мозг. Но мы подберемся так близко, как только сможем.