Автор — Алиса Годованец
В марте 2025 года вышел первый номер нового научного журнала AI in Neuroscience. Он полностью посвящён пересечению искусственного интеллекта (ИИ) и нейронаук. В приветственной редакционной статье отмечается, что сегодня ИИ проникает во все субдисциплины нейронауки – от когнитивных исследований до молекулярной нейробиологии. Такой мультидисциплинарный подход подчёркивает важность синергии между ИИ и исследованиями мозга. Во многом взаимное влияние этих направлений стало ключом к прорывам последних лет.
Фактически под «нейротехнологиями» сейчас понимают сразу два направления: с одной стороны, это сами системы искусственного интеллекта, смоделированные по образцу работы мозга; с другой – инструменты для изучения мозга, нередко использующие ИИ. Ниже мы рассмотрим, как открытия нейронаук влияли на развитие ИИ – от первых математических моделей нейронов до современных глубоких сетей и трансформеров. А также расскажем, как современные алгоритмы ИИ помогают продвигать нейронауку.
Исторические вехи на пересечении нейронаук и ИИ
Современный ИИ во многом вырос из попыток понять и смоделировать работу мозга. Ещё в 1943 году нейрофизиолог Уоррен Маккалок и математик Уолтер Питтс опубликовали первую математическую модель искусственного нейрона. Их работа показала, что, соединяя простые формальные „нейроны“ в сеть, можно реализовать вычисление любых комбинационных логических функций. Это был революционный вывод: мозг можно описывать в терминах информационных операций, а простейшие элементы (нейроны) обладают большой вычислительной мощностью.
В те же годы нейрофизиологи, такие как Алан Ходжкин и Эндрю Хаксли, экспериментально исследовали биофизику нейронов. В 1952 году они предложили количественную модель электрического импульса (потенциала действия) в нервной клетке, описав динамику ионных токов через мембрану. Модель Ходжкина–Хаксли стала фундаментом для понимания нейронного сигнала и удостоилась Нобелевской премии. Благодаря ей учёные убедились, что деятельность нейрона поддаётся математическому описанию. Это вдохновило разработчиков вычислительных моделей мозга. Подробное понимание нейронных сигналов, полученное из этой модели, во многом подготовило почву для алгоритмов, имитирующих эти биологические процессы.
В 1958 году психолог Фрэнк Розенблатт, опираясь на идеи Маккалока–Питтса и данные нейрофизиологии, создал первую обучаемую нейронную сеть – персептрон. Он представлял собой простейшую модель узнавания образов: сеть из искусственных нейронов, способная настраивать (обучать) свои веса на основе примеров. Розенблатт явно стремился отразить архитектуру зрительной системы: входной слой персептрона имитировал «сетчатку», скрытые нейроны – ассоциативные зоны коры, а выходы – реакцию (например, распознавание буквы). На схеме ниже показано сравнение организации участков мозга и слоёв персептрона из его работы 1960-х годов – фактически, одна из первых попыток аппаратно воспроизвести нейросеть, вдохновлённую зрительной корой.
Персептрон Розенблатта мог обучаться распознавать простые образы (например, геометрические фигуры) и стал одной из первых ИИ-систем, напрямую вдохновлённых нейробиологией. Однако ранние версии персептрона имели ограничения – например, однослойный персептрон не справлялся с задачами, которые не линейно разделимы (простейший пример – XOR). В 1969 году Марвин Мински и Сеймур Пейперт в книге “Perceptrons” строго показали ограничения таких простых сетей, что охладило интерес к нейронным сетям на десятилетия. Наступил период, известный как «AI Winter» (зима искусственного интеллекта), когда интерес к нейронным сетям существенно снизился, уступив место символическим методам (логическим системам, экспертным системам и пр.)
Ренессанс Нейросетей
Возрождение «нейросетевого» подхода произошло в 1980-х. Исследователи обнаружили алгоритм, позволяющий обучать многослойные нейронные сети – метод обратного распространения ошибки (backpropagation). Дэвид Румелхарт, Джеффри Хинтон и Рональд Уильямс показали, что многослойная сеть может самостоятельно настраивать веса внутренних нейронов, минимизируя ошибку на выходе, почти как мозг корректирует поведение на основе обратной связи. Эта работа революционизировала область: сети с несколькими скрытыми слоями научились распознавать сложные нелинейные зависимости, что было недоступно персептрону Розенблатта. Появились удачные приложения: многослойные сети стали использовать для распознавания рукописных цифр, речи, управления роботами. Нейронные сети вновь стали центральной моделью ИИ, отчасти благодаря аналогиям с мозгом – идее о том, что интеллект может «эмергировать» из слоя простых взаимосвязанных элементов (нейронов). Одновременно нейробиологи продолжали продвигаться в понимании мозга – например, открытие механизмов синаптической пластичности (правила Хебба 1949 г., феномен долговременной потенциации 1973 г. и др.) предлагало объяснения, как изменяются связи между нейронами при обучении, что вдохновляло новые алгоритмы в ИИ.
В 2010-х годах произошёл новый качественный скачок – эпоха глубокого обучения. Резкий рост вычислительных мощностей и данных позволил обучать нейросети с десятками и сотнями слоёв (deep neural networks), достигая поразительных результатов в зрения и языке. В 2012 году свёрточная нейросеть выиграла конкурс ImageNet по распознаванию изображений, превзойдя классические алгоритмы. Свёрточные сети (CNN), предложенные ещё в 1980-е Я. Лекуном и др., архитектурно вдохновлены зрительной корой: они используют локальные рецептивные поля и слои детекторов признаков, подобно тому как первичные нейроны зрительной коры реагируют на элементы изображения. Оказалось, что такие сети не только эффективны практически, но и частично воспроизводят принципы обработки информации в мозге. Например, представления внутренних слоёв CNN грубо соответствуют представлениям в коре: ранние слои сети извлекают простые черты (как V1), а поздние – сложные образы, соотносимые с нейронами высших отделов зрительной системы. Это позволило нейрофизиологам использовать CNN как in silico модели для понимания работы визуальной системы.
В области анализа последовательностей и языка ключевым прорывом стала архитектура «трансформер» (2017 г.). Трансформеры ввели механизм внимания (attention), позволяющий модели выделять наиболее значимые части входных данных при обработке длинной последовательности. Хотя исходно этот механизм был предложен для машинного перевода текста, по сути, он перекликается с понятием внимания в нейронауках – динамическим перераспределением ресурса обработки на наиболее важную информацию.
Современные большие языковые модели основаны на трансформерах, и их способность к «вниманию» отдалённо напоминает когнитивное внимание человека. Таким образом, к середине 2020-х развитие ИИ, с одной стороны, достигло впечатляющих высот автономно – глубокие сети могут превосходить человека в узких задачах, – но с другой, на каждом историческом этапе оно было подкреплено вдохновением идеями нейронаук. Как отмечают исследователи, ИИ начинался под влиянием нейробиологии, но сегодня достиг выдающихся результатов во многом независимо от неё. Тем не менее, связи между этими областями снова укрепляются – мы наблюдаем новую волну сотрудничества, когда нейробиологи черпают объяснения в успешных ИИ-моделях, а создатели ИИ обращаются к устройству мозга в поисках свежих идей.
Биологический нейрон и искусственный нейрон: от природы к формуле
Одной из самых прямых идей заимствования из нейронаук стала модель искусственного нейрона, положенная в основу нейронных сетей. Биологический нейрон – это высокоспециализированная клетка мозга, которая принимает сигналы через разветвлённые отростки (дендриты), интегрирует их в клеточном теле (соме) и при достаточной суммарной активации генерирует электрический импульс (потенциал действия) по выходному отростку (аксону). На конце аксона сигнал передаётся другим нейронам через синапсы – специализированные соединения, где химические медиаторы вызывают возбуждение или торможение следующей клетки. Искусственный нейрон упрощённо имитирует эту цепочку событий.
В математической модели искусственного нейрона каждый входной сигнал — x₁, x₂, ..., xₙ — поступает через «синапсы», каждый из которых имеет определённый вес — w₁, w₂, ..., wₙ. Эти веса определяют значимость каждого входа. Кроме того, в модель вводится дополнительный параметр — смещение (обозначенное на схеме как w₀), которое играет роль порога активации. Все взвешенные входы суммируются вместе со смещением, образуя суммарный сигнал S. На этом этапе происходит вычисление:
S = x₁·w₁ + x₂·w₂ + ... + xₙ·wₙ + w₀.
Затем к полученной сумме применяется функция активации F(S), которая формирует итоговый выход Y нейрона. Эта модель повторяет общий принцип биологических нейронов: накапливать входные сигналы и активироваться при достижении определённого порогового значения.
В исходной модели персептрона, предложенной Фрэнком Розенблаттом, функция активации f была пороговой («ступенькой»): если сумма превышала заданный порог, нейрон активировался (выход = 1), иначе он оставался неактивным (выход = 0). Этот подход напоминает биологический принцип порогового потенциала нейронов, которые генерируют импульс только при достижении определённого уровня возбуждения. В современных нейронных сетях чаще используются плавные нелинейные функции активации, такие как сигмоидальная, гиперболический тангенс или функция ReLU (Rectified Linear Unit), однако основной принцип работы искусственного нейрона остаётся неизменным: каждому входному сигналу соответствует вес, отражающий важность этого сигнала, нейрон суммирует все входящие сигналы с учётом их весов и принимает решение об активации на основе нелинейной
Важно подчеркнуть, насколько эта модель упрощена по сравнению с настоящим нейроном мозга. Биологический нейрон – сложнейшее устройство: у него десятки тысяч синапсов с нелинейными свойствами, дендриты могут выполнять локальные вычисления, импульсы – это не цифры, а временные события (спайки), а связь между нейронами модифицируется множеством биохимических механизмов. Однако именно простота модели сделала искусственные нейронные сети вычислимо эффективными. Исследователи сознательно абстрагировали главное: нейрон как вычислитель взвешенной суммы с нелинейным порогом. Эта абстракция оказалась достаточно мощной, чтобы решать практические задачи и обучаться на данных. При этом она сохраняет биологическую интерпретацию: входные сигналы сети можно уподобить импульсам, веса – силе синаптических связей, порог – возбудимости нейрона, а функцию активации – частоте или вероятности генерации импульса.
Таким образом, искусственная нейронная сеть есть не что иное, как грубая математическая имитация нейронной сети биологической – совокупности связанных узлов, каждый из которых выполняет простое суммирующее преобразование входов и передаёт результат дальше.
Глобальные принципы работы биологического и искусственного нейрона во многом схожи: поступление сигналов –> их взвешенное суммирование –> пороговое возбуждение –> передача сигнала дальше. Именно поэтому нейронные сети – столь удачная метафора мозга. Однако есть и существенные отличия (рассмотрим их далее): реальный нейрон работает с непрерывными во времени импульсами, обладает «памятью» в виде внутренних состояний и сложной биохимической регуляцией, тогда как искусственный нейрон оперирует упрощёнными числовыми значениями на дискретных шагах. Тем не менее, даже простая модель позволила воспроизвести важнейшее свойство мозга – обучаемость через изменение связей. В нейронных сетях обучение происходит путём настройки весов. Аналогично в мозге – обучение сопровождается изменениями эффективности синапсов (усиление или ослабление связи между нейронами). Такой процесс называется синаптической пластичностью, и именно он вдохновил алгоритмы обучения в ИИ. Например, знаменитое правило Хебба (1949) гласило: «нейроны которые вместе включаются — вместе соединяются» (“neurons that fire together, wire together”) – в формализованном виде это привело к появлению алгоритмов самоорганизации и корреляционного обучения в сетях (хотя в практических глубоких сетях сейчас используется градиентный спуск, далекий от локального правила Хебба). Биологические принципы – суммирование сигналов и пластичность связей – стали краеугольными камнями искусственных нейронных сетей.
Мозг и ИИ: ключевые различия
Несмотря на сходство базовых идей, современный искусственный интеллект существенно отличается от человеческого мозга по устройству и возможностям.
Архитектура и организация. Мозг – это неравномерная, иерархически организованная, но крайне переплетённая сеть из ~86 миллиардов нейронов, где память и обработка распределены по одними и тем же элементам. В компьютере и типичной ИИ-системе, напротив, память (хранение данных) отделена от процессора (вычислителя) – данные переносятся между ними, что накладывает ограничения по скорости и энергии. В мозге же «память вплетена в вычисление» – нейроны хранят информацию в своих синапсах и одновременно обрабатывают сигналы, благодаря чему достигается колоссальная эффективность. Кроме того, мозг работает асинхронно и параллельно: миллиарды нейронов активны одновременно, каждый со своей «частотой». Искусственные сети чаще действуют синхронно по шагам и имеют гораздо меньше параллелизма (хотя современные графические процессоры несколько приближаются к параллельной работе мозга). Больше того, связи в мозге образуют сложные рекуррентные петли – информация многократно циркулирует между разными зонами. Напротив, во многих ИИ-алгоритмах информация течёт строго вперёд (feedforward) от входа к выходу. Хотя существуют рекуррентные нейросети, их топология всё равно проще: мозг не разделён на чёткие слои, в то время как искусственная сеть обычно имеет явные уровни (входной, скрытые, выходной) и намного меньше узлов. Например, даже крупные модели вроде GPT-3 содержат порядка 10^11 параметров (соизмеримо с числом синапсов у мыши, но в 1000 раз меньше, чем у человека), и их внутренняя архитектура – упорядоченная матрица слоёв. Мозг же содержит специализированные модули (зрительная кора, гиппокамп, мозжечок и т.д.), соединённые множеством путей. Таким образом, аппаратные «схемы» мозга и компьютера разительно различаются, и это отражается в различиях ИИ и биологического интеллекта.
Обучение и адаптация. Человеческий мозг обладает поразительной способностью учиться в режиме онлайн: мы извлекаем уроки из единичного примера, продолжаем учиться всю жизнь без перезагрузки и не забываем ранее выученное при освоении нового. Современные же ИИ-системы обучаются совсем иначе. Во-первых, большинству моделей требуется огромное число повторений: чтобы надёжно распознать образ или выучить игру, нейросеть прогоняет тысячи или миллионы примеров. Человек нередко обучается с одного предъявления – ребёнку достаточно один раз увидеть новое животное, чтобы запомнить его образ. Мозг значительно превосходит ИИ в эффективности обучения на малом числе данных. Исследования подтверждают, что мы способны запоминать новые сведения, увидев их единожды, тогда как искусственные системы требуют сотен повторов тех же данных для схожего усвоения. Во-вторых, мозг обучается без явного «учителя» – большая часть знаний приобретена через самообучение и наблюдение, с периодическим подкреплением (наградами и наказаниями). Многие же ИИ-модели обучаются с учителем на заранее размеченных наборах данных. Наконец, мозг умеет обучаться непрерывно, сохраняя старые навыки. Добавляя новую информацию, мы обычно не забываем предыдущую – например, изучение нового языка не стирает память о родном языке. В искусственных нейросетях есть печально известная проблема катастрофического забывания: при дообучении на новых данных сеть часто деградирует в уже выученных задачах, «забывая» ранее полученные знания. Биологический мозг как-то справляется с этой проблемой – видимо, за счёт особых механизмов пластичности. Экспериментально показано, что наш мозг поддерживает баланс между стабильностью и пластичностью, возможно, за счёт сложной многомасштабной регулировки синапсов (понятие метапластичности – способность менять саму степень пластичности под влиянием нейромодуляторов). В ИИ сейчас активно внедряют приёмы, вдохновлённые этими находками: например, алгоритмы, ограничивающие изменение важных весов (Elastic Weight Consolidation) или имитирующие повторение опыта, как это делает мозг во сне, чтобы избежать забывания. Тем не менее пока ни одна нейросеть не умеет учиться столь же универсально и непрерывно, как это делает мозг. Даже лучшие модели узкоспециализированы: система, распознающая речь, не может вдруг научиться управлять роботом без полной перенастройки. Человеческий же интеллект – общий: мы применяем одни и те же когнитивные ресурсы к самым разным задачам. В этом смысле ИИ остаётся узким, специальным интеллектом.
Энергоэффективность и скорость. Мозг поражает своей эффективностью: он потребляет всего ~20 Вт энергии – примерно как лампочка, – при этом выполняя порядка 10^14 операций в секунду совокупной активности нейронов. Современные же модели ИИ требуют на порядки больше энергии. Обучение больших нейросетевых моделей проходит на тысячах высокопроизводительных GPU и потребляет мегаватт-часы энергии. Например, дата-центры, где работают ИИ-системы, уже занимают 1–1.5% мирового энергопотребления, и к 2027 году только новые серверы для ИИ могут потреблять свыше 85 ТВт·ч ежегодно – больше, чем целые малые страны. В то же время мозг использует свои ресурсы куда экономнее – он изначально оптимизирован на энергоэффективность эволюцией. Секрет частично в том, что нейроны кодируют информацию дискретными импульсами и тратят энергию только на реальные события (спайки), тогда как цифровой процессор тратит энергию при каждом такте вне зависимости от полезных операций. Кроме того, архитектура мозга, где память совмещена с вычислением, избегает постоянного переноса данных между оперативной памятью и CPU, что в компьютерах «съедает» львиную долю энергии. Поэтому одна из целей современных исследований – создать нейроморфные чипы, работающие подобно мозгу, чтобы приблизиться к его энергоэффективности. Пока традиционные ИИ-модели на порядки менее эффективны: оценивается, что мозг решает аналогичные задачи в тысячи раз энергоэкономнее, чем глубокие сети на кремниевых чипах.
Универсальность vs. специализация. Мозг – результат миллионов лет эволюции, и в нём заложены механизмы для самых разных поведенческих актов: от зрительного распознавания до абстрактного мышления. Человек легко переключается между задачами благодаря общей архитектуре, может по аналогии переносить знания из одной области в другую. Искусственный интеллект пока так не умеет (за исключением самых первых шагов к мультимодальным моделям). Каждая нейросеть обучается для своего узкого домена и вне его бессильна. Шахматная программа великолепно играет в шахматы, но не поймёт текст. В этом смысле мозг – агент общего интеллекта, а современные ИИ – это специалисты. Более того, мозг обладает самосознанием, эмоциями, мотивацией – аспектами, которых у машин нет. Конечно, прямое сравнение не совсем корректно: ИИ не ставил целью воспроизвести всё богатство психики. Тем не менее, различие очевидно: биологический интеллект – продукт биологической эволюции, с присущими ей чертами (приспособляемость, многофункциональность, способность к творчеству и саморефлексии), а ИИ – инструмент, созданный человеком под конкретные вычислительные задачи, оптимизированный на точность и скорость в узкой области.
Подводя итог, можно сказать, что мозг – это не просто «биологический компьютер», а куда более сложная, гибкая и энергоэффективная система. Искусственные же нейронные сети – лишь бледная тень тех процессов, что происходят в сером веществе. Эта разница и накладывает ограничения на ИИ, и открывает пространство для вдохновения: изучая, как иным путём мозг достигает того, что не умеет ИИ (например, учится быстро и не забывает старое), можно подсказывать новые алгоритмические решения. С другой стороны, ИИ, решая конкретные задачи, нередко идёт другими путями, чем мозг, – и это тоже урок для науки (об этом далее).
ИИ – самостоятельная дисциплина, вдохновлённая нейронауками
Важно понимать, что, хотя нейронауки исторически вдохновили создание искусственных нейронных сетей, современный искусственный интеллект не стремится детально симулировать мозг. Как метко отмечают в обзорах, ИИ начинался под влиянием нейробиологии, но сумел достичь впечатляющих успехов во многом независимо от. На практике разработчики ИИ используют те методы, которые дают лучший результат на задаче, даже если они не похожи на биологические. Например, алгоритм обратного распространения ошибки, обучающий сети, не имеет прямого биологического эквивалента – мозг, вероятно, не выполняет явных градиентных вычислений для корректировки связей. Тем не менее, backpropagation великолепно работает и позволил обучать глубокие сети – поэтому его используют, несмотря на биологическую неправдоподобность. Другой пример – архитектура трансформеров: она была придумана для эффективной параллельной обработки последовательностей и не основана на каких-то конкретных нейронных схемах мозга. ИИ-модели могут оперировать в совершенно иных режимах (например, с непрерывными дифференцируемыми активациями), чем спайковые нейроны. Таким образом, цель ИИ – не слепое копирование мозга, а решение задач интеллекта любыми доступными средствами. В истории технологий нередка аналогия: самолёты были вдохновлены полётом птиц, но люди не стали воссоздавать махающие крылья – вместо этого были открыты принципы аэродинамики и применены винты и турбины. Так же и в ИИ: человеческий мозг вдохновляет на общие принципы (нейронные сети, обучение с подкреплением, внимание и др.), но реализация может сильно отличаться.
ИИ стал самостоятельной научной дисциплиной, со своими теориями и абстракциями (информация, алгоритмы, данные), и далеко ушёл от чисто нейробиологической риторики. В 1970-х–80-х годах значительная часть исследований ИИ вообще не опиралась на нейрофизиологию: развивались экспертные системы, методы поиска, логические выводы – всё это шло от математической логики и информатики, а не от биологии. Даже «нейронные сети» во многом математический инструмент. Более того, некоторые открытия в ИИ произошли независимо и потом нашли параллели в мозге. Так, глубокие свёрточные сети достигли высокого уровня в распознавании образов, и уже постфактум нейрофизиологи обнаружили удивительное сходство между их работой и функционированием зрительной коры. Значит, сходные задачи могут приводить к сходным решениям (конвергентная эволюция идей) – но ИИ к этому пришёл сам, без прямого подглядывания в мозг. Ещё пример – внезапное «поведение» больших языковых моделей (например, порождение связного текста) не имеет непосредственного аналогичного механизма в мозге, однако демонстрирует зачатки «интеллекта». Это ставит вопрос о границах: сколь далеко может уйти ИИ, не копируя мозг? Многие считают, что для создания сильного ИИ, способного рассуждать, понимать контекст и обладать сознанием, всё же придётся глубже изучить принципы мозга и перенести их в машины. Но на данный момент ИИ-исследования идут как бы по двум дорогам: одна – инженерная, где главное достижение результата (там мозг – лишь источник общих идей), и вторая – нейроинспирированная, где новые алгоритмы черпаются из нейробиологических теорий. Эти дороги начинают сходиться снова, например в области глубокого обучения и нейронаук. Тем не менее принципиально ИИ не ставит своей задачей моделировать мозг во всех деталях. Скорее он черпает у нейронауки идеи для рывков вперёд, сохраняя свободу абстракции. Такое отношение формулируется так: «мозг как источник вдохновения, а не шаблон».
К счастью, подобный подход оказался продуктивным в обе стороны: ИИ-методы теперь активно помогают самой нейронауке. Рассмотрим эти точки взаимодействия более подробно.
Как ИИ помогает нейронауке
Синергия ИИ и нейронаук проявляется не только в том, что мозг вдохновляет новые алгоритмы. Обратная сторона – современные модели искусственного интеллекта стали мощным инструментом для исследований мозга. Нейробиология в последние годы переживает взрыв данных: высокочувствительные методы позволяют регистрировать активности тысяч нейронов одновременно, получать мозговые изображения с высоким разрешением, собирать геномные и протеомные данные о нейронных связях. Анализ такого объёма и сложности информации не под силу традиционным статистическим методам – здесь на сцену выходит машинное обучение. Ниже перечислим несколько ключевых областей, где ИИ сейчас продвигает нейронауку.
Анализ нейрофизиологических данных. Глубокое обучение совершило переворот в обработке снимков мозга (МРТ, КТ, микроскопия) и нейрофизиологических сигналов (ЭЭГ, нейронные импульсы). Сверточные сети и другие модели позволяют автоматически выявлять тончайшие паттерны активности, связывать их с функциями или патологиями. Например, в клинической нейронауке ИИ-модели объединяют разнородные данные – МРТ, ПЭТ, генетические маркеры, анализ крови – для диагностики и прогноза заболеваний. Такие мультимодальные модели уже превосходят отдельные показатели в точности ранней диагностики нейродегенеративных болезней, прогноза развития расстройств и т.д. В экспериментальной нейрофизиологии ИИ используют, чтобы разбирать сложные многомерные записи активности. Например, алгоритмы кластеризации помогают идентифицировать, какие нейроны задетектированы электродами, отделить их спайки от шума. Глубокие автоэнкодеры и факторизационные модели позволяют выявлять скрытые закономерности в больших массивах нейронных данных, уменьшая их размерность до интерпретируемых компонентов (например, выделяя общие режимы активности нейронных популяций). Совокупно машинное обучение стало неотъемлемой частью инструментария нейробиолога для работы с big data мозга.
Декодирование мозговой активности (BCI). Одна из самых впечатляющих областей – интерфейсы «мозг-компьютер» (BCI, brain-computer interface), где ИИ помогает переводить мысли в действия. Сложные нейросетевые декодеры обучаются распознавать, какие слова, образы или движения задумал человек, по его мозговым сигналам. В 2023 году сразу несколько групп представили системы, способные расшифровывать речь из мозговой активности. В одном случае нейросеть на основе fMRI сканирования смогла восстановить прослушиваемые человеком предложения с удивительной точностью. Это впервые показало возможность получать осмысленный текст из неинвазивных записей активности мозга. Конечно, до телепатии далеко – требуются часы обучения на конкретном человеке, предложения ограничены содержанием обучающих текстов, – но сам факт впечатляет. В параллельных исследованиях были достигнуты успехи с инвазивными электродными матрицами у пациентов, потерявших способность говорить (например, из-за БАС или инсульта). Алгоритмы глубокого обучения декодируют сигналы коры и синтезируют текст или речь, позволяя «озвучивать» мысли парализованных людей. В недавнем случае пациентка с полным параличом сумела общаться через аватар на экране, который говорил голосом, управляемым ее мозговыми сигналами, декодируемыми ИИ. Подробнее можно почитать тут и тут. Прорывы в BCI во многом стали возможны благодаря сочетанию высококачественных нейродатчиков и мощных моделей ИИ, которые распознают сложные паттерны в сигналах. Даже для полностью неинвазивных методов – ЭЭГ или fNIRS – разрабатываются глубокие сети, которые могут улавливать сигналы внимания, намерения движения или эмоционального состояния человека и использовать их для управления устройствами. Например, существуют коммерческие гарнитуры, позволяющие по ЭЭГ оценивать степень фокусировки оператора или давать простые команды (влево/вправо) – работают они, правда, с переменным успехом, но прогресс очевиден. Неотъемлемая часть таких систем – обучение модели на индивидуальных данных пользователя, что стало реально с ростом вычислительных мощностей.
Стоит отметить и противоположное направление: нейромодуляция с помощью ИИ. Это когда алгоритмы управляют стимуляцией мозга. Например, адаптивные нейростимуляторы при болезни Паркинсона или эпилепсии анализируют в режиме реального времени паттерны ЭЭГ и сами решают, когда подать электрический разряд для купирования патологической активности. Такие устройства фактически имеют встроенный элемент ИИ (фильтры, классификаторы), обученный различать «нормальные» и «патологические» состояния мозга. В будущем предполагается применять closed-loop системы стимуляции для лечения депрессии, хронической боли и других состояний – они будут персонализировано подстраиваться под пациента, используя методы обучения.
Моделирование и понимание работы мозга. ИИ служит не только практическим целям, но и теоретическому пониманию мозга. Когнитивные ученые и нейрофизиологи всё чаще используют глубокие нейросети как модели гипотез о мозге. Принцип таков: мы строим нейросеть, обучаем её решать ту же задачу, что решает животное или человек, и затем сравниваем, насколько внутренние представления сети соответствуют измерениям мозговой активности. Если сеть предсказывает нейронные паттерны, значит, заложенные в неё механизмы вычисления могут быть аналогичны тому, что делает мозг. Например, для зрительной системы приматов сейчас лучшими моделями являются именно глубокие CNN, обученные распознаванию объектов – оказалось, что активации нейронов сети на разные изображения коррелируют с активациями нейронов в разных зонах коры обезьяны. То есть сеть «видит» мир почти как реальный мозг. Это дает нейробиологам инструмент: можно анализировать нейросеть, визуализировать, что детектируют её нейроны, и проводить аналогии с мозгом. Такой аналитический ИИ помогает тестировать теории. К примеру, возникает вопрос: почему у нас в зрительной коре есть нейроны, реагирующие на лица? Обучив сеть распознавать лица, можно проверить, появляются ли в ней спонтанно «нейроны лица». Оказалось, что да – глубокие сети сами развивают селективность к лицам на одном из слоёв, даже если явно их не программировать. Это подтверждает гипотезу, что мозгу не нужны жёстко вшитые «детекторы лица», а достаточно общей обучающей правила – и специализация возникнет из данных. Подобные работы сейчас проводятся и для других модальностей: речевые модели сравнивают с нейронами слуховой коры, навигационные сети – с нейронами гиппокампа и т.д. Более того, сложные рекуррентные сети стали использовать как модели когнитивных функций: внимание, рабочая память, принятие решений. Исследователи строят сеть, которая, скажем, умеет удерживать информацию по образцу задачи на рабочую память, и смотрят, какие динамические режимы в ней возникают – затем ищут сходные режимы в префронтальной коре животных. Это новое направление – «computational psychiatry» и компьютерная когнитивная нейробиология, где модели помогают связать нейронные механизмы и наблюдаемое поведение. Например, разрабатываются нейросетевые симуляции внимания, памяти, исполнительных функций, которые дают количественные предсказания о том, как должен реагировать мозг в определённых тестах. Если предсказания расходятся с экспериментом – модель пересматривается. Таким образом, ИИ-модели играют роль «электронного двойника» мозга, на котором можно проверять гипотезы. Конечно, эти модели всё ещё упрощены и не учитывают всего многообразия биологии, но как инструмент для мыслительного эксперимента они бесценны.
Отдельно упомянем проект всестороннего моделирования мозга – Human Brain Project и подобные – где пытаются воссоздать работу мозга на компьютере на уровне нейронов. Там применяются как строгие биофизические модели (системы дифференциальных уравнений типа модели Ходжкина–Хаксли), так и элементы ИИ для оптимизации этих моделей. Искусственный интеллект ускоряет подбор параметров, анализ результатов больших симуляций. Хотя до полного «цифрового мозга» ещё далеко, ИИ становится связующим звеном между разными уровнями организации: например, алгоритмы интегрируют данные от микроскопии коннектомов (карты связей) и электрофизиологии, чтобы построить рабочую модель нейронной. В частности, нейросетевые модели помогают «сшивать» разрозненные данные – генетические, молекулярные, анатомические и функциональные – в единую картину, что человек вручную сделать с такой скоростью не в состоянии.
Новые открытия через ИИ. Есть и более философский аспект: ИИ может подсказать нам неожиданные аспекты работы мозга. К примеру, сети DeepMind научились играть в видеоигры лучше людей. Возник вопрос: а есть ли в мозге животных механизм, аналогичный тому, что сеть использует? Так, открытие дополнительных стратегий обучения сети привело к гипотезам о ранее неизвестных функциях дофаминовой системы мозга. Другой пример: большие языковые модели обучаются предсказывать слово по контексту. Некоторые когнитивные ученые теперь предполагают, что и человеческий мозг может значительную часть своей функции сводить к предсказанию будущих стимулов (теория «прогнозирующего кодирования»). Успехи GPT-моделей подкрепляют такие теории, демонстрируя, что просто предсказывая следующий элемент последовательности, система может неожиданно обретать знания о мире. Возможно, мозг использует схожий принцип в сенсорных областях. Иными словами, ИИ теперь выступает как эксперимент, заставляющий пересматривать понимание интеллекта: если кремниевая сеть может что-то делать без компонентов, которые мы считали необходимыми (например, без эмоций или без активного внимания), то действительно ли мозгу были нужны эти компоненты для той же функции, или они служат другому? Такие вопросы становятся предметом совместных обсуждений нейробиологов и специалистов по ИИ.
Необходимо добавить, что ИИ полезен и в прикладных аспектах нейронаук – от разработки новых лекарств до нейроэтики. Например, алгоритмы машинного обучения просеивают большие библиотеки молекул в поисках потегциальных средств от нейродегенерации. В нейроэкономике и социальных науках анализ больших данных (соцсетей, трекинга) с помощью ИИ помогает понять коллективное поведение и распространение информации, что по сути выходит на уровень «социального мозга». Наконец, с ростом возможностей ИИ возникла необходимость обсуждать нейроэтические вопросы: защита ментальной приватности (когда алгоритмы учатся декодировать мысли по fMRI, нужны законы о «невторжении в мысли»), пределы ответственности ИИ, вопросы сознания. В этом поле нейрофилософия переплетается с компьютерной этикой.
Заключительные мысли
Развитие искусственного интеллекта и нейронаук за последние десятилетия – это пример удивительно плодотворного симбиоза. С одной стороны, мозг вдохновил ключевые идеи ИИ: от самой модели нейронной сети до концепций обучения с подкреплением. Даже терминология – «нейронные сети», «синаптические веса», «пластичность» – пришла в информатику из нейробиологии. С другой стороны, ИИ дал нейронаукам мощные инструменты, позволившие анализировать и моделировать мозг с невиданной доселе точностью. Более того, современные ИИ-модели становятся своеобразными тестовыми полигоном для теорий интеллекта: успехи и неудачи машинного обучения подсказывают нейроучёным, на что обратить внимание в мозге, а новые нейрофизиологические данные приводят к улучшению алгоритмов. Мы видим, что, хотя пути биологической и искусственной эволюции интеллекта могут различаться, фундаментальные проблемы и решения часто оказываются схожими.
При всём взаимном влиянии важно сохранять трезвый взгляд: человеческий мозг остаётся куда более сложной, адаптивной и загадочной системой, чем любой современный компьютер. ИИ (пока) не обладает ни сознанием, ни самосознанием, ни жизненным опытом в том смысле, в котором мы их встречаем у живых существ. Попытки напрямую симулировать мозг (проекты вроде Blue Brain) сталкиваются с колоссальными трудностями. Поэтому разработчики ИИ выбирают автономный путь: берут идеи из нейронаук, но реализуют их на языке математики и кодов. Это приносит плоды – ИИ достиг сверхчеловеческого уровня во многих отдельных задачах, не становясь при этом «электронным мозгом» в биологическом смысле. В перспективе, дальнейшее сближение нейронаук и ИИ обещает новые прорывы. Возможно, изучение нейропластичности приведёт к созданию ИИ, который учится как ребёнок – быстро и непрерывно. Понимание внимательных сетей мозга поможет сделать ИИ более устойчивым к отвлекающей информации. Раскрытие тайн памяти и сна – возможно, ключ к ИИ, который не забывает и умеет творчески переосмысливать полученные знания. И наоборот, успехи ИИ, например в понимании естественного языка, могут подсказать нейролингвистам, как мозг реализует язык, – ведь если машина смогла, значит и мозг мог решать похожую задачу.
В марте 2025 года выход нового журнала AI in Neuroscience символизирует официальное признание: взаимодействие искусственного интеллекта и нейронаук стало самостоятельной междисциплинарной областью с большими надеждами и вызовами. Как отмечается в приветственной статье, границы между когда-то отдельными дисциплинами – когнитивной психологии, нейрофизиологией, вычислительной нейронаукой, клинической неврологией – стираются в попытке понять мозг и разум комплексно. Нельзя не согласиться: только объединив знания биологов о мозге и умение инженеров создавать обучающиеся алгоритмы, мы приблизимся к разгадке интеллекта – как естественного, так и искусственного.