Если иметь в виду чисто медицинские приложения - лечение болезней мозга (болезни Альцгеймера, Паркинсона, рассеянный склероз и т.п.) - то задача ясна: понять строение и функции мозга, чтобы эффективно предотвращать и лечить патологические нарушения. А если речь идёт об исследовании сознания?
Существует представление - физикализм - согласно которому сознание человека есть прямое следствие жизнедеятельности его мозга и полностью определяется его структурой и происходящими в нём процессами.
Эта точка зрения не единственная, но она, пока, преобладает в современной нейробиологии. Поэтому, если мы хотим понять сознание, то надо, прежде всего, изучить мозг, смоделировать его строение и работу.
Существуют два основных подхода к решению этой задачи:
1. Эмуляция всего мозга с целью создать его точную вычислительную модель. Это исключительно сложная задача, учитывая что в мозге порядка 90 млрд. нейронов и несколько триллионов синапсов (связей между нейронами). Такая работа требует огромных вычислительных мощностей и полного понимания коннектома (совокупности связей между нейронами).
2. Эксперименты с органоидным интеллектом (OI). Это использование человеческих нейронных органоидов (мини-мозгов, выращенных в лаборатории из стволовых клеток) для выполнения вычислительных задач, включая обучение, обработку информации и принятие решений.
Рассмотрим эти стратегии подробно.
Органоидный интеллект
Основная идея OI — использовать живые нейронные сети (в виде органоидов) как биологический процессор. Мотивацию разработчиков «биокомпьютинга» легко понять из сравнения человеческого и компьютерного интеллектов. Если по быстродействию компьютер уже, практически, догнал человека, то по компактности и энергоэффективности он, всё ещё, сильно уступает.
Так, суперкомпьютер Frontier потребляет 21 МВт электрической мощности, тогда как человеческий мозг - лишь 10-20 Вт, т.е. в миллион раз меньше при одинаковом быстродействии в 1 экзафлопс (10 в восемнадцатой степени операций в секунду).
Другой яркий пример связан со способностью к обучению. Люди осваивают простую задачу сравнения однородных предметов с другим, отличающимся, за 10 обучающих выборок. Для машин и миллион, и 10 миллионов выборок может оказаться недостаточно. Так, система AlphaGo, победившая чемпиона мира в сложной игре Go, обучалась на данных 160 000 партий. Человеку, играющему по 5 часов в день, пришлось бы играть непрерывно более 175 лет, чтобы пройти такое же количество обучающих игр. Как следствие, для достижения сопоставимых результатов машине может потребоваться гораздо больше (в десять миллиардов раз) энергии.
Как устроен биокомпьютинг на основе OI?
Функциональным ядром системы является трёхмерная структура клеточных культур (на основе стволовых клеток), оптимизированная для масштабируемости, долговечности и «обучаемости» с помощью специальных условий поддержания жизнедеятельности (в том числе, системы микроциркуляции питающего раствора). Потенциал к обучению органоида возникает благодаря «обогащающему отбору» как самих клеток, так и IEG-генов (immediate early gene – ген раннего ответа), критически важных для обучения.
Предусматривается широкий набор входных сигналов – электрические и химические сигналы, синтетические сигналы от машинных датчиков, а также сигналы от естественных сенсоров (например, ретины глаза). Выходные электрофизиологические сигналы с высоким разрешением предполагается получать, проводя измерения с помощью 2-х или 3-х мерных массивов микроэлектродов, MEAs (потенциально, вживляемых в клеточную структуру) и получая изображение структурных и функциональных параметров органоида. Такие сигналы можно использовать как непосредственно для вычислений, так и в качестве биологической обратной связи для совершенствования обучения органоида.
Практическая реализация OI основывается на достаточно сложных биотехнологиях, подробности которых можно посмотреть в детальном обзоре.
Ключевые компоненты OI:
- Нейронный органоид — "биологическое ядро" вычислений.
- Интерфейс «мозг-компьютер» — позволяет «подключать» органоид к внешним устройствам, подавать стимулы и считывать активность (например, с помощью микроэлектродных массивов — MEA).
- Алгоритмы машинного обучения — критически важны для интерпретации активности органоида и «обучения» его нужным реакциям.
- Биореакторы и среды поддержания жизнеспособности — органоиды требуют питательной среды, кислорода и стабильных условий.
Даже в таком, крайне ограниченном и далёком от оригинала варианте, воспроизведения мозга - это крайне трудная задача. Сейчас культивирование достаточно примитивных органоидов мозга размером 3-5 мм занимает около года. Главной технологической проблемой OI является масштабирование: как вырастить крупный, сложный и стабильный органоид, не столкнувшись с проблемой некроза центра (без кровоснабжения питательные вещества не проникают вглубь). Кроме того, получаемый "в пробирке" мозговые органоиды хаотичны по структуре. В них нет упорядоченных слоев, как в коре мозга, и отсутствуют глиальные клетки (например, астроциты), которые критически важны для жизнедеятельности мозга.
Много сложностей и с подключением органоида "к миру". Исследователи экспериментируют с интерфейсами "мозг-компьютер", например, подключая органоиды к датчикам или роботам, чтобы создать петлю обратной связи. Но расшифровка таких сигналов, пока, целиком полагается на алгоритмы машинного обучения (как в больших языковых моделях), то есть на модель "чёрного ящика". Что не добавляет понимания механизмов функционирования мозга.
Тем не менее, работы по OI важны по следующим причинам:
- Изучение болезней: Можно выращивать органоиды из клеток пациентов с болезнями Альцгеймера, Паркинсона, аутизмом и изучать их развитие "в пробирке".
- Тестирование лекарств: Более этичная альтернатива испытаниям на животных. Можно проверять, как новые препараты влияют на человеческие нейроны.
- Фундаментальная нейробиология: Позволяет наблюдать за развитием и работой человеческих нейронов в режиме реального времени
Эмуляция всего мозга
Цель — создать точную вычислительную модель человеческого мозга., состоящего из ~90 миллиардов нейронов и сотен триллионов синапсов (связей между нейронами).
Это чисто программная и математическая задача, требующая вычислительных мощностей суперкомпьютеров. Пример - проект Blue Brain , первый проект в области вычислительной нейронауки запущенный в 2005 году в Швейцарии. Заявленные цели проекта:
- Моделирование нейронных сетей на клеточном и синаптическом уровне с использованием суперкомпьютеров.
- Воссоздание структуры и функций мозга на основе реальных биологических данных.
- Понимание принципов работы мозга, включая возникновение сознания, памяти, обучения и других когнитивных функций.
- Создание платформы для тестирования гипотез в нейронауке, а также для разработки новых методов лечения неврологических и психиатрических заболеваний.
К настоящему моменту в рамках проекта создан ряд детализированных цифровых реконструкций нейронов и микросхем мозга, открыты новые принципы организации нейронных сетей, разработано программное обеспечение для нейромоделирования, работает Blue Brain Project Portal — открытая платформа с данными, моделями и инструментами для исследователей по всему миру.
Критики подхода с эмуляцией мозга считают что проект слишком ориентирован на структуру, а не на функцию, и что моделирование на клеточном уровне может не привести к пониманию высших когнитивных функций. Также, трудно проверить, насколько точно симуляции отражают реальную активность мозга. Возникают и этические вопросы, связанные с возможным моделированием сознания в будущем.
Если сравнить два подхода, то полная эмуляция мозга — это попытка создать точную цифровую копию целого леса, со всеми деревьями, животными и экосистемой, а органоидный интеллект — это выращивание нескольких живых саженцев в контролируемых лабораторных условиях, чтобы понять, как растут деревья и как они реагируют на окружающую среду.
Оба направления на данном этапе больше ориентированы на медицинские приложения и изучение работы самого мозга, и, пока, довольно далеки от существенного продвижения в решении проблемы объяснения человеческого сознания.