Отличия компьютера от человеческого мозга

Обновлено: 07.07.2024

Человеческий мозг очень похож на компьютер. Конечно, состав мозга уникален и незаменим, он полностью органический. Компьютер же состоит из деталей, произведенных на заводе. . Детали можно менять и совершенствовать. Они полностью искусственные. Но есть общие моменты между этими вычислительными организмами, и их немало.
И там, и там есть операционная система, центральный процессор. Память, состоящая из пресловутой операционной памяти и жесткого диска, на котором хранятся все важные данные.

Самая большая оперативная память компьютера сейчас составляет 128 Гб, а самые емкие жесткие диски вмещают сейчас до 14 Тб. Память же человеческого мозга оценивают в 2,5 Пб (а это 2500 терабайт). Много? Если считать в Гигах, то это миллион Гб, а в байтах это квадриллион

Много? Да, много, но компьютеры становятся мощнее каждые два года, так что через несколько десятилетий люди создадут компьютер с памятью равной человеческой. Интересен и тот факт, что мозг работает на 12 ваттах. Для того, чтобы работал компьютер такой же мощности, что и мозг человека, нужен гигаватт энергии,

А на какой частоте, на скольких мегагерцах работает мозг? , Мозг - гораздо более мощный, сделанный из более медленных процессоров. Тактовая частота нейрона около килогерца, что в миллион раз медленнее, чем гигагерц. Для сравнения скорость процессора смартфона составляет около 1 гигагерца. Потому компьютеры гораздо быстрее решают технические и вычислительные задачи, хотя не сравнятся по разнообразию функций человеческого мозга.
Представим теперь архив. Это хранилище информации нужной и не очень. Я думаю, в мозге, информация из архива не стирается, а хранится очень долго. Нужно только затратить усилия, чтобы вытащить ее. Некоторые вещи в архиве мозга кодируются и всплывают только при каком-то ключевом событии.

Замечали вы, как мы вспоминаем забытый сон, и не можем воспроизвести его детали, хотя говорим, что он крутится в голове. И вдруг нечто произошедшее наталкивает нас на яркое озарение. Вот. Вспомнил. Как же я раньше не мог. Такие мысли посещают после этого. Сон, как на ладони, предстает во всех подробностях и красках.

Сон, конечно это уникальное явление, которого с компьютером никогда не произойдет. Ведь во сне мозг работает и, сохраняя информацию из коры в глубокие отделы, еще и выдает нам короткий дайджест дня или ранних событий.
Антивирус. Его функцию в мозгу играет ГЭБ. Гематоэнцефалический барьер. Он отфильтровывает кровь, поступающую в головной мозг, и не допускает в него токсины, лекарства и вредные непредсказуемые вещества. Этакая печень мозга. Наша защита мозга от вируса. Но, конечно как и в компьютере, к сожалению, иногда заражение вирусом наступает. Как пример, энцефалитный клещ.

Иногда мозг, подобно компьютеру лагает, как выражается моя младшая дочь. Он сбоит. Дает сбои. Не это ли происходит у душевнобольных людей. Разговор с воображаемым собеседником, галлюцинации.

Согласно дофаминовой теории шизофрения это не что иное, как повышенный уровень выработки нейромедиаторов, называемых дофаминами. И как следствие душевное заболевание. Конечно сам механизм гораздо глубже, но здесь не будем углубляться в эту тему. И продолжим говорить в следующий раз

Ведущий эксперт искусственному интеллекту Педро Домингос написал любопытную книгу о том, как машинное обучение может изменить и уже меняет наш мир. Нейронные сети опутывают нас все плотнее, алгоритмы управляют нашей жизнью: они находят книги, фильмы, работу и партнеров для нас, управляют инвестициями и разрабатывают лекарства, самостоятельно обучаясь. Алгоритмы как маленькие любознательные дети: смотрят на нас, повторяют за нами и экспериментируют.

А самое удивительное, что ученые уже работают над Верховным алгоритмом, который будет способен решать любые задачи еще до того, как мы их сформулируем (не напоминает Дугласа Адамса?), и извлекать знания обо всем на свете из данных. Любопытно, правда?

Как устроен наш мозг и как он учится?

Канадский психолог Дональд Хебб в 1949 году сформулировал правило обучения, которое сейчас лежит в основе множества искусственных нейронных сетей: «нейроны, которые срабатывают вместе, связываются друг с другом». В правиле Хебба слились идеи психологии, нейробиологии и, что интересно, немалая доля домыслов. Примерно в то же время испанский нейробиолог Сантьяго Рамон-и-Кахаль провел первые подробные исследования мозга, окрашивая нейроны. Он каталогизировал свои наблюдения, как ботаники классифицируют новые виды деревьев.

Ко времени Хебба нейробиологи в общих чертах понимали, как работают нейроны, однако именно он первым предложил механизм, согласно которому нейроны могут кодировать ассоциации. Каждое понятие представлено множеством нейронов. И эти нейроны, которые возбуждают друг друга, образуют, в терминологии Хебба, «ансамбли клеток».

С помощью таких собраний в головном мозге представлены понятия и воспоминания. В каждый ансамбль могут входить нейроны из разных областей мозга, ансамбли могут пересекаться. Так, клеточный ансамбль для понятия «нога» включает ансамбль для понятия «ступня», в который, в свою очередь, входят ансамбли для изображения ступни и звучания слова «ступня».

Тем не менее для имитации работы мозга одного правила Хебба мало: сначала надо разобраться с устройством головного мозга. Каждый нейрон напоминает крохотное деревце с огромной корневой системой из дендритов и тонким волнистым стволом — аксоном. Мозг в целом похож на лес из миллиардов таких деревьев, однако лес этот необычный: ветви деревьев соединены в нем с корнями тысяч других деревьев (такие соединения называются синапсами), образуя колоссальное, невиданное хитросплетение.

Если расположить аксоны мозга друг за другом, они займут расстояние от Земли до Луны.

Эти джунгли потрескивают от электрических разрядов. Искры бегут по стволам и порождают в соседних деревьях еще больший сонм искр. Время от времени лес неистово вспыхивает, потом снова успокаивается. Работа мозга похожа на симфонию таких электрических разрядов. Если бы можно было посмотреть изнутри на то, что происходит в тот момент, когда вы читаете эту страницу, сцена затмила бы самые оживленные мегаполисы из фантастических романов. Этот невероятно сложный узор нейронных искр в итоге порождает человеческое сознание. Следующий шаг — превратить работу синапсов в алгоритм.

Нейросети. Начало

Первая формальная модель нейрона была предложена в 1943 году Уорреном Маккаллоком и Уолтером Питтсом. Она была во многом похожа на логические вентили, из которых состоят компьютеры с И, ИЛИ и НЕ. Нейронные сети могут совершать все операции, которые умеет делать компьютер. Поначалу компьютер часто называли электронным мозгом, и это была не просто аналогия.

Однако нейрон Маккаллока–Питтса не умеет учиться. Это стало шагом к изобретению перцептронов. Харизматичный оратор и очень живой человек, психолог Фрэнк Розенблатт сделал для зарождения машинного обучения больше, чем кто бы то ни было. Своим названием перцептроны обязаны его интересу к применению своих моделей в проблемах восприятия (перцепции), например распознавания речи и символов.

А вот это штука уже посовременнее: тактильный интерфейс, меняющий форму, разработанный в Массачусетском технологическом институте, – источник.

Перцептрон похож на крохотный парламент, в котором побеждает большинство (хотя, наверное, не такой уж и крохотный, учитывая, что в нем могут быть тысячи членов). Но при этом парламент не совсем демократический, поскольку в целом не все имеют равное право голоса. Нейронная сеть в этом отношении больше похожа на Facebook, потому что несколько близких друзей стоят тысячи френдов, — именно им вы больше всего доверяете, и они больше всего на вас влияют. Если друг порекомендует вам фильм, вы посмотрите его и вам понравится, в следующий раз вы, вероятно, снова последуете его совету. С другой стороны, если подруга постоянно восторгается фильмами, которые не доставляют вам никакого удовольствия, вы начнете игнорировать ее мнение (и не исключено, что дружба поостынет).

Перцептрон вызвал восторг в научном сообществе. Он был простым, но при этом умел узнавать печатные буквы и звуки речи: для этого требовалось только обучение на примерах.

Но затем перцептрон уперся в стену. Инженеров знаний раздражали заявления Розенблатта: они завидовали вниманию и финансированию, которое привлекали нейронные сети в целом и перцептроны в частности. Одним из таких критиков был Марвин Минский, который опубликовал книгу с критикой перцептронов: он описал простые вещи, которым алгоритм не в состоянии научиться. (Хотя надо сказать, что спустя 20 лет это оказалось не так.)

Мозг и компьютер: принципиальное различие

В случае обратной дедукции мы шаг за шагом разбираемся, какое правило необходимо ввести, чтобы от посылок прийти к желаемым выводам. Однако согласно правилу Хебба, все нейроны учатся одновременно. В этом нашли отражение различия между компьютерами и мозгом.

Компьютеры даже совершенно обычные операции — например, сложение двух чисел или переключение выключателя — делают маленькими шажочками, поэтому им нужно много этапов. При этом шаги могут быть очень быстрыми, потому что транзисторы способны включаться и выключаться миллиарды раз в секунду.

Мозг же умеет выполнять большое количество вычислений параллельно благодаря одновременной работе миллиардов нейронов. При этом нейроны могут стимулироваться в лучшем случае тысячу раз в секунду, и каждое из этих вычислений медленное.

Количество транзисторов в компьютере приближается к количеству нейронов в головном мозге человека, однако мозг безусловно выигрывает в количестве соединений.

Типичный транзистор в микропроцессоре непосредственно связан лишь с немногими другими, и применяемая технология планарных полупроводников жестко ограничивает потенциал совершенствования работы компьютера. А у нейрона — тысячи синапсов. Если вы идете по улице и увидели знакомую, вам понадобится лишь десятая доля секунды, чтобы ее узнать.

Это не значит, что с помощью компьютера нельзя симулировать работу мозга: в конце концов, именно это делают коннекционистские алгоритмы. Поскольку компьютер — универсальная машина Тьюринга, он может выполнять вычисления, происходящие в мозге, как и любые другие, при условии, что у него есть достаточно памяти и времени. В частности, недостаток связности можно компенсировать скоростью: использовать одно и то же соединение тысячу раз, чтобы имитировать тысячу соединений.

На самом деле сегодня главный недостаток компьютеров заключается в том, что в отличие от мозга они потребляют энергию: ваш мозг использует примерно столько мощности, сколько маленькая лампочка, а для некоторых сложных машин нужно столько электричества, что им можно осветить целый бизнес-центр.

Что умеют нейронные сети

Ученые Терри Сейновски и Чарльз Розенберг обучали многослойный перцептрон читать вслух. Их система NETtalk сканировала текст, подбирала фонемы согласно контексту и передавала их в синтезатор речи. NETtalk не только делал правильные обобщения для новых слов, чего не умели системы, основанные на знаниях, но и научился говорить очень похоже на человека. Сейновски любил очаровывать публику на научных мероприятиях, пуская запись обучения NETtalk: сначала лепет, затем что-то более внятное и наконец вполне гладкая речь с отдельными ошибками. (Поищите примеры на YouTube по запросу sejnowski nettalk.)

Первым большим успехом нейронных сетей стало прогнозирование на фондовой бирже. Поскольку сети умеют выявлять маленькие нелинейности в очень зашумленных данных, они приобрели популярность. Типичный инвестиционный фонд тренирует сети для каждой из многочисленных ценных бумаг, затем позволяет выбрать самые многообещающие, после чего люди-аналитики решают, в какую из них инвестировать.

Беспилотные автомобили — тоже пример того, как хорошо нейронные сети обучаются. А совсем недавно Google рассказали о том, что научили нейросети «писать» картины, опираясь на загруженные в них изображения.

Ребята из Медузы собрали целую галерею таких машинных картин.

Сегодня мы обучаем более глубокие сети, чем когда бы то ни было, и они задают новые стандарты в зрении, распознавании речи, разработке лекарственных средств и других сферах. И, конечно, меняют мир. По мере того как мы будем лучше понимать мозг, ситуация может измениться. Вдохновленная проектом «Геном человека», новая дисциплина — коннектомика — стремится составить карту всех мозговых синапсов. Возможно, это то самое окно в будущее.

С появлением и постоянным усовершенствованием электронно-вычислительных машин, в просторечии именуемых компьютерами, интеллектуальные способности человека как венца творения постоянно ставятся под сомнение. Высказываются даже предположения, что со временем компьютер сможет превзойти человека, особенно если будет завершена работа по созданию искусственного интеллекта. Так ли это на самом деле и чем отличается мозг человека от компьютера? Попробуем разобраться.

Определение

Мозг человека – орган тела, выполняющий функции регулировки и контроля всех жизненно важных систем организма.

Компьютер – электронное устройство для обработки информации, имеющее примитивный «мозг» (центральный процессор) и функционирующее согласно заданной программе.

Сравнение

Передача сигналов в компьютере основана на электрических импульсах. Для этого используется простой двоичный код, при котором сигналы имеют всего два значения: или «1», или «0». А вот в мозге ведется сложная работа, основанная на множестве химических сигналов, причем каждый из них имеет свою индивидуальную характеристику. Интересно, что скорость проводимости нервного импульса из нейрона в нейрон может меняться в зависимости от существующих обстоятельств. В мозге не предусмотрено функциональных блоков.

Компьютер не признает «полутонов». В нем всё четко – существует или значение «1», или значение «0»; либо то, либо другое. Сила сигнала идет дискретно – только с одним или же только с другим значением. В мозге, в отличие от компьютера, сигнал способен передаваться ускоренно или плавно, также как может изменяться и чувствительность нейрона, принимающего данный сигнал.

Основной объем памяти в ЭВМ сохраняется в специально для этого предназначенных запоминающих устройствах. В мозге же не существует участков, в которых отдельно хранятся наши воспоминания. В запоминании и распознавании субъектов или каких-либо событий участвуют одни и те же нейроны.

Мозг человека обладает очень большим запасом прочности, что позволяет ему функционировать даже при опасных травмах. Это неудивительно, учитывая, что одновременно в нем обычно задействованы не более 2-3% нервных клеток. Современные компьютеры лишены способности восстанавливаться и работать при серьезных повреждениях, тогда как мозг человека от природы наделен удивительной компенсаторной способностью: при поражении даже обширных его участков работу продолжают выполнять оставшиеся неповрежденными части. Если же в программе компьютера испортить даже несколько бит или всего лишь один транзистор в процессоре – устройство мгновенно потеряет возможность функционирования, иногда даже без возможности восстановления. Мозг же способен выживать и работать, даже если ему перед этим на пять-семь минут перекрыть кислород.

Мозг, в отличие от компьютера, способен сосредотачиваться на важной для него в данный момент времени информации и не принимать во внимание несущественную. Мозг отыскивает информацию не по адресу, как компьютер, а по содержанию. Для компьютера нет никакой связи между адресом, по которому находится информация, и самой сутью этой информации, а для мозга – есть. Мозг человека способен восстанавливать информацию лишь по ее отрывочной части или же извлекать данные вследствие ассоциативного ряда. Человек мыслит, компьютер же просто обрабатывает информацию на основе алгоритмов. Компьютер работает с абстрактными символами, а мозг человека – с образами конкретных объектов. Мозгу человека присущи интуиция и воображение, а еще – желание все время получать новые впечатления, творческая активность, которая тесно связана со сном (во сне упорядочивается полученная извне информация). Компьютеру всё это недоступно. Скрытые возможности мозга поистине безграничны, в отличие от изначально заданных определенным образом системных параметров компьютера.

Бросьте в меня камень, если вы никогда не слышали этого сравнения: «Мозг человека — это компьютер». Эта простая метафора вызывает холивары во всем мире, сталкивает лбами интеллектуалов и, возможно, стала причиной нескольких инсультов. Одни утверждают, что человеческое мышление не может уложиться в бинарные рамки компьютерной программы. Другие — что, невзирая на свое богатство, наше мышление остается пусть превосходным, но процессором. Но и сторонники, и противники забывают о главном: спорят они не о метафоре, а о гипотезе.

Больная метафора

Чтобы аргументированно рассуждать о мозге как компьютере, для начала нужно определиться с тем, что мы называем компьютером. Давайте пойдем от противного: от того, чем компьютер не является.

Компьютер — это точно не коробочка под вашим столом, не ноутбук на ваших коленях и не смартфон в ваших руках. Микрочипы, оперативная память и кэш — это лишь элементы компьютера. Если воспринимать его как пластиковую коробку с электронной начинкой, то, конечно, вы смело можете сказать, что мозг — точно не компьютер. Ну хотя бы потому, что серое вещество после вашего выключения не может служить жестким диском, и к вашей памяти ни у кого не будет доступа. Так вот, эту ошибку восприятия компьютера как коробочки с различными функциональными элементами совершают многие противники нашей метафоры.

Так в чем же их ошибка? Дело в том, что сравнение мозга с компьютером — это не про технологии совсем. Сравнение берет начало из формального определения компьютера, которое впервые дал в 1936 году Алан Тьюринг . Для справки: в 1945 году Джон фон Нейман разработал архитектуру современного компьютера. А сами современные компьютеры появились только в 50-х годах прошлого века.

Историки до сих пор спорят о том, что же можно считать первым компьютером. Но сходятся они в одном: до 1936-го компьютеров не было. Размышления Тьюринга по большому счету касались не вычислительных систем, а человека: он изучал способности к решению задач, к вычислениям, к построению логической последовательности. Компьютеру было дано формальное определение еще до того, как он появился.

Даже не вспоминайте машины Бэббиджа. Его разностная машина была только феноменальным калькулятором, а аналитическую машину ему так и не удалось построить. Кроме того, обе они были механическими. Хотя да, разработки Бэббиджа помогли сформировать идею электронных вычислительных машин.

А что, если мы перевернем метафору и скажем, что компьютер работает как мозг? Вернемся к фон Нейману. Этот ученый, разрабатывая архитектуру компьютера, опирался на гипотетическую модель функционирования мозга Маккаллока и Питтса. Эти два ученых предполагали, что нейроны мозга могут либо посылать электрический «разряд», либо не посылать.

Иными словами, в их понимании нейрон зашифровывает информацию бинарным кодом: либо 1 («посылать»), либо 0 («не посылать»).

Это умозаключение позволяло предполагать, что группы нейронов действовали согласно формальной логике, что очень полезно для различного рода вычислений. Фон Нейман был прекрасно знаком с Маккаллоком, читал его работы и смог использовать его идею бинарной логики для создания компьютерной архитектуры.

Так что можно сказать, что компьютерные науки опираются на науку о мозге. Что, кстати, вовсе не означает, что мозг и компьютер работают схожим образом. Фон Нейману просто приглянулась простая аналогия работы нейронов, но по факту она не учитывает базовые принципы их функционирования.

К примеру, на самом деле нейроны посылают сигналы постоянно, а не с перерывами, а значит, о бинарной логике речи быть не может.

И фон Нейман честно говорит о том, что компьютер работает не так, как мозг).

Здоровая метафора

Ну так что же мы имеем в виду, когда называем мозг компьютером? Что означает компьютер в этой метафоре? Ответ примерно такой: мы имеем в виду машину, выполняющую алгоритм, то есть универсальную машину Тьюринга .

Итак, согласно этому определению, нам нужно несколько ключевых компонентов.

Вводные данные, записанные в виде символов.
Место для введения этих данных (по мнению Тьюринга, это должен быть огромный рулон бумаги).
Набор инструкций (алгоритм) для перевода вводных данных в выходные данные.

Самое главное здесь, конечно, алгоритм — набор конкретных действий: они должны быть дискретными, то есть обособленными, например «делай А, затем Б, затем С». Действий может быть сколько угодно. К тому же их можно организовывать в цикл, например:

Врезаться со всей дури в стену.
Потереть голову.
Повторить шаг (1).

Можно создавать действиям условия, но они всё равно останутся дискретными:

(1) если ГОЛОДЕН

(1b) купить шаверму

(2) если ХОЧУ ПИТЬ

(2b) купить воды

(3) иначе

(3b) «Покиньте магазин, молодой человек, вы задерживаете покупателей»

Алгоритмичен ли наш мозг?

Вот мы и докопались до сути вопроса: мозг не работает дискретными шагами . Мозг — это система динамических непрекращающихся процессов. Белковые молекулы внутри нейрона постоянно гоняют туда-сюда ионы калия и натрия, а сам нейрон работает как заряженный конденсатор.

Ничего пошагового в таких процессах нет: электрические разряды и передача сигналов возникают не в отдельный момент времени.

Передача сигналов от нейрона к нейрону определяет, как мы ходим, видим, говорим, думаем, планируем, действуем. И если это происходит не алгоритмично, значит, мозг точно не компьютер, так ведь?

Не так быстро, друзья. Конечно, во многих аспектах мозг работает не как машина Тьюринга: у него нет бесконечного рулона бумаги и неограниченного времени для вычислений. Ну так и у электронного компьютера тоже нет. Даже пока вы ждете загрузки системных обновлений.

Но гипотеза, что мозг работает подобно компьютеру, ставит перед нами интересные вопросы. Например, может ли передача сигнала между нейронами быть в чем-то схожа с алгоритмом? Или можно ли описать процессы в мозге с помощью алгоритма?

Если работа мозга приближена к алгоритмической, мы можем использовать знания компьютерных наук для его изучения. Если же нет, нам необходимо искать новые подходы, не связанные с вычислительными алгоритмами.

Да, наша голова работает по алгоритмам

Есть только два способа проверить версию об алгоритмичности нашего мозга. Первый: мы предполагаем, по какому алгоритму действуют животные, а потом проверяем, соответствует ли активность нейронов предложенному алгоритму. Второй: мы измеряем активность нейронов во время поведенческого действия, а затем смотрим, какой алгоритм может соответствовать этому действию.

Наука пробовала и тот, и другой подход. Давайте начнем с того, который сперва изучает поведение. Мы уже достаточно много знаем о поведении животных (к миру которых и сами принадлежим).

Существует тонна экспериментов, в которых мы просим субъекта сделать выбор между двумя предметами.

Один из самых популярных выглядит так: мы показываем людям набор хаотично двигающихся точек, однако среди этих точек есть несколько таких, которые передвигаются в одном и том же направлении (влево или вправо). Далее мы просим участников эксперимента найти эти точки и сказать, в каком направлении они двигаются. Участник смотрит на экран, наблюдает за точками, а потом выдает ответ.

Небольшие изменения условий в таких заданиях позволяет выявить уникальные модели поведенческих реакций и возникновения ошибок. К примеру, количество ошибок возрастает обратно пропорционально количеству точек, двигающихся в одном направлении: чем меньше точек, тем больше ошибок. Это очень простая математическая модель, в которой для решения задания нужно, во-первых, определить наличие одинакового направления, а затем определить само направление (где одно направление противоречит другому). Это типичный алгоритм принятия решений.

Ну что ж, раз мы пришли к алгоритму, влияющему на поведение, самое время определить, что же происходит в мозге во время принятия решения.

В мозге обезьян, принимающих решения, можно увидеть несколько видов активности: нарастание активности, связанной с верным выбором, и спад активности, связанной с неверным.

В научно-исследовательской лаборатории Майкла Шадлена показали, что каждый скачок активности точно соответствует шагам алгоритма принятия решений, то есть активность нейронов повторяет алгоритм , с которым мы столкнулись при наблюдении за поведением.

Есть и примеры экспериментов, которые идут от обратного: сначала изучение нейронной активности, а затем — подбор алгоритма, который ей соответствует. Самый известный — дофаминовая теория получения вознаграждения . Автор теории, профессор Вольфрам Шульц, продемонстрировал, как вырабатывается дофамин в ответ на поощрение. Ученый зарегистрировал несколько потрясающих наблюдений.

Например, дофаминовая активность была замечена только при неожиданной награде. Как только нейроны «понимали», при каких условиях выдается награда, выброса дофамина не следовало.

На основе экспериментальных данных Шульца две независимые группы ученых (Рид Монтаг и Петер Даян и Джим Хук и Анди Барто) предположили, что нейроны при выработке дофамина используют алгоритмы теории обучения с подкреплением.

Алгоритмы этой теории работают так: есть несколько вариантов действий. Решение принимается на основе предполагаемых последствий от выбора того или иного действия. После принятия решения вычисляется разница между предполагаемыми последствиями и реальным исходом. Если последствия соответствовали предполагаемым, ошибки не было, значит, поведение не нуждается в корректировке. Если исход получился лучше предполагаемого (позитивная ошибка), ценность этого варианта возрастает. Если исход получился хуже предполагаемого (негативная ошибка), ценность варианта падает. Такое подкрепление создает канал обратной связи с окружающим миром и приводит к дальнейшим изменениям в поведении.

Согласно данным Шульца, дофаминовые нейроны дают обратную связь по всем трем вариантам исходов: и при отсутствии ошибки, и при положительной, и при отрицательной. Удивительно, как совпали дискретные шаги алгоритма и активность нейронов в мозге.

В действительности не так уж и удивительно. Теория обучения подкреплением основывалась на десятилетних исследованиях поведения животных при дрессировке, а затем ее данные использовались при разработке компьютерных программ для обучения. Так что логика появления подобной связи такова: поведение => появление компьютерных алгоритмов => более глубокие наблюдения за поведением => исследование нейронной активности, которая естественным образом совпала с алгоритмами.

Вы можете спросить: а как же успех глубоких нейросетей в работе с процессами, которые считались типично человеческими, например классификации изображений? Что ж, обычные нейросети в основе своей несут дискретные алгоритмы. Глубокие нейросети имеют целые дискретные слои, каждый из которых соединен со следующим и передает ему информацию. В человеческом мозге дискретных слоев нет.

Существует еще одна версия: несмотря на то, что в биологическом смысле мозг работает беспрерывно, проделываемые им операции все же дискретны.

Нет, наша голова не работает по алгоритмам

Вроде бы набрали много свидетельств алгоритмической работы нашего мозга.

Вообще-то, большая часть нейронаук основывается на его алгоритмичности: какую публикацию ни открой — мозг все время что-то вычисляет и рассчитывает.

Влиятельный исследователь Дэвид Марр ставит вопрос так: ищем алгоритмы, а потом ищем часть мозга, которая запускает их. Но есть и те, кто задает вопрос иначе: если не алгоритмы, то что?

На него тоже есть ответ. Нам известно огромное количество действий, которыми мозг управляет без алгоритмов. Мы ходим, бегаем и ползаем, не вовлекая алгоритмической деятельности. При этих повторяющихся сокращениях разных групп мышц регистрируются такие же повторяющиеся всплески активности целых групп взаимосвязанных нейронов — они самостоятельно управляют движениями мышц.

Подобные нейронные цепочки возникают в мозге каждый раз, когда в теле происходят ритмичные процессы (хотя работой сердца управляет собственная фиксированная цепочка) — когда мы жуем, плаваем, дышим.

А что с единичными движениями? Например, когда мы поднимаем руку, чтобы взять стакан. Движение не повторяющееся, но и алгоритмов для его выполнения не требуется. При таких движениях происходит серия быстрой смены активности в нейронах зоны моторной коры, ответственной за руку. Они передают сигнал спинному мозгу, который передает его мышцам. Что здесь за алгоритм?

Здесь можно возразить: ну конечно, это всего лишь движения! Сложные процессы вроде памяти, планирования и мышления должны требовать вычислительных мощностей, а не просто динамической обработки.

Вообще-то, даже сложные процессы могут обойтись простой динамикой.

Вот механическое решение для работы памяти. Нам уже несколько десятилетий известно, что простое воспоминание может сохраняться и воспроизводиться активностью простой цепочки нейронов в ответ на определенные вводные данные. С их помощью запах поджаренного хлеба может вызывать в нас сложное воспоминание о визите к бабушке в далеком детстве.

А вот механическое решение для формирования прогноза. Наш мозг часто занимается прогнозированием. В этом процессе вознаграждение достаточно неопределенно: сдав отчеты вовремя, вы можете получить повышение, а можете и не получить.

Недавние исследования показали, как сеть нейронов, беспрерывно посылающих сигналы друг другу, занимаются прогнозированием. К примеру, определенная сеть нейронов решает судоку.

Есть механическое решение для почти любой задачи, связанной с вводными данными. Например, машины с неустойчивым состоянием (особый вид нейросети) представляют собой группу смоделированных нейронов, связанных между собой случайным образом и беспрерывно посылающих друг другу импульсы.

Кроме того, нейроны в этой модели разделяются на возбуждающие и тормозящие (последние не дают первым провести сигнал). Это важный момент, поскольку итоговая нейросеть работает в должной степени беспорядочно, а значит, самое легкое изменение во вводных данных вызовет абсолютно иную активность. По большому счету это означает, что любые вводные данные могут вызвать любую операцию.

Вопрос стоит так: каким образом эта сеть научится (эволюционно ли, либо с помощью обучения) строить нейронные связи нужным образом и выполнять требуемые действия? Это хороший вопрос, и на него пока нет ответа.

Влиятельный физик и математик Роджер Пенроуз посвятил две увесистые книги размышлениям о том, что мозг — это не компьютер. Но каким-то образом от этого простого утверждения он перешел к мысли о существовании квантового сознания, не допустив золотой середины. Ведь все может быть гораздо проще: мозг постоянно находится в движении, которое может подчиняться алгоритмам, а может и не подчиняться.

«Мозг как компьютер» — это не метафора, а гипотеза, которую вполне можно проверить. Чем ученые и занимаются прямо сейчас.

Ни одно исследование не сможет доказать, что вот эта определенная часть мозга работает по алгоритму Х. В науке так не бывает. Подтверждениями гипотезы служат многочисленные работы со всего мира, собираемые по крупицам. Так что точного ответа мы пока не знаем.

Считаю ли я мозг компьютером? Нет. Я готов оказаться неправым. Более того, я написал множество статей о том, как мозг реализует алгоритмы. Так что, как видите, я спокойно могу придерживаться двух точек зрения одновременно.

Подобная двойственность свойственна многим ученым: как только нужно выбрать между двумя полярно противоположными мнениями, становится ясно, что ни одно из них не может быть полностью верным.

Человеческий мозг просто создан для подобной двойственности. А может, это лишний раз доказывает, что он точно не компьютер?

Читайте также: