Такие клетки были выявлены еще 50 лет назад, когда впервые стало возможно параллельно записывать деятельность отдельных нейронов в головном мозге у кошек и обезьян. Считалось, что чем выше находится данный нейрон в иерархии визуальных участков коры головного мозга, тем более специфична его реакция – иногда она настолько специфична, что нейрон реагирует только на фотографии конкретного человека. Это наблюдение привело к возникновению так называемой «гипотезы бабушкиной клетки» (grandmother-cell hypo-thesis), предполагающей, что у нас в мозге имеется определенный нейрон, отвечающий за «узнавание» вашей бабушки. Группа ученых в университете Лос-Анджелеса, предположительно, тоже обнаружила подобные клетки. Также были найдены нейроны, «узнающие» определенные объекты и здания – такие, например, как Сиднейский оперный театр.
Несмотря на эти поразительные данные, гипотеза о бабушкиной клетке вряд ли верна и даже едва ли применима для объяснения наблюдаемых явлений. Сейчас мы одновременно собираем данные с сотен мозговых клеток мышей, обезьян и человека, что приводит нас к иному пониманию процессов восприятия и принятия решений в коре головного мозга. Тем не менее у этой гипотезы все еще есть свои сторонники, а представление о «единственных» нейронах по-прежнему доминирует в области электрофизиологии головного мозга. Изгнание пресловутой «бабушкиной клетки» из научного обихода позволит нам быстрее добиться прогресса в этой области.
Согласно гипотезе, «бабушкина клетка» активизируется исключительно при восприятии конкретного человека (вашей бабушки) и не реагирует ни на какой стимул. Однако в вышеописанном эксперименте были задействованы лишь несколько сотен фотографий – а множество других фото знаменитостей не были показаны, – поэтому мы не знаем точно, насколько избирателен, например, «нейрон Дженнифер Энистон». Кроме того, вероятность того, что электрод зарегистрировал данные единственного нейрона в мозге, ассоциированного с Дженнифер Энистон, очень мала; более вероятно, что таких нейронов несколько тысяч. То же самое можно сказать и про «нейрон Холли Берри», а также нейроны всех известных вам людей и распознаваемых объектов. В головном мозге множество нейронов, но все же их недостаточно, чтобы распознать вид каждого известного вам объекта или его имя. Еще одна – и более серьезная – причина скепсиса по отношению к гипотезе бабушкиного нейрона заключается в том, что функционирование сенсорного нейрона лишь частично определяется его ответом на сенсорные входы (sensory inputs). В равной степени важны сенсорный выход (output) нейрона и дальнейшее его влияние на поведение.
У обезьян – в тех случаях, когда удалось записать сигналы от многих нейронов одновременно, – стимулы и зависящие от задачи сигналы распределены по большой популяции нейронов, каждый из которых настроен на определенную комбинацию стимулов и деталей поставленной задачи. Свойства таких распределенных репрезентаций были впервые изучены на материале искусственных нейронных сетей в 1980-х годах.
В таких сетях популяции нейронов первого уровня – так называемые «скрытые единицы» (hidden units) – были обучены выполнять отображение между определенным набором стимулов на входе (input units) и набором ответов – сигналов на выходе (output units). «Скрытые единицы» разработали чрезвычайно детализированные схемы ответов на любой стимул, подобно тому как это наблюдается у популяций нейронов головного мозга. Например, на входе нейрон мог получить изображение лица со многих точек зрения, а на выходах репрезентировались имена соответствующих людей.
После обучения на многочисленных примерах каждая из скрытых единиц закодировала всевозможные комбинации признаков входных блоков, как, например, фрагменты глаз, носов, формы головы. Такое распределенное представление может быть использовано для распознавания разных версий одного и того же объекта, и один и тот же набор нейронов может распознавать множество различных объектов путем дифференциального взвешивания информации на выходе. Кроме того, сеть может делать обобщения, правильно классифицируя новые входные данные, не входившие в обучающий набор. Гораздо более мощные версии этих ранних нейросетевых моделей, с более чем 12 уровнями скрытых единиц в иерархии, подобно иерархии зрительной коры нашего мозга, и с использованием глубокого обучения для регулировки миллиардов вариантов синаптического веса, теперь способны распознавать в изображениях десятки тысяч объектов.
Это настоящий прорыв в области искусственного интеллекта – ведь производительность растет по мере расширения сети и роста количества примеров. Технологические компании по всему миру соревнуются в разработке специализированного компьютерного «железа», которое позволит еще более расширить масштабы этих структур.
Нам предстоит пройти еще долгий путь, прежде чем существующие искусственные системы приблизятся к способностям человеческого мозга, располагающего миллиардами синапсов на кубический миллиметр коры.
Сколько нейронов входит в популяцию, способную уловить различия между множеством похожих объектов – таких, например, как лица? Исследования процессов визуализации в мозге показывают, что на человеческое лицо реагируют много различных областей мозга, и некоторые из них работают с высокой степенью селективности. Нам нужно будет отобрать много нейронов из этих областей. Ответ на вопрос, заданный в начале абзаца, возможно, удивит нас, потому что есть и веские теоретические аргументы в пользу того, что в репрезентации объекта участвует минимальное число нейронов. Во-первых, экономное кодирование более энергоэффективно. Во-вторых, когда тесная популяция нейронов обучается распознавать новый объект, может возникнуть интерференция с другими объектами, уже репрезентированными в популяции. Поэтому эффективной и при этом экономной репрезентация может быть только в редкой популяции.
Через 10 лет будет зафиксировано и задействовано в исследованиях в 1000 раз больше нейронов, чем сейчас. Для их анализа разрабатываются новые методы, которые позволят нам понять, каким образом активность нейронных популяций может влиять на возникновение мыслей, эмоций, планов и решений. В скором времени мы, возможно, будем знать ответ на вопрос о том, сколько именно нейронов представляют тот или иной объект или то или иное понятие в нашем мозгу, – но поможет ли это нам окончательно распрощаться с гипотезой бабушкиной клетки?
Модули мозгаПатрисия Чёрчлэнд
Философ, нейробиолог, Университет штата Калифорния в Сан-Диего. Автор книги Touching a Nerve («Касаясь нерва»).
В контексте нейробиологии понятие «модуль» (в значении самостоятельная единица для выполнения некоторой функции при наличии необходимых фоновых условий) неизменно вносит больше путаницы, чем ясности. Проблема заключается в том, что любая нейронная активность любого заметного уровня сложности опирается на распределенные в пространстве системы связей, и не случайно, а систематически; и эти связи существуют не только в коре, но и между корой и подкорковыми структурами. Это справедливо, например, для восприятия движения, распознавания образов, моторной функции, обучения с подкреплением (reinforcement learning), не говоря уже о таких психических действиях, как решение «собраться с духом» перед лицом угрозы или выбор решения «убежать или спрятаться». Сюда же относятся процессы самоконтроля и морального суждения. Вероятнее всего, это можно сказать о любом сознательном опыте.
Сигнал на выходе (output) нейронной сети может изменяться по мере того, как изменяется активность отдельных нейронов. Но здесь нам пока не вполне понятно, каким именно образом нервная система решает проблему координации, то есть каким образом мозг организует правильный паттерн нейронной активации в масштабе всей сети, чтобы добиться нужного результата.
Это не единственная проблема с понятием «модуль». Традиционно предполагалось, что модули инкапсулированы, то есть изолированы один от другого. Но даже инкапсуляция такой сравнительно простой сенсорной области, как первичная зрительная кора (V1), может быть поставлена под сомнение. Только один пример: визуальные нейроны в V1 у животного активируются вдвое чаще, когда животное бежит, вне зависимости от данных на входе (input) и фоновых условий.
Путаница, которую вносит понятие «модуль», усугубляется еще и тем, что специализация определенной области (например, той же первичной зрительной коры), по-видимому, нетривиально зависит от статистики данных на входе. Зрительная кора является зрительной во многом потому, что она связана с сетчаткой, а не, например, с ушной улиткой. Заметим, что у незрячих зрительная кора задействуется в распознавании шрифта Брайля – решении весьма детализированной пространственной и соматосенсорной задачи. А если специализация области зависит от статистики данных на входе, то можно ожидать, что мозг ребенка будет гораздо пластичнее и менее зонально специализирован, чем мозг взрослого человека. Дорис Траунер и Элизабет Бейтс обнаружили, что младенцы, у которых удалено левое полушарие мозга, способны нормально обучаться языку, в то время как аналогичная операция у взрослого человека приводит к серьезным проблемам с речью.
Понятие «модуль», с моей точки зрения, сродни выражению «нервный срыв», которое мы использовали, когда не имели ни малейшего понятия о том, что происходит под черепной крышкой. Но в наши дни его объяснительная сила весьма сомнительна.
Предвзятость – это обязательно плохоТом Гриффитс
Доцент кафедры психологии; директор Лаборатории вычислительной когнитивистики и Института когнитивных наук и наук о мозге, Университет штата Калифорния в Беркли.
Любая предвзятость представляется нам чем-то плохим. Интуитивно мы ставим знак равенства между рациональностью и объективностью. Казалось бы, рациональный субъект, столкнувшись с трудным вопросом, не должен быть изначально предрасположен к выбору какого-то одного ответа в ущерб другим. Если о новом компьютерном алгоритме, предназначенном для распознавания объектов в изображениях или по