метами, находящимися прямо перед животным. На самом деле в зоне каждой конкретной вибриссы на карте S1 ученые обнаружили еще одну крохотную карту, выстроенную радиальным образом по типу завитка в соответствии с направлениями отклонения вибриссы[269].
Вероятно, вам кажется, что тонкая структура карт мозга сложна для понимания и они напоминают загадки субатомного строения о локализации кварков и электронов. Такие микроструктуры могут быть предметом отдельной книги, однако для наших целей достаточно знать, что мозг в мелком масштабе (порядка десятых долей миллиметра, примерно сотых долей дюйма) имеет одновременно тонкую и сложную структуру. По размеру элементы этой структуры сравнимы с линиями на человеческих отпечатках пальцев, и, как рисунок отпечатков пальцев, паттерны организации карт мозга у всех людей строятся по одинаковым правилам, но каждая уникальна.
В контексте чтения мыслей эта уникальность усложняет ситуацию, как и другие различия между вашим и моим мозгом. Как мы видели, особенности строения наших мозговых карт различаются. Например, у нас могут быть разные когнитивные стратегии и возможности создания мысленных образов. И хотя микроструктура карт вашего мозга организована по тем же правилам и создает тот же рисунок, что и у меня, детальное расположение паттернов уникально. И поэтому, если задача технологии заключается в получении доступа ко всей информации, содержащейся в вашем мозге, на основании активности ваших нейронов, эта технология обречена на неудачу, если только не установлено точно, что каждый конкретный нейрон специфическим образом отображает в вашем мозге.
Я выскажусь откровенно: мы никогда не создадим технологию, которая откроет доступ ко всей информации, отображенной в мозге другого человека. Не потому что этой информации очень много, а потому что она спрятана в бесконечном количестве нейронов, организованных в виде специфических полос, капель и завитков и взаимодействующих между собой специфическим и часто изменчивым образом. Чтобы получить доступ ко всей информации, отображаемой мозгом в конкретный момент времени, нужно знать, что происходит в каждом нейроне мозга и что каждый нейрон отображает. Учитывая ограничения анатомии и физики, мы, скорее всего, никогда не получим полного доступа к человеческому мозгу. Развитие мозга построено на компромиссах, и наблюдение и измерение того, что происходит внутри него, тоже требует компромиссов. Поэтому любая технология чтения мыслей должна стремиться читать мысли достаточно хорошо.
Упомянутые компромиссы обусловлены тремя специфическими трудностями: насколько четко мы можем регистрировать активность отдельных нейронов, можем ли мы получать информацию от нейронов по всему мозгу и способны ли переносить данный алгоритм с одного уникально устроенного мозга на другой. Рассмотрим первую трудность: нам нужен максимально четкий сигнал от каждого нейрона мозга. Чем ближе мы подойдем к определению активности отдельных нейронов в любой момент времени, тем точнее будет информация, которую мы сможем из этой активности извлечь. Благодаря картам мозга мы много знаем о том, что, вероятнее всего, делают нейроны на основании их расположения в мозге. Но из-за сложной микроструктуры рисунка, такой как полосы или завитки, даже соседние нейроны могут отображать разное. Единственный способ измерить активность отдельных нейронов состоит в том, чтобы ввести электроды непосредственно внутрь мозга. А это сопряжено со вскрытием черепа и физическим воздействием на мозг человека. Это огромный недостаток. Еще один серьезный недостаток заключается в том, что каждый электрод регистрирует активность лишь нескольких нейронов. Достаточно легко ввести в мозг большое количество электродов, однако существует некий практический предел для количества нейронов и участков мозга, к которым можно подвести электроды, не повредив мозг и не убив человека.
Вторая трудность связана со сбором информации об активности во всем мозге. Вспомните, что смысл отображается одновременно во многих частях мозга. И поэтому информация от одного конкретного нейрона или одной конкретной зоны мозга лишь ограниченно полезна для чтения мыслей. В настоящий момент лучшей технологией для мониторинга активности всех нейронов во всем мозге является фМРТ. Дополнительное преимущество метода в том, что он безопасен и не требует вскрытия черепа. Но он не позволяет получить четкий сигнал от каждого конкретного нейрона. Лучшее, чего можно ожидать, это усредненный сигнал от сотен тысяч соседних нейронов в разных частях мозга. Это важная информация, но это менее четкий сигнал, чем тот, который регистрируется при прослушивании нейронов через вживленные в мозг электроды. Кроме того, стоимость оборудования ограничивает возможность использования фМРТ для чтения мыслей в широком масштабе. А еще эти аппараты громоздкие и стационарные и поэтому бесполезны для помощи людям в каждодневной жизни.
Третья трудность связана с уникальностью каждого конкретного мозга. Технология чтения мыслей, разработанная для оптимального прочтения моих мыслей на основании детальной микроструктуры карт моего мозга, окажется бесполезной для чтения ваших мыслей. Никакая технология не подойдет для массового применения, если нужна команда ученых, чтобы разобраться, как подгонять ее для каждого отдельного случая. Однако теперь для преодоления этой трудности есть решение: искусственный интеллект или, точнее, раздел исследований в области искусственного интеллекта, называемый машинным обучением. Суть идеи машинного обучения заключается в следующем. Вместо того чтобы обучать компьютерную программу многим вещам, чтобы она стала умнее, ей дают возможность учиться самостоятельно, а затем обеспечивают доступ к большому объему данных. Обучаясь методом проб и ошибок на многочисленных примерах, программа сможет находить лучшее решение задачи или выявлять важнейшие детали в многопараметрическом клубке информации. Такие программы становятся мощным и распространенным элементом многих технологий, которыми мы пользуемся, – от поисковых программ в интернете до программ распознавания голоса. Они великолепно находят ключевые элементы, спрятанные в массивах данных.
Программы машинного обучения жадны и всеядны. Они заглотят все, что мы им предложим, и в любом количестве. Они учатся предсказывать погоду на основании спутниковых данных для сегодняшнего дня, предвидеть популярность новых продуктов исходя из объема предыдущих продаж или находить первые признаки заболевания по результатам сканирования. Чем более близкие по смыслу данные мы в них закачиваем, тем лучше они обнаружат и предскажут события, когда мы представим им нечто новое, например, результаты сканирования нового пациента, которому еще не поставлен диагноз. В конечном итоге, возможно, диагностическая и предсказательная способность программы превзойдет способность ее создателя. И вот тогда программа станет по-настоящему полезной. Тогда мы сможем обращаться к программе за постановкой диагноза или за ответом на вопрос, стоит ли брать зонт при выходе из дома.
Для чтения мыслей машинное обучение обладает особенным преимуществом, поскольку преодолевает главное препятствие: нахождение особенностей в отображении вещей и явлений каждым конкретным мозгом. В результате оно помогает сэкономить время и подогнать технологию чтения мыслей для применения на новом мозге без привлечения к работе ученых, чей труд стоит дорого. Программу машинного обучения, натренированную распознавать состояния мозга на основании измерений его активности, называют декодером. Вне зависимости от того, зарегистрирована ли активность с помощью электродов или аппаратов для МРТ, результатом всегда являются числа, много-много чисел. Некоторые числа показывают, в какой части мозга производилось измерение. Другие отражают частоту спайкования нейронов или изменения кровотока при изменении активности нейронов. Суть в том, что декодеры учатся на больших массивах данных. Они не знают и не задумываются о том, что эти числа означают: это может быть процесс разрастания лесов, продажа хот-догов или активность мозга. Функция декодера состоит лишь в том, чтобы найти в массивах данных полезный рисунок.
Самое быстрое обучение декодера происходит при помощи мозга, который и подлежит прочтению. Процесс начинается с того, что “владелец” мозга приступает к какой-то деятельности, например, выполняет ряд движений или зрительно представляет себе что-то по команде. Декодер анализирует активность мозга при выполнении каждого такого действия. По сути, выполняя действия по команде, мозг показывает декодеру, как его следует читать. Этот странный факт имеет несколько следствий. Одно из них заключается в том, что чтение мыслей происходит не мгновенно даже при помощи декодера; для обучения всегда требуется время или примеры, как в случае машинного обучения. Другое следствие состоит в том, что декодирование наиболее успешно происходит при сотрудничестве и терпении того самого мозга, который читают. Это важно, поскольку затрудняет чтение мыслей того, кто этого не желает.
Допустим, машинное обучение помогает в той или иной степени преодолеть третью трудность в чтении мыслей, но какие решения существуют для первой и второй проблем? В частности, как достичь компромисса между отчетливой регистрацией отдельных нейронов и одновременной регистрацией многих нейронов во всем мозге? Выясняется, что машинное обучение – столь мощный инструмент, что он позволяет получить достаточно хороший результат с разными компромиссными условиями. Один путь заключается в использовании паттернов активности, собранных с помощью фМРТ. Каждое измерение методом фМРТ дает усредненные показатели активности сотен тысяч нейронов. Но если дать декодеру достаточное количество примеров таких паттернов, когда участник исследования находится в состоянии X или Y, программа выявляет тонкие связи между бесчисленными параметрами мозга в этих двух состояниях и позволяет распознать их природу.