Ландшафты мозга. Об удивительных искаженных картах нашего мозга и о том, как они ведут нас по жизни

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.