Мозг: биография. Извилистый путь к пониманию того, как работает наш разум, где хранится память и формируются мысли

Безусловно, это удивительные и неожиданные результаты. Но одного лишь факта, что программа способна генерировать нечто похожее на поведение, порождаемое мозгом, недостаточно, чтобы заявить, будто обе системы имеют общую структуру или функцию. Как показала работа Ив Мардер, один и тот же результат может быть порожден множеством совершенно различных структур. Малоэффективным оказалось и предположение Марра о том, что одни и те же алгоритмы могут быть задействованы в искусственных и естественных процессах: алгоритм, изучавший формы прошедшего времени английских глаголов, не пролил никакого света на то, как дети овладевают языком.

Системы глубокого обучения отлично умеют идентифицировать данные, например о кошках.

Недавняя попытка сравнить, как животные и сети глубокого обучения идентифицируют визуальные объекты, подтвердила догадки многих биологов. Хотя машина, обезьяна и человек были способны распознать изображения собак, медведей и так далее, компьютерная программа совершала ошибки, кардинально отличавшиеся от тех ошибок, что делали животные, что свидетельствовало о том, что алгоритм не обрабатывал изображения схожим образом. Кроме того, корректировка программы не улучшила ситуацию, что говорит о некоторых фундаментальных различиях в процессах, происходящих в машине и в мозге животного [40].

В 2015 году Гари Маркус, посвятивший свою карьеру изучению подобных феноменов, подробно высказался на этот счет: «Польза нейронных сетей как моделей сознания и мозга остается несущественной, полезной лишь, возможно, в аспектах низкоуровневого восприятия, но ограниченной в объяснении более сложного, более высокого уровня познания» [41]. Это правда, что, хотя большинство исследователей в области ИИ черпают вдохновение – или получают вызов, – в биологии известно лишь несколько случаев, когда подобные модели помогли понять биологические процессы [42]. Один из них связан с обучением. Многие из наиболее эффективных программ используют то, что называется методом временных различий – разницей в точности последовательных предсказаний – для достижения своих замечательных результатов (по сути, что положено в основу программы, которая недавно обыграла человека в го) [43]. В исследовании, проведенном в 2003 году, было обнаружено, что активность дофамин-продуцирующих нейронов во время обучения у людей в точности отражает то, что было предсказано моделями временных различий, представляя убедительные доказательства того, что естественное обучение включает в себя этот процесс [44]. Учитывая, что такие модели были впервые получены на основе исследования животных, это, возможно, не так уж и удивительно.

Несмотря на интерес исследователей к области искусственного интеллекта, в биологии есть только несколько случаев, когда они помогли понять биологические процессы.

Лучший пример, хотя он еще не был полностью разработан, появился в 2013 году, когда Софи Карон и Ванесса Рута в лаборатории Ричарда Акселя в Колумбийском университете показали, что структура обонятельной обрабатывающей сети дрозофилы по существу повторяет трехуровневую структуру нейронной сети со «скрытым слоем», отвечающим за грибовидное тело[268] [45]. Организация грибовидных тел различается от мухи к мухе и кажется случайной. Работая с коллегой, нейробиологом-теоретиком Ларри Эбботом, группа Акселя предположила, что эта «случайность» может являться основой для способности мухи к обучению – то, что Эббот и Аксель исследовали в сотрудничестве с учеными из кампуса «Джанелия» [46]. Грибовидное тело каждой особи имеет специфическое устройство, и эта особенность, вместе с обратными цепями (по сути, такими же, как бэкпроп, но включающими ряд клеток), по-видимому, позволяет мухе опознавать запахи и соответствующим образом вести себя. Подобное прозрение, касающееся, вероятно, наиболее понятного на сегодняшний день мозга, было бы невозможно без работы теоретиков, использующих нейронные сети. Но работает ли мозг мухи действительно таким образом, еще предстоит выяснить [47].