Зачем строить интеллектуальные машины?

Теперь к вопросу Что будут делать интеллектуальные машины?

Меня часто просят рассказать о будущем мобильных компьютеров. Организаторы конференций нередко просят меня описать, на что будут похожи наладонники или сотовые телефоны через пять или двадцать лет. Они хотят услышать мое видение будущего. Я не могу этого сделать. Я пытаюсь избежать того, что все вместе я называю одним словом «V». Чтобы убедить в этом, я однажды вышел на сцену в шляпе волшебника и с хрустальным шаром. Я объяснил, что никто не может видеть будущее детально. Хрустальный шар – это фикция, и любой, кто претендует на точное знание того, что произойдет в грядущие годы, обречен на провал. Самое лучшее, что мы можем сделать вместо этого – это понять общую тенденцию. Если вы понимаете общую идею, вы вполне сможете отследить ее, как бы она ни развивалась по мере выявления деталей.

Наиболее известный пример технологической тенденции это закон Мура. Гордон Мур верно предсказал, что количество элементов, которые могут быть размещены на кремниевом чипе, должно удваиваться каждые полтора года. Мур не сказал, относится ли это к чипам памяти, процессорам или чему-то еще. Он не сказал, в каком виде продукции эти чипы будут использованы. Он не предсказывал, будут ли чипы в пластиковых или керамических корпусах или наклеенные прямо на плату. Он не сказал ничего о различных процессах, используемых при производстве чипов. Он привязался к наиболее общей тенденции, какой мог, и оказался прав.

В настоящее время мы не можем предсказать окончательное использование интеллектуальных машин. Просто нет способа узнать конкретные детали. Если я, или кто-то еще, предсказывает в деталях, что будут делать эти машины, мы неизбежно будем обмануты. Однако, мы можем сделать нечто большее, чем просто пожимать плечами. Есть две линии идей, которые могут быть полезны. Одна – вообразить наиболее краткосрочное использование мозгоподобной системы памяти – очевидное, но менее интересная вещь, которую можно попробовать для начала. Второй подход – подумать о долгосрочных тенденциях, подобных закону Мура, которые могут помочь нам вообразить применения таких машин, которые, возможно, могли бы стать частью нашего будущего.

Давайте начнем с некоторых краткосрочных применений. Это вещи, кажущиеся очевидными, подобно замене радиоламп на транзисторы или построению калькуляторов на микропроцессорах. И мы сможем начать с обозрения некоторых областей, в которых пытались применить ИИ, но не смогли – распознавание речи, техническое зрение и умные автомобили.

* * *

Если вы когда-нибудь пытались использовать программы для распознавания речи для ввода текста в персональный компьютер, вы знаете, насколько они могут быть неуклюжими. Подобно Китайской Комнате Серла, у компьютера нет понимания того, что ему сказали. За время использования таких продуктов я был разочарован. Если в комнате есть хоть какой-нибудь шум, от упавшего карандаша до чьего-нибудь разговора, на экране появляются лишние слова. Процент ошибок распознавания очень высок. Часто слова, которые послышались программе, не имели смысла. «Remember to fell Mary that the bog is ready to be piqued up». Ребенок знает, что это неправильно, но не компьютер. Аналогично, так называемые естественно-языковые интерфейсы были целью для компьютерщиков многие годы. Идея в том, чтоб вы могли сказать компьютеру или другим устройствам сказать, чего вы хотите – и пусть машина делает свою работу. Персональному цифровому помощнику, или PDA, вы могли бы сказать «Перенести занятия баскетболом для моей дочери на десять часов утра в воскресенье». Такое невозможно сделать на приемлемом уровне с помощью традиционного ИИ. Даже если компьютер смог бы распознать каждое слово, для того, чтоб выполнить задачу ему потребовалось бы знать, в какую школу ходит ваша дочь, что, возможно, вы имели в виду ближайшее воскресенье, и, может быть, что такое «занятия баскетболом» потому что назначение могло бы только говорить «Menlo vs. St. Joe». Или, вероятно, вы хотели бы, чтоб компьютер слушал радиопередачу на предмет упоминания определенного продукта, даже если диктор описывает этот продукт не используя его название. Вы и я знали бы, о чем он говорит, но компьютер – нет.

Эти и многие другие приложения требуют, чтоб машина могла слышать и понимать устный язык. Но компьютеры не могут выполнять такую задачу, потому что они не понимают, что было сказано. Они сопоставляют звуковые паттерны со словарными шаблонами механически, не зная, что обозначают слова. Представьте себе, если бы вы научились звучание отдельных слов иностранного языка, но не значение слов, и я попросил бы вас перевести разговор с другого языка. В процессе перевода вы бы не понимали, о чем речь, но пытались бы ухватить отдельные слова. Однако, слова перекрываются и взаимодействуют, и частично звуки подавляются шумами. Вам бы показалось черезвычайно сложно отделить слова и узнать их. Именно с этим препятствием борются современные распознающие программы. Инженеры обнаружили, что используя вероятности перехода слов они могут улучшить качество программ в чем-то. Например, они используют правила грамматики для того, чтоб выбрать один из омонимов. Это очень простая форма предсказания, но системы все еще остаются слабо интеллектуальными. Современные программы распознавания речи успешно работают только в очень ограниченных ситуациях, в которых количество слов, которые вы можете сказать в любой момент, ограничено. Но люди очень легко выполняют множество задач, связанных с языком, потому что наш кортекс понимает не только слова, но предложения и контекста, в котором они произнесены. Мы предчувствуем мысли, фразы и отдельные слова. Наша кортикальная модель мира делает это автоматически.

Так что мы можем ожидать, что системы памяти, подобные кортексу, трансформируют ошибочное распознавание речи в надежное понимание речи. Вместо программирования вероятностей переходов отдельных слов, иерархическая память будет отслеживать ударения, слова, фразы, смысл и использовать их для интерпретации того, что было сказано. Подобно человеку, такая интеллектуальная машина могла бы отличать различные случаи применения речи – например, разговор между вами и вашим другом в комнате, телефонный разговор, команды редактирования для текстового редактора. Такие машина построить нелегко. Для полного понимания человеческого языка, машина должна иметь опыт и изучать, что делает человек. Так что даже если пройдет много лет, прежде чем мы сможем построить интеллектуальные машины, мы будем способны в ближайшем будущем улучшить производительность существующих систем распознавания речи, используя память, подобную кортексу.

Зрение предлагает другой набор приложений, которые ИИ не может решить, но которые интеллектуальные системы должны уметь решать. Сегодня нет машин, которые могут смотреть на естественное изображение – мир перед вашими глазами, или картинка с камеры – и описывать, что она видит. Есть несколько успешных применений машинного зрения, которое работает в очень ограниченных областях, такие как визуальное выравнивание чипов на печатной плате или сопоставление лиц по базе данных, но в настоящее время для компьютера невозможно идентифицировать различные объекты или анализировать изображение более общо. Для вас не составляет труда осмотреть комнату и найти место, где можно присесть, но не просите компьютер сделать это. Представьте, что вы смотрите на экран с изображением с камеры безопасности. Можете вы отличить человека, стучащего в дверь с подарком в руке от человека с монтировкой? Конечно можете, но такое различение за пределами способностей современных программ. Следовательно мы нанимаем человека, который следит за экраном камеры безопасности все время в поисках подозрительного. Для такого человека сложно все время оставаться начеку, тогда как интеллектуальная машина могла бы выполнять такую задачу неустанно.

В конце концов, давайте взглянем на транспортировку. Машины становятся все более сложными. У них есть GPS для отображения маршрута от A к B, сенсоры для включения фар, когда становится темно, акселерометры для срабатывания подушки безопасности, сенсоры предупреждающие о том, что вы можете наехать задним ходом на какой то предмет. Есть даже автомобили, которые ездят автономно по специальным путям или в идеальных условиях, хотя они коммерчески недоступны. Но чтобы эффективно и безопасно вести машину по любым типам дорог или в любых дорожных условиях, требуется большее, чем набор сенсоров и обратные связи контуров управления. Чтоб быть хорошим водителем, вы должны понимать дорожную обстановку, других водителей, принцип работы автомобиля, сигнальные огни и массу прочих вещей. Вы должны быть способны понимать предупреждающие знаки или отмечать, когда другая машина движется слишком опасно. Вы должны видеть поворотники другой машины и предвидеть, что она вероятно сменит полосу, или, если сигнал включен уже несколько минут, предположить, что водитель вероятно забыл, что сигнал включен и не будет менять полосу. Вы должны понять, что клубы дыма далеко впереди могут обозначать, что произошла авария и следовательно вы должны замедлить движение. Водитель видит мячик, катящийся по дороге и автоматически понимает, что за ним может выбежать ребенок, чтоб догнать его, и интуитивно жмет на тормоз.

Скажем, мы хотим построить действительно умную машину. Первое, что мы должны сделать – это выбрать набор сенсоров, которые позволили бы машине ощущать мир. Мы могли бы начать с камеры для зрения, возможно несколько камер, спереди и сзади, и микрофоны для слуха, но мы могли бы также обеспечить ее радаром или ультразвуковыми сенсорами, которые могли бы точно определять расстояние до других объектов и скорость и в светлых и в темных условиях. Суть в том, что мы не должны полагаться или ограничивать себя только теми чувствами, которые использует человек. Кортикальный алгоритм гибок, и, пока мы корректно применяем систему иерархической памяти, для нее не должно иметь значения, какие типы сенсоров мы инсталлируем. Наша машина могла бы, теоретически, быть лучше в ощущении мира дорожного движения, чем мы, потому что ее набор сенсоров может быть выбран в соответствии с задачей. Затем сенсоры были бы приделаны к достаточно большой системе иерархической памяти. Разработчики машины натренировали бы память умной машины путем демонстрации ей условий из реального мира, так чтоб она обучалась строить модель ее мира точно также, как делают люди – только более ограниченной области. (Например, машине нужно знать о дорогах, но не о лифтах или самолетах). Память машины изучила бы иерархическую структуру дорожного движения и дорог, так что она смогла бы понимать и предвидеть, что скорее всего должно произойти в ее мире движущихся автомобилей, дорожных знаков, препятствий или пересечений. Разработчики машины могли бы разработать систему памяти такую, чтоб она действительно вела машину или просто наблюдала за тем, что происходит, когда вы ведете. Он мог бы давать советы или наоборот принимать советы в сложных ситуациях, подобно советчику, который бы вас не раздражал. Как только память один раз полностью натренирована и машина может понимать и разбираться во всем, что может произойти, инженеры имели бы возможность постоянной настройки памяти, так что все машины, сходящие со сборочного конвейера вели бы себя одинаково, или они могли бы разработать память для продолжения обучения после того, как машина продана. И с помощью компьютера, но не человеком, память могла бы быть перепрограммирована обновленной версией, которая работала бы и в каких то новых ситуациях.

Я не говорю о том, что мы определенно построим умные автомобили или машины, которые будут понимать язык и обладать зрением. Но это хорошие примеры устройств, которые мы могли бы исследовать и разрабатывать, и кажется возможным построить их.

* * *

Лично меня меньше всего интересуют очевидные применения интеллектуальных машин. Для меня истинное преимущество и восхищение новыми технологиями – это найти для них применения, который были ранее невообразимыми. В каких случаях интеллектуальные машины могли бы удивить нас, и какие фантастические возможности возникли бы через некоторое время? Я уверен, что иерархическая память, подобно транзистору и микропроцессору, преобразует нашу жизнь к лучшему невероятным способом, но каким? Один способ, как мы могли бы мельком увидеть будущее интеллектуальных машин, заключается в том, чтоб подумать над аспектами хорошо масштабируемых технологий. ТО есть, какие атрибуты интеллектуальных машин будут становиться дешевле и дешевле, быстрее и быстрее, или меньше и меньше. Вещи, которые растут экспоненциально, моментально уходят за пределы нашего воображения и наиболее вероятно играют ключевую роль в наиболее радикальной эволюции технологии будущего.

Примеры технологий, которые росли экспоненциально многие годы, включают кремниевые чипы памяти, жесткие диски, технологии расшифровки ДНК, и оптоволоконные технологии. Эти моментально масштабирующиеся технологии были основой для многих новых продуктов и видов деятельности. В другой форме также хорошо масштабировалось программное обеспечение. Нужные программы, однажды написанные, могли быть скопированы множество раз и виртуально не имели стоимости.

В отличие от этого, некоторые технологии, такие как батарейки, моторы, и традиционная робототехника, плохо масштабируются. Несмотря на многочисленные усилия и неизменные улучшения, манипуляторы, построенные сегодня, не намного лучше чем построенные много лет назад. Развитие робототехники идет постепенно и скромно, ничего подобного экспоненциальным кривым роста разработки чипов или распространения программного обеспечения. Манипулятор, построенный в 1985 году за миллион долларов, не может быть построен сегодня за десять долларов. Подобным образом, сегодня батарейки не намного лучше чем они были десять лет назад. Вы могли бы сказать, что они в два или три раза лучше, но не в тысячи раз и прогресс идет очень медленно. Если бы емкость батареек возрастала с такой же скоростью, как емкость жестких дисков, то сотовые телефоны и другая электроника вообще не требовали бы зарядки, а легковесные электромобили, пробегающие тысячи миль за одну зарядку, были бы обыденностью.

Так что нам следует думать о том, какие аспекты мозгоподобной системы памяти будут масштабироваться значительно за пределы наших биологических мозгов. Эти атрибуты могут подсказать, куда в конечном счете придут технологии. Я вижу четыре атрибута, которые должны превысить наши собственные: скорость, емкость, возможность копирования и сенсорные системы.

Скорость

Тогда как нейроны работают с временами порядка миллисекунд, кремниевые чипы оперируют с временами порядка наносекунд (и также продолжают становиться быстрее). Эта разница в миллионы раз, на шесть порядков. В следствие этого между органическим и кремниевым мозгом должно быть отличие в скорости. Интеллектуальные машины будут способны думать в миллионы раз быстрее, чем человеческий мозг. Такой разум мог бы читать библиотеки целиком или изучать огромные, сложные массивы данных – задачи, которые могут занять у меня или у вас целые годы – за несколько минут, получая тот же самый результат. В этом нет ничего магического. Биологический мозг эволюционировал с двумя ограничениями по времени. Одно – это скорость, с которой нейроны могу работать, а другое – это скорость, с которой изменяется мир. Для биологического мозга было бы бесполезно думать в миллион раз быстрее, если окружающий мир изменяется медленно. Но в кортикальном алгоритме нет ничего, что заставляло бы его работать медленно. Если бы интеллектуальная машина общалась и взаимодействовала с человеком, она должна была бы замедлить свою работу до человеческой скорости. Если бы она читала книгу, переворачивая страницы, было бы ограничение на то, как быстро она могла бы читать. Но когда она взаимодействовала бы с электронным миром, она могла бы функционировать гораздо быстрее. Две интеллектуальные машины могли бы поддерживать общение в миллион раз быстрее, чем два человека. Вообразите прогресс интеллектуальных машин, которые решают математические или научные проблемы в миллион раз быстрее, чем человек. За десять секунд она могла бы выдать столько же идей по проблеме, сколько вы могли бы за месяц. Никогда не устающая, не поддающийся скуке разум на такой скорости однозначно был бы полезен в таких применениях, которые мы еще не можем вообразить.

Емкость

Несмотря на впечатляющую емкость памяти человеческого кортекса, интеллектуальные машины могу быть построены так, что превзойдут ее. Размер нашего мозга ограничен несколькими биологическими факторами, включая отношение черепа ребенка к диаметру таза матери, высокая метаболическая стоимость работающего мозга (ваш мозг всего 2 процента от вашего тела по весу, но использует около 20 процентов вдыхаемого кислорода), и низкая скорость нейронов. Но мы можем построить интеллектуальные системы памяти любого размера, и, в отличие от слепого, извилистого процесса эволюции, мы можем проявить предусмотрительность и специфические намерения к деталям дизайна. Может оказаться, что емкость человеческого неокортекса станет относительно скромной за десятилетие с текущего момента.

При построении интеллектуальных машин мы могли бы увеличить емкость их памяти несколькими способами. Увеличение глубины иерархии приведет к более глубокому пониманию – способности видеть высокоуровневые паттерны. Увеличение емкости областей позволит машине помнить больше деталей, или воспринимать с более высокой точностью, подобно тому, как у слепого человека гораздо лучше чувство осязания и слуха. Добавление новых чувств к сенсорной иерархии позволит устройству создавать лучшую модель мира, как я укажу далее.

Было бы интересно посмотреть, есть ли верхний предел того, насколько большой может стать интеллектуальная система памяти и в каких измерениях. Возможно, устройство может стать слишком хаотичным, чтоб его использовать, или оно могло бы перестать работать при достижении некоторого теоретического предела. Возможно человеческий мозг уже близок к максимальному теоретическому размеру, но мне это кажется слишком неправдоподобным. Человеческий мозг стал большим сравнительно недавно на по эволюционной временной шкале, и нет оснований полагать, что мы на некотором стабильном максимуме. Какой бы ни оказалась пиковая емкость интеллектуальной системы памяти, человеческий мозг определенно не достиг ее. Она, вероятно, не близко.

Один способ посмотреть, что такие системы могли бы сделать – это посмотреть на известные ограничения человеческой производительности. Эйнштейн несомненно был черезвычайно умным, но его мозг был все таки мозгом. Мы можем предположить, что его экстраординарная интеллектуальность была в основном следствием физических отличий его мозга и обычного человеческого мозга. Что сделало Эйнштейна таким необыкновенным, так это то, что человеческий геном не часто производит мозг, подобный его мозгу. Однако, когда мы будем разрабатывать кремниевый мозг, мы сможем его построить как захотим. Он мог бы быть уровня Эйнштейна, или даже умнее. Другой экстремальный пример – savants – могут показать нам другое возможное измерение интеллекта. Savants – это умственно отсталые люди, проявляющие замечательные способности, такие как фотографическая памяти или способность выполнять сложные математические вычисления с молниеносной скоростью. Их мозг, хотя не типичный, все еще мозг, работающие по тому же самому кортикальному алгоритму. Если нетипичный мозг может иметь ошеломляющие способности к запоминанию, то, теоретически, мы могли бы добавить эти способности нашему искусственному мозгу. Эти экстремальные ментальные человеческие способности не только показывают, что возможно воссоздать; они предоставляют направление, в котором мы могли бы превзойти наилучшие человеческие способности.

Возможность копирования

Каждый новый органический мозг должен быть выращен и натренирован с нуля, этот процесс занимает десятилетия человеческой жизни. Каждый человек должен открыть для самого себя основы координации конечностей тела и групп мышц, удержания равновесия и движения, запомнить общие свойства многочисленных объектов, животных, других людей; названия вещей и структуру языка; правила семьи и общества. Когда эти основы усвоены, наступают годы и годы формального обучения. Каждый человек должен пройти в жизни один и тот же набор кривых обучения, необходимых для построения модели мира в кортексе, даже хотя они были пройдены бесчисленное количество раз другими людьми.

Интеллектуальным машинам нет необходимости проходить этот длинный путь обучения, поскольку чипы и другие устройства хранения могут быть скопированы многократно и содержимое может быть легко перенесено. В этом смысле интеллектуальные машины могли бы копироваться как программное обеспечение. Как только единичный прототип системы был удовлетворительно настроен и натренирован, он мог бы быть скопирован многократно по нашему желанию. Могут уйти годы на разработку чипа, конфигурирование аппаратуры, тренировки, пробы и ошибки при совершенствовании системы памяти для умного автомобиля, но как только получен конечный продукт, можно начать его массовое производство. Как я уже упоминал ранее, мы могли бы выбрать, позволить копиям продолжать обучение или нет. Для некоторых приложений мы хотели бы ограничить интеллектуальные машины, чтоб они работали только протестированным и известным образом. Как только умная машина узнает все, что необходимо, мы не хотели бы, чтоб у нее развились вредные привычки или чтоб она поверила в ложные аналогии, которые ей показались бы. Мы ожидали бы, что все одинаковые машины вели бы себя одинаково. Но для других приложений, мы хотели бы, чтоб мозгоподобная система памяти сохраняла способность продолжать обучение. Например, интеллектуальная машина, разработанная для поиска математических доказательств, нуждалась бы в способности обучаться на опыте, применять старые догадки к новым проблемам, и была бы обобщенно гибкой и открытой.

Была бы необходима возможность совместного использования компонентов обучения, так же как это делается для программного обеспечения. Интеллектуальная машина конкретной разработки могла бы быть перепрограммирована с новым множеством соединений, ведущих к отличному поведению, как если бы я мог загрузить новый набор соединений в ваш мозг и изменить вас с англо-говорящего на франко-говорящего, или с профессора политических наук на музыковеда. Люди могли бы обменивать и строить работу других. Скажем, я разработал и натренировал машину с превосходной визуальной системой, а другой человек разработал и натренировал машину с превосходным слухом. При правильной разработке мы могли бы скомбинировать преимущества обеих систем без тренировки снизу вверх. Совместное использование жизненного опыта таким способом просто невозможно для людей. Направление разработки интеллектуальных машин могло бы эволюционировать тем же путем, что и компьютерная индустрия, с сообществами людей, тренирующих интеллектуальные машины на специализированные знания и способности, и людей, продающих и обменивающих результаты конфигурации памяти. Перепрограммирование интеллектуальной машины не отличалось бы от запуска новой видеоигры или инсталлирования нового программного обеспечения.

Сенсорные системы

У людей есть набор чувств. Эти чувства замурованы глубоко в наших генах, в наших телах и в субкортикальных соединениях нашего мозга. Мы не можем изменить их. Иногда мы используем технологию, чтобы усилить наши чувства, такие как очки ночного видения, радары или космический телескоп Хаббл. Эти высокотехнологические инструменты являются хитрыми трюками преобразования данных, но не новой моделью восприятия. Они преобразуют информацию, которую мы не можем ощущать, в визуальную или слуховую, которую уже мы можем интерпретировать. Тем не менее, необходимо отдать должное изумительной гибкости нашего мозга, которая проявляется в том, что мы можем смотреть на экран радара и понимать то, что он представляет. Большинство видов животных демонстрируют различные чувства, такие как эхолокация у летучих мышей и дельфинов, способность пчел видеть поляризованный и ультрафиолетовый свет, способность чувствовать электрическое поле у некоторых рыб.

Интеллектуальные машины могли бы воспринимать мир через любые органы чувств, как существующие в природе, так и чисто разработанные человеком. Сонар, радар и инфракрасное зрение очевидные примеры нечеловеческих видов органов чувств, которые мы могли бы захотеть использовать в интеллектуальных машинах. Но это только начало.

Гораздо более интересным был бы способ, которым интеллектуальные машины воспринимали бы мир экзотических, чуждых чувств. Как мы видели, неокортикальный алгоритм фундаментально занимается поиском паттернов в мире. Для него нет предпочтения к физическим источникам этих паттернов. Пока информация, поступающая в кортекс, является неслучайной и имеет определенную статистическую структуру, интеллектуальная система будет формировать инвариантные воспоминания и предсказания на их основе. Нет причины, по которой эти паттерны обязаны быть аналогичными чувствам животных, или даже вообще приходить из реального мира. Я ожидаю, что именно в области экзотических органов чувств лежит революционное использование интеллектуальных машин.

Например, мы могли бы разработать сенсорную систему, которая охватывает весь земной шар. Вообразите метеорологические датчики, расположенные примерно через каждые пятьдесят миль по континенту. Эти сенсоры были бы аналогичны сенсорам сетчатки. В любой момент времени, два смежных сенсора погоды имели бы высокую корреляцию их активности, подобно двум смежным нейронам сетчатки. Есть большие метеорологические объекты, такие как шторма и фронты, которые движутся и изменяются во времени, точно также как движутся и изменяются во времени визуальные объекты. Приделывая такой сенсорный массив к большой кортикальноподобной памяти, мы могли бы позволить системе научиться предсказывать погоду, точно так же, как мы учимся узнавать визуальные объекты и предсказывать, как они движутся во времени. Система видела бы локальные погодные паттерны, существующие часы, дни, годы. Размещая сенсоры поближе в некоторых регионах, мы могли бы создать некоторое подобие фовеа, позволяя интеллектуальному погодному мозгу понимать и предсказывать микроклимат. Наш погодный мозг понимал бы и думал бы о глобальной погодной системе так же, как я и вы понимаем и думаем об объектах и людях. Метеорологи сегодня занимаются чем то похожим. Они собирают записи с различных распределенных датчиков и используют суперкомпьютеры для моделирования климата и прогноза погоды. Но этот подход, который фундаментально отличается от того, как работали бы интеллектуальные машины, сродни тому как компьютер играет в шахматы – тупо и без понимания – тогда как интеллектуальная погодная машина сродни человеку, играющему в шахматы – вдумчиво и с пониманием. Интеллектуальная погодная машина открыла бы паттерны, которые недоступны человеку. Только в 1960 году был открыт погодный феномен, известный как El Niño. Погодный мозг мог бы найти гораздо больше паттернов, подобных El Niño, или обучиться тому, как предсказывать торнадо или муссоны гораздо лучше, чем человек. Располагая огромное количество погодных данных в форме, которая недоступна для понимания человеком, наш погодный мозг ощущал бы и думал о погоде непосредственно.

Другая сильно распределенная система сенсоров могла бы позволить нам построить интеллектуальную машину, понимающую и предсказывающую миграцию животных, демографические изменения, распространение болезней. Вообразите, что у нас есть сенсоры, распределенные по сетям линий электропередачи. Интеллектуальная машина, присоединенная к этим сенсорам наблюдала бы спады и потоки электропотребления таким же образом, как мы видим потоки дорожного движения, или движение людей в аэропорту. Через постоянное наблюдение этого человек обучается предсказывать эти паттерны – просто спросите об этом служащих, ездящих на транспорте или службу безопасности аэропорта. Аналогично интеллектуальный монитор сети электропередачи был бы способен лучше чем человек предсказывать потребности в электроэнергии, предсказывать ситуации, ведущие к перегрузке. Мы могли бы комбинировать сенсоры для погоды и человеческой демографии для того, чтобы предвидеть политические волнения, стихийные бедствия или вспышки болезней. Подобно очень умному дипломату, интеллектуальные машины могли бы играть роль в сокращении конфликтов и человеческих страданий. Вы могли бы подумать, что интеллектуальной машине нужны были бы эмоции, чтобы предсказывать паттерны, связанные с человеческим поведением, но я так не думаю. Мы не родились с набором культурных, религиозных ценностей; мы обучились им. И точно также, как я могу научиться понимать мотивацию людей с ценностями, отличными от моих, интеллектуальная машина могла бы постичь человеческие мотивации и эмоции, даже если сама по себе машина не имеет эмоций.

Мы могли бы изучать структуру бытия. Теоретически возможно сделать сенсоры, которые могли бы представлять паттерны в клетках или больших молекулах. Например, важная проблема сегодня – это понять, как форма молекулы белка может быть предсказана из последовательности аминокислот, составляющих этот белок. Умея предсказывать процесс свертывания и взаимодействия белков ускорило бы развитие медицины и вылечило бы многие болезни. Инженеры и ученые создают трехмерные визуальные модели белков, пытаясь предсказать, как поведут себя эти сложные молекулы. Но это слишком сложно. С другой стороны, супер интеллектуальная машина с набором сенсоров, специально подобранных для этой задачи, могла бы ответить на такие вопросы. Если это кажется слишком неестественным, вспомните, что мы не удивились бы, если человек смог бы решить эту проблему. Наша неспособность ухватить всю суть может быть базируется, в основном, на несоответствии между человеческими органами чувств и физическим феноменом, который мы хотим понять. Интеллектуальные машины могли бы иметь различные органы чувств и память, больше чем у человека, позволяющие им решать те проблемы, которые мы не можем решить.

С правильным набором чувств и слегка реструктурированной кортикальной памятью интеллектуальные машины могли бы жить и размышлять в виртуальных мирах, используемых в математике и физике. Например, большинство попыток в математике и науке требуют понимания того, как ведут себя объекты в мире, в котором больше чем три измерения. Теория струн, которая изучает структуру самого пространства, представляет Вселенную, как имеющую десять или более измерений. Для людей представляет большую сложность думать о математических проблемах в четырех или более измерений. Возможно интеллектуальная машина соответствующего дизайна могла бы понять многомерные пространства таким же образом, как мы понимаем трехмерные пространства, и, следовательно, была бы экспертом в предсказании того, как они себя поведут.

В конце концов мы могли бы использовать связку интеллектуальных машин в большой иерархии, точно так же как наш кортекс объединяет слух, осязание и зрение в высокоуровневую иерархию. Такая система автоматически училась бы моделировать и предсказывать мыслительные паттерны в популяции интеллектуальных машин. С распределенными системами передачи данных, такие как Интернет, отдельные интеллектуальные машины могли бы быть распределены по земному шару. Большая иерархия изучала бы более глубокие паттерны и видеть более сложные аналогии.

Цель этих размышлений показать, что есть множество способов, которыми мозгоподобные машины могли бы опередить наши способности. Они могли бы думать и учиться в миллион раз быстрее, чем можем мы, помнить огромное количество детальной информации или видеть невероятно абстрактные паттерны. У них могли бы быть более чувствительные сенсоры, чем у нас, или более распределенные сенсоры, или сенсоры для очень микроскопических феноменов. Они могли бы думать в трех, четырех или большем количестве измерений. Ни одна из этих интересных возможностей не зависит от того, что интеллектуальные машины подражают или действуют подобно людям, и они не требуют сложной робототехники.

Теперь мы можем полностью увидеть, как Тест Тьюринга сравнивая интеллект с человеческим поведением, ограничил наше видение возможного. Поняв в первую очередь, что такое интеллект, мы можем построить интеллектуальные машины, которые будут гораздо более ценны, чем простое копирование человеческого поведения. Интеллектуальные машины будут поразительным инструментом и сильно расширят наши знания о Вселенной.

* * *

Когда сбудется что-либо из этого? Построим мы интеллектуальные машины через пятьдесят лет, через двадцать или через пять? В мире высоких технологий есть высказывание, что изменения идут дольше, чем вы ожидаете в краткосрочной перспективе, но возникают быстрее, чем вы ожидаете в долгосрочной перспективе. Я видел это много раз. Кто-то выскакивает на конференции, объявляет новую технологию и заявляет, что она будет в каждом доме через четыре года. Оказывается, что он ошибался. Четыре года превращаются в восемь, и люди начинают думать, что это никогда не произойдет. Спустя некоторое время, когда всем кажется, что идея совсем умерла, она начинает возрождаться и становится большой сенсацией. Что-то подобное должно произойти с интеллектуальными машинами. Поначалу прогресс кажется медленным, но потом начинает быстро набирать обороты.

На конференциях нейроученых мне нравится обходить зал и просить каждого высказать свое мнение о том, когда у нас будет работающая теория кортекса. Некоторые люди – меньше 5 процентов – говорят «никогда» или «у нас она уже есть» (неожиданный ответ). Другие 5 процентов говорят «через 10 лет». Половина оставшихся говорят от 10 до 50 лет, или «в течение моей жизни». Оставшиеся говорят от 50 до 200 лет, или «уже после моей жизни». Я на стороне оптимистов. Мы в течение десятилетий жили в «медленном» периоде, так что многим людям кажется, что прогресс в теоретической нейронауке и интеллектуальных машинах окончательно застрял. Опираясь на прогресс последних 50 лет естественно предположить, что мы никогда не приблизимся к ответу. Но я верю, что мы на поворотной точке и прогресс тронется с места.

Возможно ускорить будущее, чтобы приблизить поворотную точку. Одна из целей этой книги убедить вас, что при наличии корректных теоретических основ мы можем добиться ускоренного прогресса в понимании кортекса – что с моделью «память-предсказание» в качестве руководства мы можем дешифровать детали того, как работает мозг и наше мышление. Это знание, необходимое для построения интеллектуальных машин. Если это верная модель, прогресс может вскоре продолжиться.

Так что хотя я не могу точно предсказать, когда эра интеллектуальных машин станет реальность, я думаю, что если достаточное количество людей возьмутся за решение проблемы сегодня, мы сможем создать полезный прототип и эмулятор кортекса всего за несколько лет. В течение десяти лет, я надеюсь, интеллектуальные машины станут одной из самых горячих областей технологии и науки. Я не хочу уточнять, потому что я знаю, как легко недооценить время, требуемое для того, чтоб произошло что-то важное. Так почему же я столь оптимистичен в оценке скорости прогресса в понимании мозга и построении интеллектуальных машин? Моя вера коренится в основном на том, что я потратил уже довольно много времени на работу по проблеме интеллекта. Когда я впервые увлекся изучением мозга, я почувствовал, что решение этой головоломки может наступить при моей жизни. В течение многих лет я тщательно наблюдал спад ИИ, восхождение и падение нейронных сетей, и Декаду Мозга в 90-х годах. Я видел, как эволюционировали отношение к теоретической биологии и в особенности теоретической нейронауке. Я видел, как идеи предсказания, иерархического представления и время вползали в лексикон нейронауки. Я видел прогресс в моем собственном понимании и понимании у моих коллег. Я загорелся ролью предсказания 18 лет назад и с тех пор несколькими способами проверял ее. Поскольку я был погружен в нейронауку и компьютерную область свыше двух десятилетий, возможно мой мозг построил высокоуровневую модель того, как возникают технологические и научные изменения, и что модель предсказывает быстрый прогресс. Сейчас поворотный момент.

Эпилог

Астроном Карл Саган любил говорить, что понимание чего-либо не уменьшает его интересность и загадочность. Множество людей боятся, что научное понимание повлечет за собой компромисс с удивительностью, как если бы знание высасывало бы вкус и цвет жизни. Но Саган был прав. Истина в том, что с пониманием мы обретаем больше комфорта в нашей роли во вселенной и одновременно вселенная становится более полноцветной и загадочной. Быть крошечным пятном в бесконечном космосе, живым, сознательным, интеллектуальным и творческим – это более интересно, чем жить на плоской ограниченной Земле в центре маленькой вселенной. Понимание того, как работает наш мозг не уменьшает интересности и загадочности вселенной, нашей жизни, нашего будущего. Наше изумление станет только глубже по мере применения этих знаний к пониманию самих себя, построению интеллектуальных машин и затем овладевания новыми знаниями.

Следовательно поиск понимания мозга и построение интеллектуальных машин это достойная попытка и логически следующий шаг для человечества.

Этой книгой я надеюсь соблазнить молодых инженеров и ученых к изучению кортекса, к принятию модели «память-предсказание» и построению интеллектуальных машин. С ее высоты искусственный интеллект был большим продвижением. У него были журналы, образовательные программы, книги, бизнес-планы и предприниматели. Нейронные сети аналогично создали огромное возбуждение, как область, возникшая в 80-х. Но научные основы, лежащие в ИИ и нейронных сетях не годились для построения интеллектуальных машин.

Я убежден, что сейчас у нас есть более многообещающий путь. Если вы учитесь в колледже или высшей школе, и эта книга сподвигла работать над этой технологией – построить первые действительно интеллектуальные машины, помочь этой индустрии стартовать – я поддерживаю вас в этом устремлении. Сделайте это реальностью. Один из ключевых моментов предпринимательского успеха в том, что вы должны безрассудно уйти с головой в новую область прежде чем станет ясно, что успех вам обеспечен на 100 процентов. Очень важно правильно выбрать время. Если вы начнете слишком рано, вам придется бороться. Если вы дождетесь, пока нерешительность уйдет – будет слишком поздно. Я верю, что сейчас самое время начать разрабатывать и строить кортикоподобные системы памяти. Эта область будет черезвычайно важна и для науки и для коммерции. Intel и Microsoft новой индустрии, построенные на иерархической памяти, начнут свою деятельность где-то в течение ближайших десяти лет. Предпринять попытку на этом этапе может быть финансово рискованно или интеллектуально требовательно, но цена попытки всегда такова. Я надеюсь, что вы присоединитесь ко мне вместе с остальными, кто принял вызов чтобы создать одну из величайших технологий, которые когда-либо видел мир.

Приложение: проверяемые предсказания

Каждая теория должна вести к проверяемым предсказаниям, поскольку экспериментальная проверка единственно верный путь к определению правильности новой идеи. К счастью, модель «память-предсказание» основана на биологии и ведет к нескольким специфическим и новым предсказаниям, которые могут быть проверены. В этом приложении я перечислил предсказания, которые могут опровергнуть и/или подтвердить предположения, сделанные в этой книге. Эти материалы более сложные, чем в главе 6, и определенно не требуются для понимания остальной части книги. Некоторые предсказания могут быть сделаны только на бодрствующих животных или людях, потому что тесты включают ожидание и предсказание появления стимулов. Предсказания не упорядочены по важности.

Предсказание 1

Мы должны обнаружить нейроны во всех областях кортекса, включая первичный соматосенсорный кортекс, которые демонстрируют особую активность в предчувствии сенсорных событий, в противоположность реакции на сенсорное событие.

Например, лаборатория Тони Зейдора из Cold Spring Harbor Laboratory обнаружили нейроны в первичной слуховой коре крыс, которые возбуждаются, когда крыса ожидает услышать звук даже если звука нет (персональные соответствия). Это должно быть общим свойством кортекса. Мы должны найти аналогичную предсказывающую активность в визуальном кортексе и соматосенсорном. Нейроны, которые возбуждаются в предчувствии сенсорных событий являются определением предсказания, основной предпосылкой теории «память-предсказание».

Предсказание 2

Чем более пространственно-специфическим является предсказание, тем ближе к первичной сенсорной коре должны находиться нейроны, активизирующиеся в предчувствии события.

Если обезьяна обучена последовательностям визуальных паттернов, таких что она может предсказать определенный визуальный паттерн в конкретный момент, мы должны найти нейроны, демонстрирующие усиленную активность, когда ожидается предсказываемый паттерн (подтверждение предсказания 1). Если обезьяна обучена отличать лица, но не знает точно, какое именно лицо и как должно появиться, то мы должны ожидать обнаружения предчувствующих нейронов в области распознавания лиц, но не в нижестоящих визуальных областях. Однако, если обезьяна сосредотачивается на цели и обучена ожидать определенные паттерны в точном месте ее визуального поля, то мы должны обнаружить предчувствующие нейроны в V1 или поблизости от V1. Активность, представляющая предсказание, распространяется вниз по кортикальной иерархии так далеко, насколько может, в зависимости от специфики предсказания. Иногда она может пройти весь путь до первичных сенсорных областей, в других случаях она останавливается в высших областях. Аналогичные результаты должны наблюдаться и в других сенсорных модальностях.

Предсказание 3

Нейроны, демонстрирующие усиленную активность в предчувствии сенсорной информации, должны располагаться преимущественно в кортикальных слоях 2, 3 и 6, и предсказание должно останавливать свое движение вниз по иерархии в слоях 2 и 3.

Предсказание, которое идет вниз по кортикальной иерархии, делает это на нейронах слоев 2 и 3, которые затем проецируются на слой 6. Эти нейроны в слое 6 проецируются широко по слою 1 в областях ниже по иерархии, активируя другие множества нейронов в слоях 2 и 3, и так далее. Следовательно, нейроны в этих эти слоях (2, 3 и 6) располагаются именно там, где мы должны обнаружить предчувствующую активность. Вспомните, что нейроны в слоях 2 и 3 представляют множество возможно активных колонок; это возможные предсказания. Активные нейроны в слое 6 представляют небольшое количество колонок; это конкретные предсказания по данной области кортекса. По мере продвижения предсказания вниз по иерархии, активность в конечном итоге будет останавливаться в слоях 2 и 3. Например, скажем, крыса научилась предчувствовать один из двух звуковых тонов. Основываясь на внешнем стимуле, крыса знает, когда она должна услышать один из этих двух тонов, но она не может предсказать, какой именно из них. В этом сценарии мы должны ожидать увидеть предчувствующую активность в слоях 2 и 3, в колонках, которые представляют оба тона. В слое 6 той же области не должно быть активности, потому что крыса не может предсказать, какой конкретно тон она услышит. Если в другой попытке крыса может предсказать конкретный тон, то мы должны увидеть активность в слое 6, в колонке, которая отвечает за конкретный тон.

Мы не можем полностью исключить возможность обнаружения активности в слоях 4 и 5. Например, очень вероятно, что в этих слоях есть несколько классов нейронов с неизвестными функциями. Следовательно, эти предсказания относительно слабые, но я все же чувствую, что их стоит упомянуть.

Предсказание 4

Один класс нейронов в слоях 2 и 3 должен получать информацию преимущественно от нейронов слоя 6 в вышестоящих кортикальных областях.

Часть модели «память-предсказание» заключается в том, что заученные последовательности паттернов, которые возникают вместе, образуют постоянное во времени инвариантное представление, которое я называю «именем». Я предполагаю, что это имя – это набор нейронов в слоях 2 и 3 по всей области кортекса в различных колонках. Набор нейронов остается активным до тех пор, пока следуют члены последовательности (то есть, набор нейронов остается активным остается активным, пока слышатся ноты из мелодии). Этот набор нейронов, представляющий имя последовательности, активизируется через обратную связь от нейронов слоя 6 в вышестоящих областях кортекса. Я убежден, что эти нейроны имени располагаются в слое 2 по причине их близости к слою 1. Но это может быть любой класс нейронов в слоях 2 и 3, которые имеют нейроны в слое 1. Для работы системы именования апикальные дендриты этих нейронов имени должны формировать синапсы преимущественно на аксонах слоя 1, которые берут начало в слое 6 вышестоящей области. Они должны избегать формирования синапсов на аксонах слоя 1, которые берут начало в таламусе. Таким образом, теория убеждает, что мы должны обнаружить в слоях 2 и 3 класс нейронов с апикальными дендритами в слое 1, имеющие строгое предпочтение к формированию синапсов на аксонах от нейронов слоя 6 вышестоящей области. Другие нейроны с синапсами в слое 1 не должны иметь такого предпочтения. Это сильное, и, насколько мне известно, совершенно новое предсказание.

Дополнительное предсказание – мы должны обнаружить другой класс нейронов в слоях 2 и 3, чьи апикальные дендриты формируют синапсы преимущественно на аксонах, берущих начало в неспецифических областях таламуса. Эти нейроны должны предсказывать следующие члены в последовательности.

Предсказание 5

Набор нейронов «имени», описанный в предсказании 4, должен оставаться активным в течение всей запомненной последовательности.

Набор нейронов, остающихся активными в течение заученной последовательности – это определение «имени» предсказываемой последовательности. Следовательно, мы должны обнаружить нейроны, которые остаются активными, даже когда активность остальных нейронов колонки (нейроны в слоях 4, 5 и 6) изменяется. К несчастью, мы не можем сказать, на что должна быть похожа активность нейронов имени. Например, постоянная активность паттерна имени могла бы быть просто единичным спайком, когерентным по всему набору нейронов имени. Следовательно, может оказаться трудным обнаружить эту группу активных нейронов.

Предсказание 6

Другой класс нейронов в слоях 2 и 3 (отличающиеся от нейронов имени, упомянутых в предсказаниях 4 и 5) должны быть активными в ответ на неожиданную информацию, но должны быть неактивными в ответ на предсказуемую информацию.

Идея этого предсказания в том, что неожиданные события должны быть переданы вверх по кортикальной иерархии, но когда событие предсказуемо, мы не должны передавать его вверх по иерархии детально, потому что оно предсказывается локально. Следовательно, должен быть класс нейронов в слоях 2 и 3, отличающийся от нейронов имени, описанных в предсказаниях 4 и 5, демонстрирующие активность, когда возникает неожиданное событие, но не активизирующиеся, если событие предчувствовалось. Аксоны этих нейронов должны проецироваться на вышестоящие области кортекса. Я предполагаю один механизм для изменения их активности. Такие нейроны могли бы затормаживаться через интернейроны, активизируемые нейронами имени, но сейчас нет способа сделать точное предсказание механизма. Все, что мы можем сказать, это то, что некоторые нейроны должны демонстрировать такую дифференциальную активность. Это другое сильное, и насколько мне известно, новое предсказание.

Предсказание 7

В соответствии с предсказанием 6, непредсказуемые события должны распространяться вверх по иерархии. Чем более новым является событие, тем выше непредсказуемая информация должна распространяться. Совершенно новые события должны достигать гиппокампа.

Строго заученные паттерны предсказываются внизу иерархии, и, наоборот, чем более новой является информация, тем выше она должна распространиться вверх по иерархии. Должно быть возможно разработать эксперимент для детектирования этих различий. Например, человек мог бы слушать незнакомую, но простую мелодию. Если он слышит ноту, которая хотя и неожиданна, но удовлетворяет стилю музыки, неожиданная нота должна вызвать изменения в активности слухового кортекса, вверх до некоторого уровня по кортикальной иерархии. Однако, если вместо того, чтоб услышать ноту, удовлетворяющую стилю музыки, он слышит совершенно абсурдный звук, например, треск, мы должны ожидать, что изменения активности от этого звука пройдут до самого верха иерархии. Результаты должны переключиться, если он ожидает услышать треск, но вместо этого слышит ноту. Должно быть возможным протестировать предсказание с помощью фМРТ на человеке.

Предсказание 8

Неожиданное понимание должно привести к целому каскаду предсказательной активности, которая распространяется вниз по кортикальной иерархии.

Момент «ага», когда головоломный сенсорный паттерн наконец то узнается – такое как узнавание далматинца на рисунке 12 – начинается, когда область кортекса пробует сопоставить новую информацию. Если соответствие идет в локальной области – предсказание передается вниз в быстрой последовательности по всем нижестоящим областям. Если это корректная интерпретация стимула, то каждая нижестоящая область иерархии уляжется в корректное предсказание в быстрой последовательности. Тот же самый эффект должен возникать при рассмотрении картинки с двумя интерпретациями, такие как силуэт вазы, похожий на два лица, или куб Неккера (изображение куба, которое можно интерпретировать в двух ориентациях). Каждый раз, когда восприятие такого изображения изменяется, мы должны видеть распространение нового предсказующего потока вниз по иерархии. На самом нижнем уровне, скажем, в области V1, колонка, представляющая линейный сегмент изображения, должна оставаться активной при любом восприятии картинки (предполагая, что глаза не двигаются). Однако, мы могли бы увидеть, что некоторые нейроны в этих колонках переключают свое состояние. То есть, один и тот же низкоуровневый элемент существует в каждой картинке, но внутри колонки могут быть активными разные нейроны при различных интерпретациях. Основной момент в том, что мы должны увидеть распространение предсказующего потока вниз по иерархии, когда изменяется высокоуровневое восприятие.

Аналогичное распространение предсказания должно возникать при каждой саккаде по известному визуальному объекту.

Предсказание 9

Модель «память-предсказание» требует, чтобы пирамидальные нейроны могли детектировать точное совпадение синаптических импульсов на тонких дендритах.

Многие годы считалось, что нейроны могли бы быть просто интеграторами, суммирующими информацию со всех синапсов для определения того, должен ли нейрон возбудиться. Сегодня в нейрофизиологии много неопределенности относительно того, как ведет себя нейрон. Некоторые люди до сих пор придерживаются идеи, что нейрон просто интегратор, и большинство моделей нейронных сетей построены на нейронах, которые работают именно таким образом. Есть также множество моделей нейронов, предполагающих, что нейрон ведет себя так, как если бы каждая дендритная секция оперировала бы независимо. Модель «память-предсказание» требует, чтобы нейроны были способны обнаруживать совпадения только на нескольких активных синапсах в узком временном промежутке. Модель могла бы работать даже с единственным синапсом, потенциированным достаточно, чтоб вызвать возбуждение нейрона, но более вероятно, что должно быть два или больше активных синапсов, расположенных рядом на тонком дендрите. Таким образом нейрон с тысячами синапсов может научиться возбуждаться на множество различных более точных паттернов. Это не новая идея, и есть основания поддержать ее. Это, однако, радикальное отклонение от стандартной модели, используемой многие годы. Если будет показано, что нейрон не возбуждается на точные паттерны, будет сложно удержать модель «память-предсказание» нетронутой. Синапсы на толстых дендритах или вблизи тела нейрона не обязаны работать таким образом, только множественные синапсы на тонких дендритах.

Предсказание 10

Представление продвигается вниз по иерархии по мере обучения.

Я утверждаю, что через постоянное обучение кортекс запомнил бы последовательность в иерархически более низких областях кортекса. Это естественным образом следует из того, как память о последовательности изменяет входной паттерн, передаваемый в вышестоящую область. Из этого процесса есть несколько следствий. Одно в том, что мы должны обнаружить нейроны, отвечающие на сложные стимулы, ниже по кортикальной иерархии после усиленного обучения, и выше по иерархии после минимального обучения. Например, у человека я ожидал бы обнаружить нейроны, отвечающие на печатные буквы, в такой области, как IT, после обучения распознаванию отдельных букв. Но после обучения чтению целых слов, я ожидал бы обнаружить нейроны, отвечающие буквам, в различных частях V4 в дополнение к IT. Аналогичные результат должен быть достигаем и у других видов, в других областях и на другие стимулы. Другое следствие такого процесса обучения в том, что места, где возникают воспоминания и где детектируются ошибки, должны также перемещаться. То есть, ощущения сильно заученных паттернов должно распространяться на меньшее расстояние вверх по иерархии. Это должно быть обнаруживаемо с помощью аппаратуры отображения. Мы должны суметь детектировать изменения во времени реакции на определенные стимулы, потому что информация не обязательно идет до самой верхушки кортекса, чтоб быть распознанной и вспомненной.

Предсказание 11

Инвариантное представление должно быть найдено во всех кортикальных областях.

Широко известно, что существуют нейроны, высокоселективно отвечающие на информацию инвариантно ко множеству деталей. Наблюдают нейроны, отвечающие на лица, руки, Билла Клинтона и т.п. Модель «память-предсказание» предсказывает, что все области кортекса должны формировать инвариантные представления. Инвариантные представления должны отражать все сенсорные модальности нижестоящих областей кортекса. Например, если б у меня в визуальном кортексе был нейрон Билла Клинтона, он отвечал бы на любое изображение Билла Клинтона. Если б нейрон Билла Клинтона был у меня в слуховом кортексе, он отвечал в любом случае, когда я слышал бы имя «Билл Клинтон». Поэтому я ожидал бы обнаружить в ассоциативных областях нейроны, получающие и визуальную и слуховую информацию и отвечающие либо на изображение, либо на произнесение имени Билла Клинтона. Мы должны найти инвариантное представление во всех сенсорных модальностях, и даже в моторном кортексе. В моторном кортексе нейроны отображали бы сложные моторные последовательности. Чем выше по моторной иерархии, тем более сложные и более инвариантные представления должны быть. (Недавние исследования похоже обнаружили нейроны, активизирующие движение руки ко рту у обезьян). Это не новое предсказание. Большинство исследователей верят в общую идею, что инвариантные представления формируются во многих местах кортекса. Однако, даже хотя я обсуждал это как факт, это пока не было продемонстрировано по всем областям. Модель «память-предсказание» предсказывает, что мы увидим такие нейроны во всех областях кортекса.

* * *

Упреждающие предсказания – это один из способов, которым может быть проверена модель из данной книги. Я уверен, что есть и другие. Однако, невозможно доказать корректность теории. Можно доказать только ее некорректность. Так что даже если все перечисленные выше предсказания окажутся верными, это не будет доказательством корректности гипотезы «память-предсказание», но это будет сильным подтверждением теории. Обратное также верно. Если некоторые из вышеперечисленных предсказаний окажутся ложными, это не обязательно опровергнет всю теорию. Для некоторых предсказаний есть альтернативные способы, которыми может достигаться необходимое поведение. Например, есть другие способы, которыми могли бы создаваться имена последовательностей. Это приложение намерено только показать, что модель ведет к нескольким предсказаниям, и, следовательно, может быть проверена. Разработка экспериментов – это трудная работа и она потребовала бы гораздо больше обсуждения, чем может быть приведено в данной книге. Также было бы неплохо, если б мы могли найти способ протестировать эту теорию с помощью техник отображения, таких как фМРТ. Есть множество лабораторий, занимающихся отображением мозга, и эти эксперименты могут быть выполнены относительно быстрее по сравнению с прямой записью активности нейронов.

Библиография

Большинство научных книг и журнальных статей содержат длинную библиографию, которая столько же служит перечислению вклада других авторов, сколько помогает читателю. Поскольку данная книга предназначена для широкого круга читателей, включая тех, у кого нет предварительных знаний нейрофизиологии, я избегал писать книгу в академическом стиле. Аналогично, эта библиография разработана в основном, чтобы помочь неспециалистам, которые хотят знать больше. Я не перечислил все существенные опубликованные исследования, и не пытался доверять отдельным людям, сделавшим фундаментальные открытия в этой области. Вместо этого я выборочно перечислил те вещи, которые, по моему мнению, стали бы хорошим материалом для читателей, заинтересованных узнать больше о мозге. Я также включил несколько вещей, которые мне кажутся полезными в основном для специалистов. Вы можете найти всесторонние обсуждения большинства из этих статей в WWW. Дополнительные библиографические материалы могут быть найдены на веб-сайте этой книги, http://www.onintelligence.org.

К несчастью, вы найдете только некоторые ссылки на общие теории мозга, потому что, как я уже написал в прологе, по этой теме мало написано, и даже с меньшим количеством конкретных предположений, чем изложено в этой книге.