Элизиум теней или сложная проблема сознания

Знаете, я достаточно скептически относился к науке нейрофизиология, но после тех данных, которые я увидел далее и, которые я сейчас представлю, мое отношение сильно изменилось

В начале XXI века, один из основателей Microsoft Пол Аллен выделил 100 млн. долларов на исследования в области нейрофизиологии. В отличие от нашей страны эти деньги были потрачены с толком.

В 2005 году было введено такое понятие, как коннектом, под которым понималась совокупность всех связей в мозгу человека. Олаф Спорнс, Джулио Тонони вместе с Рольфом Кёттером из Фогтовского института исследований мозга в Дюссельдорфе опубликовали программную статью, которая называлась «Человеческий коннектом. Описание структуры мозга человека» («PLoS Computational Biology», 2005). На смену лозунгу «Я - это мой геном» пришел новый: «Я - это мой коннектом». Как известно получение опыта опосредует появления в нашем мозгу нейросетей, которые откликаются на повторение этого опыта. При этом наша реакция на похожую (уже встречавшуюся) ситуацию будет более адекватной. Так как наши знания, убеждения, навыки и умения представляют собой совокупность нейронных сетей, то наш мозг целиком состоит из таких графов, которые каким, то образом образуют один большой граф. Важно различать коннектом и когнитом. Когнитом - это сумма элементов индивидуального опыта. Таким образом, когнитом является подмножеством графа коннектома. При этом, в процессе восприятия нового опыта, эти связи изменяются или корректируются. Но так как наш мозг состоит из 100 миллиардов нейронов и между ними существует астрономическое число связей построение коннектома для всего человеческого мозга процесс, который не сможет быть подвержен обработке, ни одним известным на сегодня суперкомпьютером. А вот небольшой червячок с именем Caenorhabditis elegans, который имеет 302 нейрона и 6-7 контактов между ними, хороший плацдарм для зачинания такого моделирования. Ниже представлен его коннектом, где каждая точка представляет собой нейрон, а грань - связь. Для такого моделирования существует несколько методов. Одним из таких является трактография, или диффузионная тензорная визуализация (diffusion tensor image, DTI). Методом магнитно-резонансной томографии прослеживается диффузия воды в тканях и клеточных структурах, в данном случае - в отростках нейронов. Таким способом определяют ход пучков нервных волокон и восстанавливают картину связей между разными областями живого мозга. А сетевые карты можно изучать методами теории графов и динамических систем, это уже переход к теории. Хотя и здесь не все просто. В теории графов существуют свои загвоздки, которые трудно или практически не решаемы методами, которые используются в современных компьютерах. Что есть граф - это некоторая совокупность вершин соединенных связями. Количество связей, приходящих в один граф называется его степенью. Элементарные пути, цепи, циклы и контуры называют гамильтоновыми, простые - называются эйлеровыми. Граф G (X) называется однородным, если степень всех его вершин одинакова. Понятие «однородный граф степени r» означает, что каждая вершина данного графа имеет степень, равную r. В однородных графах степени r число ребер равно: m = (1 / 2) n · r. Примером однородных графов являются правильные многогранники: тетраэдр, куб, октаэдр. Но методами современных компьютеров плохо решается задача по поводу раскрашивания в различные цвета графа n вершин, так чтобы каждую из граней не попирали одинаковые цвета :

Краткое описание вышеизложенного метода, проиллюстрировано на рисунке ниже:

Один из крупнейших проектов, работающих в этом направлении, так и называется Human Connectome Project. Он стартовал в 2009 году, рассчитан на пять лет и финансируется Национальным институтом здравоохранения США. В проекте участвуют 1200 взрослых добровольцев -- пары близнецов, а также их братья и сестры примерно из 300 семей. Магнитно-резонансная томография дает структуру связей, высокоплотная электроэнцефалография позволяет получить функциональную сеть. Так для каждого участника составляются карты анатомических и функциональных связей мозга, а к 2018 году планируется полное секвенирование их геномов. Сравнение геномов и коннектомов идентичных близнецов и неидентичных братьев и сестер, вероятно, принесет новую информацию о вкладе генетики в формирование мозга. В приложении 1 можно будет увидеть снимок мозга, полученный путем такого метода. Кто хочет посмотреть более развернутую информацию, тот может посетить сайт, посвященный исследованиям в этой области www.humanconnectomeproject.org.

Мы немного поговорили о коннектоме, как совокупности всех нейронных связей человека. Теперь поговорим о когнитоме. Когнитом, как мельком говорилось ранее, представляет собой, структуру содержащую совокупность всей информации, полученной из индивидуального опыта. Все то, что оставляет отпечаток, возможно и крайне латентный, на нашем сознании в процессе жизни. Под когнитомом можно понимать память человека во всей ее совокупности. Ученые нейрофизиологи считают, что это все то, что составляет личность человека. Этот подход достаточно бихевиористичен. Получается, они исключают врожденные, изначальные задатки и целиком понимают под личностью культурно-исторический продукт. Но не будем оспаривать трактовки. Вернемся к исследованиям.

Можно ли узнать, какие участки нейронной сети активируются при получении нами нового опыта? Современная нейрофизиология говорит нам - Да. Чтобы регистрировать свечение отдельных клеток в трехмерном мозге и получать трехмерную карту элемента индивидуального опыта, отдел нейронаук Курчатовского института в сотрудничестве с нижегородским Институтом прикладной физики создали специальную установку, которая позволяет фотографировать прозрачный мозг мыши послойно, с разрешением до 0,5 мкм. Метод называется «лазерная плосколучевая оптическая томография» (ЛПОТ): плоский луч лазера движется через мозг, помещенный в ванночку, и возбуждает флуоресценцию в микронном слое. Из стопочки этих срезов можно реконструировать трехмерную картину. Зеленые точки в целом мозге -- созвездие нервных клеток, активных в определенном поведенческом опыте. Т. о. мы получаем огромное количество подсвеченных «срезов» мозга и мы можем в 3D модели пронаблюдать активность определенных участков (градируя интенсивность цвета подцветки по определенной шкале). Но как же в нашем мозгу хранится память? На этот вопрос ученые так же дают ответ. Для начала, необходимо сказать немного о памяти.

Память

Исследования в области памяти ведутся давно. Ученых с давних времен интересовала проблема памяти. В истории есть несколько примеров, когда ученый встречался с человеком, обладающим феноменальной памятью. Эти люди запоминался абсолютно все. Они помнили, что произошло 10 лет назад утром любого числа любого дня. Они могли запоминать бесконечное количество абсолютно никак не связанных чисел. Они помнили лицо каждого человека, с которым они встречались. Безусловно, это была трагедия их жизни, они страдали от этого. Бессвязная масса образов преследовала их во сне и на иву. И так продолжалось изо дня в день, изо дня в день. Ученые, как могли, пытались подвести такие феномены под какую то теоретическую базу. Радикальная программа изучения памяти началась с немецкого ученого Германа Эббингауза, который осуществлял опытные испытания на самом себе. Он брал некоторую совокупность несвязанных чисел и запоминал их. Проведя множество таких опытов он выявил некоторую закономерность, которая хорошо представляется на его графике.

По оси абсцисс откладывается время, прошедшее после запоминания информации. По оси ординат откладывается процент сохранившейся информации.

Как мы видим на графике после прошествия 20 минут в памяти остается 58% изначально запомненной информации. После одного часа 44% и так по нисходящей. Причем, 20-21% запомненной информации могут храниться крайне долго. У этой кривой существует продолжениие, которое характеризует ее изменение при повторном изучении информации.



Давайте разберем этот график. Точка 0 - представляет собой изначальное восприятие информации. Проходит определенное время, мы забываем около 50% информации. Затем нам снова предоставляется для запоминания информации (1^st repetition) мы восстанавливаем нашу память об информации до 100%. Затем проходит некоторое время, мы снова забываем часть запомненной информации, но уже в меньшей степени. Затем нам снова предоставляется ранее запомненная информация (2^strepetition) и так далее. Здесь, как нельзя кстати, подойдет крылатая фраза «повторение мать учения». К сожалению не каждое повторение и зазубривание есть проникновение в суть вещей. По моему мнению, наиболее долговременной является модификация мнемонической памяти, когда у нас идет некая смысловая привязка информации к чему то. Ну, например: когда ученик говорит, что энергия передается квантами и приводит изыскания М. Планка и пишет на доске значение постоянной Планка, не факт, что он вкладывает в это какой либо смысл. И скорее всего, даже если он хорошо это выучил, через год это исчезнет из его памяти. Хорошо, чтобы это было привязано к какому-то простому и яркому примеру. Альберт Эйнштейн говаривал: «Мы ничего не хотим знать но все хотим понимать». А понимание - это сведение научной теории к чему то более простому - ассоциативному. Например, Брайан Грин хорошо умеет приводить интересные и яркие примеры. И я, человек не слишком разбирающийся в науке, запомнил из его интереснейшего повествования большое количество научных теорий и открытий. Мне очень хотелось бы привести их здесь, но тогда мое повествование слишком затянется, чего бы мне сильно не хотелось.

Вернемся к основной линии повествования. В процессе запоминания существует определенный переход к долговременной памяти. Этот переход находится между значениями оси x (1;2) дня. Но, что же происходит при этом переходе? Оказывается, что наша долговременная память влияет на наш геном. Когда к нам поступает новая информация (которая является модусом индивидуального опыта) она обрабатывается рецепторами. Затем обработанная информация активирует ген, называемый геном немедленной новизны с них синтезируются белки с рибонуклиотидами РНК, эти белки образуют определенные группы, которые активируют другие гены, ответственные за долговременную память. Такой ген называется c-fos или протоонкоген. Сам он ничего не запоминает, он лишь регулирует процесс запоминание, т.е. синтез генов других уровней. Таким образом, индивидуальный опыт активирует в нашем мозгу процесс морфогенеза, который изменяет фенотип нашей клетки. Заметьте, я говорю фенотип, а не генотип. Так как это изменение, следствие индивидуального опыта. Тем не менее, при повторении этого индивидуального опыта, который является раздражителем фенотип переходит в генотип и при дальнейшем развитии накапливается врожденная потенция адекватной реакции на этот раздражитель. Это можно представить следующей схемой.

Память делится на линейную и нелинейную. Под линейной можно понимать некие Павловские рефлексы на уровне воздействие - отклик. Когда идет запоминание неких физиологических воздействий и как следствие реакция на них. Под нелинейной памятью понимается некоторая долговременная ассоциативная память, распределенная во времени. Когда к нам поступает новая информация, она, как правило, является комплексной. Помимо сугубо новых элементов, она содержит уже имевшиеся в нашем коннектоме в виде некоего сигнального графа нейронов. Таким образом у нас активируются некоторые сети, которые связаны с другими сетями и так далее. Т.е. происходит некоторое обращение к прошлому опыту. Таким образом у нас возникают некие ассоциации, воспоминания и др. Из журнала Химия и жизнь №12 2012 По материалам доклада члена-корреспондента РАН и РАМН Константина Владимировича Анохина «Вероятно, именно таким образом в когнитоме формируются модули, специализированные к накоплению информации определенного типа, -- например, модули запоминания лиц или других объектов, принадлежащих к одному классу. Определенный нейрон, участвующий в нескольких функциональных системах, которые объединены неким общим признаком, «накапливает» следы участия в каждой из ситуаций, и возникает явление, уже подтвержденное экспериментально, -- когнитивная специализация нейронов.»

Методами магнитно резонансной томографии (МРТ) и позитронно-эмиссионной томографии учеными определены участки мозга, которые активируются при обработке различной информации. Определены участки, где происходит запоминание этой информации. Пионером в создании такой «географии мозга» был Немецкий врач Франц Галль (1758-1828), который, исходя чисто из умозрительных наблюдений, изобразил первую карту мозга, где обозначил основные отделы мозга, имеющие различные функции. Его рисунок представлен ниже.

Посредством методов современной диагностики можно получить сведения о том - какие группы нейронов активируются при восприятии отдельных понятий. Например, при счете. Исследовано - какие группы нейронов (участки мозга) отвечают за речь. На самом деле уже существует огромное количество «карт мозга». Есть нейронное пространство (участок мозга) который активируется при восприятии лиц и при восприятии местоположения. Давайте приведем карту мозга, которая отвечает за речевое восприятие.



При этом нейрофизиологам пока неизвестно - что происходит в этих активных областях. Как нейроны кооперируются, для достижения определенного результата? В какой последовательности они объединяются? И многое другое.

Давайте представим это посредством универсального языка. Как известно, универсальным языком является язык математики. Для описания текущей проблемы было бы уместно применить язык множеств.

Пусть ? некоторое множество A (x1,x2,x3…xi), которое представляет собой коннектом. Пусть ? B, C, D…. A, являющиеся когнитомами. При этом элемент подмножества B - b_i может являться c_j ? С ? d_k ? D ?… При этом ? xi B ? C,

? x ? A, xi = ? x_i-1w_i-1 каждый элемент является суперпозицией от близлежащих элементов, помноженных на синапсические веса;

, если представлять dinf и dmem, как некую активацию отдельных модальностей, то представим inf=?b1,b2...bi;c1,c2...ci;... Мысль - как некий дифференциал от групп различных модальностей скорректированной на синоптические веса, которые определяются памятью.

Подмножества не являются единым - они лишь объединены в определенных областях,

На этом, разговор о памяти можно было завершить. Но совершенно недавно я прослушал лекцию, которую К. Анохин читал студентам МГУ, посвященную именно проблемам памяти. Долгое время ученые считали, что долговременная память формируется именно в то окно, в которое много лет назад определил Эбингаузер (около 1 часа). Именно в этот период происходит синтез белка и РНК в нервных клетках. Этот процесс универсален. После его завершения память стабилизируется. Но внезапно в поле зрения нейрофизиологов попали исследования психолога Бартелета. Он преподавал психологию в университете и, как и многие психологи, свои исследования проводил на своих студентах. Суть его исследования состоит в том, что он на каждой лекции давал студентам запомнить, какую либо картинку и на последующих лекциях просил их воспроизвести ее по памяти. При этом он более не показывал ни саму картинку, ни результаты работы их памяти. Так повторялось много раз (в течение полугода раз в неделю). Таким образом - он получил достаточно длинный ряд картинок. И он выявил некоторую закономерность - изначальная картинка у всех студентов, в той или иной мере, к концу исследования до неузнаваемости исказилась. Это говорило о том, что долговременная память не является статичной. Вот, что говорил Бартлет в своей книге: Я настаивал на протяжении всей дискуссии этой книги, на том, что описание воспоминаний как «фиксированных и безжизненных» есть всего лишь ошибочная фантазия.

Возникает вопрос: Если долговременная память формируется путем синтеза РНК и белка и их последующего участия в кодировании информации (влиянии на фенотип клетки), то что происходит во время ее хранения на протяжении жизни? На сегодняшний момент механизмы долговременного хранения памяти изучены не до конца. Но у ученых уже есть некоторые ответы. Память не существует как статическая информация, она постоянно самовоспроизводится на подсознательном уровне. Этот процесс назвали «Реконсолидация памяти». Очевидно, что запомненная информация бессознательно прокручивается в нашем мозгу. Обычно это происходит во время сна. При этом, в зависимости от фаз сна, происходят различные процессы. Мало актуальная информация постепенно уничтожается, а та информация, которая важна (к которой мы часто обращаемся) хранится долго. И в этом вся суть. Через наш мозг проходит огромное количество информации. Большинство этой информации благополучно минует долговременную память. Но даже та информация, которая изменяет фенотип клетки, не является вечной. Многое ли вы можете вспомнить из того, что вы учили в школе. Хотя эту информацию вам привали на протяжении долгих лет. Для вас зачастую она не является актуальной, следовательно она не проходит реконсолидацию и постепенно забывается. Как я уже и говорил, для более качественного запоминания необходимо использовать некие мнемонические приемы. Запомненная информация должна быть к чему то привязана. Не стоит надолго пытаться запомнить многое. Важно знать тезисы, вокруг которые будет выстроена вся остальная иерархия смыслов. Таков человек.

Заключение член-корреспондент РАН С. В. Медведев Мозг против мозга -- кто кого? Проблема исследования мозга человека, соотношения мозга и психики -- одна из самых захватывающих задач, которые когда-либо возникали в науке. Впервые поставлена цель познать нечто, равное по сложности самому инструменту познания. Ведь всё, что до сих пор исследовалось -- и атом, и галактика, и мозг животного -- было проще, чем мозг человека. С философской точки зрения неизвестно, возможно ли в принципе решение этой задачи. Ведь, кроме приборов и методов, главным средством познания мозга остаётся опять-таки наш человеческий мозг. Обычно прибор, который изучает какое-то явление или объект, сложнее этого объекта, в этом же случае мы пытаемся действовать на равных -- мозг против мозга.

Причуды нашего мозга

Наш мозг - это шкатулка с загадками. И многое наш мозг сам скрывает от нас. Давайте поговорим о причудах нашего сознания.

Различные повреждения мозга могут вызвать ужасающие по своей изощренности отклонения от нормы восприятия, но даже в целом здоровый организм обладает крайне интересным восприятием. Чтобы пролить свет на некоторые из них приведем пример. В ракурс зрения нескольких ученых нейрофизиологов попал человек, у которого отсутствовала долговременная память. В течение 10 минут он забывал все, что с ним было. При этом - это не была амнезия. Он помнил, кто он и что было несколько лет назад, до того, как он потерял способность запоминать. Он каждый раз говорил, что видит ученых в первый раз. На протяжении некоторого времени его обучали некоторому навыку. На удивление, он не помнил ничего. Он забывал все, но, с каждым обучением, он все лучше и лучше выполнял требуемую от него задачу. Таким образом, не имея долговременной памяти, он успешно обучался навыку. Как такое может происходить? На самом деле у нас существуют качественно разные модули памяти, за которые отвечают различные участки мозга. Следовало об этом сказать в главе память, но лучше поздно, чем никогда. Вот еще пример. Некоторая женщина пережила отравление угарным газом, это отравление повредило часть зрительной системы ее мозга, связанную с восприятием формы. Она видела цвета, тени, но не узнавала объекты. Все это говорит о том, что мозг, крайне интегрирован, но в нем существуют строго функциональные отделы. Но это лишь краткие примеры.

Начнем с восприятия. Ракурс четкости нашего восприятия составляет в диаметре около 10 сантиметров. Все остальное, что мы видим, представляется гораздо более размытым, нежели этот небольшой круг четкости. При этом наше периферическое зрение очень чувствительно. Она сигнализирует о даже небольших активностях на границе видимого. Это позволяет нам быстро реагировать на смену ситуации. Но, если мы видим статическую картину, то наш мозг слабо запоминает детали этой картины. Пора признать, что наш мозг сам «достраивает» видимую картинку. В нашем зрении мир отображается, как 5% четкого и 95% нечеткого. Тем не менее, наш мозг знает, что на самом деле реальные предметы не являются размытыми и знает, что движение глаз может быть сконцентрировано на любом аспекте предмета. Также наш мозг не рассказывает о всем том, что он видит. Например, если человеку показывать 2 картинки, на одной из которых будет изображена открытая травма, а на другой цветок и при этом интервал между ними будет менее 40 миллисекунд, то человек не увидит картину травмы. Но при этом его мозг отреагирует на эту неприятную картинку изменением активности определенных зон.

Но это только цветочки. Наш мозг способен и не на такие выкрутасы. Что такое аберрация? Берем большую советскую энциклопедию. Смотрим. Аберрация - искажения изображения, вызванные неидеальностью оптической системы: изображение не вполне отчетливо, неточно соответствует объекту или окрашено. Наше зрение неидеально. Хотя возможно это и способствует большей продуктивности мышления. Аберрацию можно назвать иллюзией. Аберрация - это понятие из оптики. Так, что и то и другое понятия приемлемы. Большинство подобных иллюзий известны психологам уже больше ста лет, а художникам и архитекторам - намного дольше. Давайте же продемонстрируем некоторые из таких аберраций.

Наш мозг нас обманывает. Вот только несколько примеров того, что наш мозг нас обманывает.

Это не спирали, это круги.

Вертикальные и горизонтальные линии параллельны. Окружность кажется искаженной.

В процессе восприятия крайне важна перспектива, и здесь как раз в игру вступают наши априорные представления. На самом деле желтые линии одинакового размера. Но игра перспективы дает нам иллюзию, что правая линия больше. Но это не так. Даже зная это, я не могу себя убедить в том, что это так. И только измерив их длину, я могу убедиться в истинности этого.



Это немыслимо, но клетки A и B одинакового цвета. Если не верите, то вставьте это в обычный редактор и воспользуйтесь инструментом «Пипетка».

Кого вы здесь видите?

А здесь? (худ. Олег Шупляк)



Эти и множество других иллюзий можно увидеть на сайте http://illuzi.ru/illusion/; либо на англоязычном сайте www.lottolab.org.

Наше восприятие не является полным отражением действительности. Зачастую - эта действительности искажена нашими предрассудками восприятия. Возможно, большую роль играют некие априорные качества восприятия, которые мы впитали с молоком матери. В принципе тема априорной данности крайне интересна. Что есть в моем восприятии, как данность? В употреблении термина - априорный, стоит быть крайне осторожным. Дабы не попасть в этимологический диссонанс.

Что еще можно сказать интересного о нашем восприятии? Многое. Например, из-за его несовершенства нам могут являться вполне правдоподобные галлюцинации. Даже в хаотично расположенных предметах, человек может узреть какой либо образ. Все зависит от условий. Данные галлюцинации, как правило, появляются на «задворках» нашего зрения. После того как мы фокусируем зрение на них - они пропадают. Если нет - значит это были не галлюцинации, либо стоит провериться у врача.

Человек делает ошибку, когда говорит, что между его телом и окружающим миром существует большая разница. Хотя это и кажется очевидным, это не совсем так. Экспериментально доказано, что если человек возьмет в руки палку, то при движении этой палкой и при соприкосновении ее с предметами активируются те же нейроны, что и при движении рукой. Лопатка становится продолжением руки.

Наш мозг иногда находится впереди нашего текущего сознания. Когда мы хотим поднять руку, еще до возникновения этого желания наш мозг уже отреагировал на это. Мозг уже все решил, еще до того, как мы это осознали. Если испытуемого попросить пробежать некоторое расстояния на беговой дорожке, и при этом дать установку, чтобы он говорил нам об увеличении или уменьшении скорости, то момент осознания перемен будет немного позднее, чем испытуемый изменит темп бега. О чем это говорит? О том, что сознание это - некоторый прожектор, который небольшим кругом света освещает большую рабочую территорию. При этом работа на неосвещенной территории продолжается и сознанию необходимо некоторое время, чтобы осветить эту область. Тем самым подвергнуть осознанию рабочий процесс. Мы совершаем огромное количество движений и манипуляций, но при этом они не несут большой сознательной нагрузки. Например, мы идем, моргаем, дышим, жуем, но это не является объектом света сознания. При необходимости, все эти процессы могут быть им освещены. На самом деле в этих исследованиях заключается серьезная эпифеноменальная апория. Если следовать принципу каузальной замкнутости - то необходимо признать полную опосредованность ментальных состояний процессам, происходящим в мозгу.

Наш мозг делает постоянные предсказания будущего. При этом он делает их без нашего участия. Даже при поступлении нового уникального опыта, наш мозг создает некую первоначальную картину (модель) этого опыта, который используется в процессе дальнейшего взаимодействия с объектом опыта или явлением, инициировавшим его. В нашей голове имеется некоторая метакарта всего. И, при получении нового опыта - эта карта постоянно уточняется. Для оценки изменений этой метакарты сознания существует известная формула Байеса

Где P(A/x) - это степень убежденность в чем то после получения нового опыта

P(x/A) - это вероятность получения опыта x, если событие A произойдет

P(A) - это вероятность происхождения события A

P(x) - это вероятность получения опыта x.

Давайте поясним. Мы имеем различные убеждения. Но при этом мы убеждены на 100% лишь в немногих из них. При получении нового опыта степень нашей убежденности изменяется. И так происходит постоянно.

Наш мозг полон предрассудков. Но - это не есть плохо. Предрассудки позволяют нам воспринимать мир более динамично. Мы постоянно формируем определенные упрощенные модели, которые зачастую далеки от истины. Но они позволяют нам осуществлять сиюминутное восприятие. Впоследствии каждый предрассудок уточняется и корректируется. Именно наличие предрассудков позволяет нам своевременно реагировать на ситуацию. Пусть эта реакция не всегда бывает адекватной, но это уже что то. Некоторые предрассудки навсегда и останутся таковыми. Но многим из них суждено быть скорректированными и приближенными к истине. Здесь уместно привести замечательный стих А.С. Пушкина «Возрождение»

Художник-варвар кистью сонной

Картину гения чернит

И свой рисунок беззаконный

Над ней бессмысленно чертит

Но краски чудные, с летами,

Спадают ветхой чешуей;

Картина гения пред нами

Выходит с прежней красотой.

Так исчезают заблужденья

С измученной души моей,

И возникают в ней виденья

Первоначальных чистых дней.

Искусственный интеллект

Изобретение думающих машин, с давних времен, было заветной мечтой многих ученых. Попытки создания «думающих машин» осуществлялись задолго до изобретения транзисторов. Но основу теоретической базы для их нормального функционирования создал Буль. В математике существует 2 направления: дискретная математика и континуальная математика. Под континуальной математикой понимается математика непрерывного (она включает: теорию функций, дифференциальные уравнения, интегральные уравнения, большую часть математической физики и многое другое). Изначально, после открытия математического анализа, считалось, что данное направление является наиболее значимым и практически применимым. И это, безусловно, было прекрасно. Методы, приведенные в континуальной математике, позволяли решать огромное количество физико-химических задач. Даже я, прямо скажем, не знаток математики, понимаю какое огромное значение имело дифференциальное и интегральное исчисление (родоначальниками которого по праву можно назвать Ньютона и Лейбница) для человечества. Однако благодаря появлению вычислительных машин, которые работают по принципу «вкл/выкл», дискретная математика обрела новое - возросшее значение. Как и большинство сегодняшних вычислительных машин, эти машины работали по принципам «алгебры логики». В основе алгебры логики, прежде всего, лежит дискретная математика, которая зиждется на двух «черепахах» - 0 и 1. При этом алгебра логики оперирует теми операциями, которые нам наиболее привычны в обычной жизни. Грубо говоря, это: ЕСЛИ, НЕ, И, ИЛИ. К тому же, от нейрофизиологов пришла добрая весть, что в человеческом мозгу все именно так и происходит (сигнал от нейрона либо передается «1» либо нет «0»). На этих фундаментальных принципах и была сконструирована машина Тьюринга. Давайте же рассмотрим принцип ее действия.

Машина Тюринга предназначена для того, чтобы выводить двоичное или десятичное разложение любого «вычислимого» действительного числа. Напоминаю, что действительные числа представляют собой отношения величин одной размерности. Грубо говоря, для того, чтобы представить рациональное или иррациональное действительное число необходимо x/y = a1a2a3...ak, где k изменяется от 0 до 9. При этом если числитель x имеет вид 2^s5^l где s и l целые неотрицательные числа, то процесс деления заканчивается после определенного числа шагов. Если же знаменатель несократимой дроби 2^s5^l, то деление является бесконечным. При этом в результате получаются значения на манер 0,16666 ~ 0,1(6), что означает 6 в периоде. Типичным примером таких чисел может являться пресловутое число ПИ. Которое именует собой отношение длины окружности к ее радиусу. В современных компьютерах такие числа называются числами с плавающей запятой. Они представляются в виде некоторой мантиссы и порядка

A=m*q^p

где m - некоторая мантисса, представляемая соотношением целых чисел (0<m<1)

q - основание системы счисления

p - порядок

Машина Тьюринга характеризуется тремя основными чертами:

1. Она имеет конечное количество неких состояний S (s0,s1,s2,s3,…sn) сравниваемых с состояниями ума или, более уместно будет сказать, с уже накопленной информацией, которая доселе сформировало наше оценочное сознание.

2. Она может «считывать» и «записывать» конечное множество A.

3. На выход она вычисляет некоторые A'.

Персептрон

Одним из ключевых этапов развития работ в области искусственного интеллекта было изобретение персептрона. Персептрон представлял собой некоторую нейронную сеть, которая пыталась моделировать некоторые процессы мышления. С персептроникой были связаны огромные надежды ученых. Изначально на развитие этой области выделялось достаточно большое количество денежных средств. Позднее стало понятно, что мечты о создании искусственного интеллекта с помощью персептронов оказались слишком смелыми. Тогда многие разочаровались в этом направлении. Здесь я попытаюсь дать основные понятие и основные формулы, которые содержит теория персептроники.

Что такое персептрон? Персептрон (от лат. Perseptio - восприятие) - это некоторое устройство моделирующее процесс восприятия. Впервые модель персептрона была предложена американским ученым Ф. Розенблаттом в 1957 году (зрительный анализатор "Марк-1"). Персептрон представлял собой некоторую совокупность связанных элементов. Самый простой персептрон содержит n входов и I выходов. Между элементами входа и элементами выхода существуют определенные связи, каждая из которых имеет свой вес. Такие веса называются синаптическими весами. Обычно синаптические веса бывают тормозные и возбуждающие. Следовательно, их значения обычно варьируются от -1 до 1. При этом существует несколько видов активационных функций, которые отвечают за значения синаптических весов. Самые известные из этих функций - это аналоговая и дискретная (цифровая). Не буду объяснять их суть, я думаю, все должны знать, что есть аналоговый сигнал и цифровой. Входной вектор представляет собой совокупность единичек и нулей. Выходной уровень представляет собой совокупность нейроподобных элементов, каждый из которых представляет собой суперпозицию произведения значений входного вектора на соответствующие синаптические веса. Таким образом, выходной вектор также содержит совокупность единиц и нулей, которые подлежат определенной интерпретации. Также существует некоторый требуемый вектор результата di (его задает оператор). С этим вектором сравнивается выходной вектор и вычисляется ошибка. Если эти векторы не совпадают, то происходит обучение. Обучение представляет собой переопределение значений синаптических весов (изначально они задаются генератором случайных чисел). Методов обучения существует огромное множество. Те, кто хорошо знаком с теорией оптимизации, явно знают эти методы. Но об этих методах позднее. Важно понимать, что персептрон - это некоторая сеть, решающая определенные задачи. В узлах этой сети находятся нейроны.

Пойдем от простого к более сложному.

Пример простейшего персептрона. j входов, i выходов.

Пусть нам дан некий персептрон имеющий j входов и I выходов. То, что мы в разных примерах разными буквами латинского алфавита обозначаем входы и выходы не имеет значения. Каждый выходной нейрон выполняет суперпозицию поступающих сигналов помноженных на их синаптические веса. Предположим, что на вход персептрона поступает информация, характеризуемая вектором X (x1, x2, …,xj). Под информацией может пониматься графический образ, разбитый на пиксели (где каждому заполненному пикселю присваивается 1, а каждому пустому 0). Далее каждому yi присваивается название образа. Следовательно, Если это первый образ (y1) то выходной вектор должен быть Y(1,0,0…).

Каждый нейрон выполняет суперпозицию по формуле

На выходе формируется вектор Y(y1,y2,…yi). Этот вектор сравнивается с вектором требуемого результата D(d1,d2,…di). Если их значения не совпадают, то происходит обучение (перераспределение синаптических весов).

wij(t+1) = wij(t) + Д wij

Дwij = еxj

Где wij - значение синаптического веса в момент времени t

Wij(t+1) - значение синаптического веса в момент времени (t+1)

? - отклонение вектора результатов от требуемого вектора ?=(yi-di)

Введем коэффициент скорости обучения ?, тогда значение Дwij= ??xj. Также стоит ввести пороговое значение активации и. Для порогового значения также требуется обучение и(t+1)= и(t)+ Ди; Ди=-?; после введения ? Ди=-??.

Дальнейшее развитие персептроники показало, что персептрон не в состоянии выполнять такие логические функции, как «И», «ИЛИ», «НЕ» и пр. Необходим был следующий шаг в развитии персептронного моделирования. Следующим шагом стало введение скрытого слоя нейронов, который решил проблемы вышеозначенных логических функций. Таким образом, теперь суперпозицию входных сигналов осуществляли нейроны скрытого слоя, а нейроны выходного слоя суммировали непосредственно значения нейронов скрытого слоя.

Помимо добавления скрытого слоя, для расширения круга задач, решаемых с помощью персептрона, вместо дискретной функции активации ввели аналоговую (непрерывную) S=1/(1+e^-s). Она получила название сигмоида. Так как мы ввели непрерывную функцию, то теперь поиск оптимальных значений синаптических весов можно осуществить, используя дифференциальное и интегральное исчисление. Пусть у нас есть некоторая функция отклонения вектора результатов от требуемого значения, зависящая от синаптических весов ? =f(wij). Если представить это в графическом виде. То интерпретация функции ? представляет собой гиперпсевдопарраболоид. Самый простой метод отыскания минимума функции ? - это метод градиентного спуска. Для этого мы представляем

Не будем детализировать процесс дифференциации. Укажем итоговые значения.

Д wij = зyjд

д = (di - yi)(1 - yi)yi

Далее будем использовать эти формулы для обучения персептронов. Среднеквадратическое отклонение примет значение

Пусть нам дан двухслойный персептрон, имеющий n входов, j - нейронов скрытого слоя и I выходов. Каждый выходной нейрон выполняет суперпозицию по формуле

Далее формируется выходной вектор Y(y1,y2,…yi) и сравнивается с требуемым вектором D (d1,d2,…di). Если они не совпадают, происходит обучение. Сначала происходит переопределение синаптических весов для нейронов выходного слоя.

Дwij(t + 1) = wij(t) + Дwij

Дwij = зyjд

д = (di - yi)(1 - yi)yi

Каждый нейрон скрытого слоя выполняет суперпозицию

Для синаптических весов скрытого слоя обучение проводится по формулам

Дwjn(t + 1) = wjn(t) + Дwjn

Дwjn = зxnд

д = (di - yi)(1 - yi)yi



Но для скрытого слоя (di-yj) - является некорректным > вместо этого значения будет использоваться > для скрытого слоя .

Вычисляется среднеквадратическое отклонение ?, по значению которого определяется - стоит ли далее обучать персептрон.

Мы рассмотрели обучение персептрона для случая с одним скрытым слоем. Нетрудно перенести этот пример на случай K - слоев.

Пусть существует персептрон, имеющий K - слоев. При этом K-ый слой есть выходной. H1 - будет первым скрытым слоем, Hk - выходным слоем соответственно. H0=n; Hk=i.

Будем обозначать i=K; J=k-1; l=k+1.

Важно понимать, что все нейроны скрытых слоев от k=1 до K - выполняют суперпозицию.

Далее формируется выходной вектор Y(y1,y2,…yi), который сравнивается с вектором результатов D (d1,d2,…di). Если они не совпадают, происходит обучение.

Для выходного слоя синаптических весов

wij^k(t + 1) = wij^k(t) + Дwij^k

Дwij^k = зyj^k-1 д^k

д^k = (di - yi^k)(1 - yi^k)yi^k

Для остальных слоев механизм «обратного распространения ошибки»

wjn^k-1(t + 1) = wjn^k-1(t) + Дwjn^k-1

Дwjn^k-1 = зxn^k-1 д^k-1

Обычно к входящему вектору добавляется xo=1. В случае добавления в формулах вместо суммы начинающейся с 1 будет сумма начинающаяся с n=0.

Как было показано ранее, функционирование персептрона происходит посредством преобразования входного вектора x на выходной вектор y. При этом каждый нейрон выполняет суперпозицию сигналов других нейронов. Возникает вопрос: можно ли сложную функцию множества переменных представить, как сумму функций меньшего числа переменных? Колмогоровым и его учеником Арнольдом было показано, что для любого множества пар отличных между собой входных и выходных векторов произвольной размерности (Xq, Dq) q=1,…,Q ? 2x слойный персептрон с сигмоидной преобразующей функцией и с конечным числом нейронов, который для каждого входного вектора Xq формирует соответствующее Dq.

Проблема выбора правильного числа нейронов скрытого слоя зачастую является одной из важнейших. Для этого существует формула Арнольда-Колмогорова:



Где Ny - размерность выходного вектора

Nx - размерность входного вектора

Q - число обучающих примеров

Nw - число синаптических связей.

Персептрон должен не только уметь обучаться, но и уметь обобщать полученный опыт, для того, чтобы правильно реагировать на различные входные данные. Совокупность обучающих примеров X - является недостаточной. Помимо обучающей выборки на персептрон подается еще и тестовая выборка Xt. Эта выборка тестирует возможность персептрона обобщать полученный опыт. Вычисляется два вида отклонения: ? - отклонение обучения и ?t - отклонение обобщения. Выбор нужного числа нейронов схож с выбором степеней свободы для полинома, при аппроксимации какой либо выборки. При увеличении степеней свободы отклонение обучения, как правило падает, а отклонение обобщения сначала падает, а потом возрастает. Такой феномен называется - «переобучение». Если брать в пример полином, то стоит прибегнуть к иллюстрации. На рисунке представлен полином 1,2 и 5 степени. Как мы видим, с увеличением степеней свободы полинома ? падает, а ?t - сначала падает, а потом возрастает. Полином 5 степени не имеет отклонения по ?, но зато он полностью игнорирует тестирующие примеры.

Существует несколько способов выбора правильного числа нейронов для скрытых слоев: конструктивный и деструктивный. Деструктивный состоит в том, что изначально берется большее число нейронов, чем требуется и постепенно они исключаются. Обнуляются те синаптические веса, которые в процессе обучения стали по значению меньше среднего. Но это не всегда есть рациональный метод. Во первых он достаточно продолжителен, а во вторых не всегда нейроны, ставшие меньше среднего значения вносят наименьший вклад в результат. Более оптимальным считается конструктивный метод, где изначально число нейронов скрытого слоя меньше чем необходимо. По мере обучения нейроны добавляются.

Также, крайне важно определить число скрытых слоев персептрона. Обычно на практике бывает достаточно двух скрытых слоев.

Обучение. При этом метод наискорейшего спуска не является самым эффективным. Таковым он является, если одна из проекций гиперпсевдопарраболоида напоминает окружность. Но на практике - это происходит крайне редко. Зачастую график функции представляет собой коническую поверхность, проекция которого представляет овал с большим эксцентриситетом. Согласно методу наискорейшего спуска ?(t+1)< ?(t), то есть каждое последующее отклонение результата от требуемого должно быть меньше предыдущего. Вкратце можно сказать, что при использовании метода наискорейшего спуска не учитывается инерция спуска и зачастую необходимо проводить больше итераций, чем это требуется.

Существует несколько методов оптимизации: квазиньютоновский и метод сопряженных градиентов.

Также одним из успешных методов, является метод селективного отбора. Он опирается на исследованиях в области генетики. Как известно при оплодотворении, плоду отходит часть генетической информации от матери и часть от отца. Нити ДНК разрываются в некоторых случайных местах и произвольно соединяются. По схожему принципу работает и персептрон. Берутся множество особей. Они обучаются любым из приведенных выше методов. Затем скрещиваются матрицы синаптических весов наиболее успешных особей. Они делятся в некоторых произвольных местах (обязательно неровно) и затем произвольно объединяются. Т.о. после нескольких скрещиваний образуются наиболее приспособленные персептроны.

Пандемониум Селфриджа

Распознавание образов - это крайне нетривиальная задача. Даже пятилетний ребенок, без труда, может отличить кошку от собаки. Машины, основанные на нейросетевых технологиях, справляются с этим гораздо сложнее. Самым простым примером машины, которая распознает образы может служить пандемониум Селфриджа. Но представляет из себя некоторую совокупность функциональных блоков. Каждый из которых выполняет определенную функцию. Это иерархическая схема. Нижний уровень состоит из демонов данных, которые посылают входной сигнал, соответствующий вектору наличия либо отсутствия признаков, на верхний уровень. Выше следуют вычислительные демоны. Выше идут демоны понимания, которые выполняют суперпозицию D = ?wijdi. Каждому демону понимания присваивается вес wij (значимость определенного признака). Например, для взрослого человека значимым признаком является вес более 50 кг. А вот наличие волос признак менее значимый.

Затем происходит сопоставление значений, получившихся у демонов понимания, и выбирается демон с наибольшим значением. Но, все далеко не так просто. Чрезвычайно важно интерпретация информации. Важно уметь интерпретировать признаки, рассматривать их в совокупности и выделять главные отличительные черты. Проектировщики и технологи утверждают, что по прежнему искусственный интеллект не способен качественно отличать одни образы от других.

Существует несколько методов распознавания образов: шаблонный (эталонный), структурный и признаковый. У каждого из методов есть характерные преимущества и недостатки. Применение этих методов на практике позволило нам совершенно свободно пользоваться такими программами, как FineReader. Так, что использование нейросетевых технологий имеет крайне прикладной характер.

Из сегодня в завтра

Как уже упоминалось, со времен Декарта существовал вопрос о соотношении ментального и физического. Сам Декарт предлагал определенное решение: Он считал, что нематериальные потоки взаимодействуют с определенной скрытой частью мозга, и далее распространяются по всем нервным клеткам. Но даже Декарт поднимал белый флаг, когда речь шла о непосредственном взаимодействии ментального и физического. Он был сторонником дуализма, но не смог внятно ответить на этот вопрос.

На протяжении тысячелетий вся передача информации от человека к человеку осуществлялась только по предложенной ниже схеме:

Следствия, вытекающие из этой схемы, ставят перед учеными несколько вопросов:

· Возможна ли декодировка человеческой мысли?

· Возможно ли с помощью мысли управлять машинами и компьютерами?

· Возможна ли передача информации непосредственно от сознания к сознанию, минуя органы чувств?

На первые два вопроса ученые отвечают утвердительно. Более того уже имеются опытные образцы. Ответ на третий вопрос пока не получен, но ведется множество исследований, чтобы, в конце концов, разрешить это.

На сегодняшний день реализовано достаточно много научных образцов, которые позволяют с помощью мысли управлять некоторыми механизмами. Некоторые из этих образцов можно даже купить. Множество из таких образцов работают по принципу электроэнцефалографа. Человеческий мозг генерирует несколько ритмов (a, b, г) в рамках этой градации существуют свои градации меньшего порядка. Прибор присваивает каждому значению градации определенное дискретное значение, в результате чего возникает возможность осуществлять некоторые манипуляции. Но, нужно понимать, что возможности этого прибора резко ограничены. Во первых, лаг между желаемым действием и его осуществлением достаточно велик. Во вторых перечень возможных действий крайне невелик. В третьих - выполняемое действие управляется не непосредственной мыслью об этом действии, а генерируемым ритмом мозга (а это, все таки разные вещи). Как показывает практика, технологии, основанные на электроэнцефалографе интересны только в качестве концепта, но не более. Существуют специальные устройства, предназначенные для набора знаков без использования клавиатуры. Но, к сожалению, этот процесс очень медленный и в любом случае проигрывает обычному набору с клавиатуры.

Но, это лишь общедоступные технологии, которые были разработаны еще несколько десятков лет назад.

Современные нейротехнологии (которые не доступны для рядовых граждан) ушли гораздо дальше от этого. В последнее время, в медицине стремительно начали развиваться проекты, связанные с трансплантологией кибернетических конечностей. В 2011 году вышла игра под названием Deus Ex: Human Revolution, которая как раз поднимала проблемы неогуманизма. И к релизу этой игры было снято множество роликов о современных достижениях био-механники. Они ясно говорят о том, что уже несколько лет существуют вполне эффективные нейропротезы рук и ног. Технологии не стоят на месте, они постоянно развиваются. Что было недоступно сегодня, будет доступно завтра. С помощью кибернетических рук вполне можно выполнять достаточно сложные манипуляции (хватать от крупных до мелких предметов, вращать кисть, набирать текст на клавиатуре). С помощью кибернетических ног можно вполне успешно бегать, подниматься и спускаться по лестницам, приседать. Био-механника ставит перед нами новые горизонты человеческих возможностей. Безусловно, современные импланты уступают человеческим конечностям в функциональности. Но это только пока. Современная техника развивается по экспоненте и, пока я пишу это предложение, технологии продвинулись еще на один шаг.

Компания Cyberkinetics достаточно давно занимается проблемами управления механизмов с помощью мысли. Их разработки помогают людям с ограниченными возможностями управлять различными роботическими механизмами силой мысли. Здесь используется технология отличная от электроэнцефалограммы. Происходит декодировка сигналов от отдельных нейронов мозга о намерениях действий. Таким образом, даже парализованный человек может управлять роботом силой своей мысли. Это не есть фантастика. Вышеприведенная компания уже выпустила на рынок некоторые модели таких устройств.

Оборонное агентство США DARPA ,последние несколько лет, усиленно занимается исследованиями в области нейрофизиологии и возможностей применения возможностей человеческого мозга.

От моделей поведения к искусственному

Адаптивное поведение - один из столпов на котором держится эволюция живых организмов. Естественно, что проблема адаптивного поведения заинтересовала и ученых, занимающихся в области нейросетевого моделирования. Многие исследователи считают, что моделирование адаптивного поведения это верный путь к созданию пресловутой «Искусственной жизни». Первая конференция по «Искусственной жизни» состоялась в 1987 году в Лос-Аламосе. Как сказал руководитель этой конференции К. Ленгтон, «Основное предположение искусственной жизни состоит в том, что ,,логическая форма,, организма может быть отделена от его материальной основы. Основной задачей исследователей в этой области является попытка понять и смоделировать формальные принципы организации биологической жизни. У этого подхода есть свои критики. Но для того, чтобы сказать о критике этого направления необходимо изначально рассказать о его основных чертах.

Основной подход направления «Адаптивное поведение» - конструирование и исследование искусственных «организмов». Такие организмы называются «аниматами».

Программа минимум направления «адаптивное поведение» - исследовать те механизмы, которые помогают животным адаптироваться к окружающей среде.

Программа максимум этого направления - попытаться проанализировать эволюцию когнитивных способностей животных.

Ко второй поставленной проблеме мы перейдем в завершении этой главы. А пока давайте укажем основные формализованные механизмы, которые положены в основания моделей «Искусственной жизни» - моделей аниматов.

В теории «Адаптивного поведения» применяется чисто феноменологический подход - который утверждает существование некоторых формальных правил, которые могут быть вынесены из специфического субстрата, который является субъектом их инициации, и рассмотрены отдельно. Если говорить о механизмах адаптации нейронных сетей, то многие из них представлены в главе персептроны. Каждый отдельные персептрон имеет некоторую заданную функцию резальатта и пытается максимально приблизить к ней свои интерпретационные возможности. метод селективной адаптации (основанный на нашем понимании эволюционного процесса) заключается в скрещивании различных геномов искусственных особей. Каждая из особей имеет свой геном ,которые представлен матрицей ее синаптических весов wij. Эти матрицы «разрезаются» в различных местах и скрещиваются. Об этом я уже писал. Но эти методы адаптивного поведения далеко не все, что существует в реальности.

...