Эта идея должна умереть. Научные теории, которые блокируют прогресс

Согласно гипотезе, «бабушкина клетка» активизируется исключительно при восприятии конкретного человека (вашей бабушки) и не реагирует ни на какой стимул. Однако в вышеописанном эксперименте были задействованы лишь несколько сотен фотографий – а множество других фото знаменитостей не были показаны, – поэтому мы не знаем точно, насколько избирателен, например, «нейрон Дженнифер Энистон». Кроме того, вероятность того, что электрод зарегистрировал данные единственного нейрона в мозге, ассоциированного с Дженнифер Энистон, очень мала; более вероятно, что таких нейронов несколько тысяч. То же самое можно сказать и про «нейрон Холли Берри», а также нейроны всех известных вам людей и распознаваемых объектов. В головном мозге множество нейронов, но все же их недостаточно, чтобы распознать вид каждого известного вам объекта или его имя. Еще одна – и более серьезная – причина скепсиса по отношению к гипотезе бабушкиного нейрона заключается в том, что функционирование сенсорного нейрона лишь частично определяется его ответом на сенсорные входы (sensory inputs). В равной степени важны сенсорный выход (

output) нейрона и дальнейшее его влияние на поведение.

У обезьян – в тех случаях, когда удалось записать сигналы от многих нейронов одновременно, – стимулы и зависящие от задачи сигналы распределены по большой популяции нейронов, каждый из которых настроен на определенную комбинацию стимулов и деталей поставленной задачи. Свойства таких распределенных репрезентаций были впервые изучены на материале искусственных нейронных сетей в 1980-х годах.

В таких сетях популяции нейронов первого уровня – так называемые «скрытые единицы» (hidden units

) – были обучены выполнять отображение между определенным набором стимулов на входе (input units) и набором ответов – сигналов на выходе (output units). «Скрытые единицы» разработали чрезвычайно детализированные схемы ответов на любой стимул, подобно тому как это наблюдается у популяций нейронов головного мозга. Например, на входе нейрон мог получить изображение лица со многих точек зрения, а на выходах репрезентировались имена соответствующих людей.

После обучения на многочисленных примерах каждая из скрытых единиц закодировала всевозможные комбинации признаков входных блоков, как, например, фрагменты глаз, носов, формы головы. Такое распределенное представление может быть использовано для распознавания разных версий одного и того же объекта, и один и тот же набор нейронов может распознавать множество различных объектов путем дифференциального взвешивания информации на выходе. Кроме того, сеть может делать обобщения, правильно классифицируя новые входные данные, не входившие в обучающий набор. Гораздо более мощные версии этих ранних нейросетевых моделей, с более чем 12 уровнями скрытых единиц в иерархии, подобно иерархии зрительной коры нашего мозга, и с использованием глубокого обучения для регулировки миллиардов вариантов синаптического веса, теперь способны распознавать в изображениях десятки тысяч объектов.

Это настоящий прорыв в области искусственного интеллекта – ведь производительность растет по мере расширения сети и роста количества примеров. Технологические компании по всему миру соревнуются в разработке специализированного компьютерного «железа», которое позволит еще более расширить масштабы этих структур.

Нам предстоит пройти еще долгий путь, прежде чем существующие искусственные системы приблизятся к способностям человеческого мозга, располагающего миллиардами синапсов на кубический миллиметр коры.

Сколько нейронов входит в популяцию, способную уловить различия между множеством похожих объектов – таких, например, как лица? Исследования процессов визуализации в мозге показывают, что на человеческое лицо реагируют много различных областей мозга, и некоторые из них работают с высокой степенью селективности. Нам нужно будет отобрать много нейронов из этих областей. Ответ на вопрос, заданный в начале абзаца, возможно, удивит нас, потому что есть и веские теоретические аргументы в пользу того, что в репрезентации объекта участвует минимальное число нейронов. Во-первых, экономное кодирование более энергоэффективно. Во-вторых, когда тесная популяция нейронов обучается распознавать новый объект, может возникнуть интерференция с другими объектами, уже репрезентированными в популяции. Поэтому эффективной и при этом экономной репрезентация может быть только в редкой популяции.

Через 10 лет будет зафиксировано и задействовано в исследованиях в 1000 раз больше нейронов, чем сейчас. Для их анализа разрабатываются новые методы, которые позволят нам понять, каким образом активность нейронных популяций может влиять на возникновение мыслей, эмоций, планов и решений. В скором времени мы, возможно, будем знать ответ на вопрос о том, сколько именно нейронов представляют тот или иной объект или то или иное понятие в нашем мозгу, – но поможет ли это нам окончательно распрощаться с гипотезой бабушкиной клетки?