Всемирный разум

Мозг может быстро находить в памяти точные или ближайшие соответствия, потому что нейроны тесно переплетаются массовым образом. Вообразите огромный танцевальный зал, наполненный тысячами людей. Вдруг один из них падает, и окружающие зовут доктора. Распорядитель достает мобильный телефон и звонит доктору – приятелю упавшего. Врач немедленно устремляется к пострадавшему из другого конца помещения. Люди понимающе кивают головами и говорят: «Мир тесен!» Фактически, нейронная геометрия мозга являет собой схемы (паттерны), весьма напоминающие человеческие социальные сети. Социологи установили, что сообщение может быть доставлено к заинтересованному в нем получателю – в каком бы месте мира тот ни находился – с помощью цепочки, состоящей, в среднем, всего лишь из шести человек [135] . Мозг устроен похожим образом. Некоторые нервные клетки «общаются» с ближайшими соседями, другие же протягивают нити своих аксонов достаточно далеко, достигая иных областей. Подобные устремленные вдаль соединения служат залогом того, что любая поступающая извне сенсорная информация имеет все шансы быстро дойти до тех нейронов, которые должны ее идентифицировать [136] .

В сущности, так называемые малые сети (small-world networks) – это выражение используется в наши дни как математический термин – стали вездесущими. Даже 302 нейрона простейшего существа C. elegans

(свободноживущая нематода, круглый червь. – Прим. пер.

) – образуют ту же малую сеть [137] . Благодаря им мозг может легко отыскивать ближайшие соответствия, что помогает быстро устанавливать отношения между объектами и их ментальными представлениями. Поиск взаимосвязей и отношений объектов ведет нас и к поиску аналогий. Создавая их между двумя объектами, вы акцентируете фундаментальные признаки сходства и принимаете во внимание частные различия.

Таким образом, чтобы правильно интерпретировать активность мозга, нужно создать компьютер, который бы мыслил как мозг. Подобно ему, такая машина должна иметь множество блоков памяти, организованных в соответствии с принципом малых сетей. Должна уметь строить инвариантные репрезентации и, используя их, вызывать автоассоциации. И наконец, уметь предвидеть и сравнивать свои прогнозы с сенсорной информацией, поступающей благодаря непосредственному опыту общения с окружающей средой. Прогнозирование подобного рода должно служить основой для формирования воспоминаний и перцептивных моделей, а также для деятельности высшего уровня. То есть для создания гипотез и объяснения того, каким образом складываются взаимосвязи между нейронами в соответствующих цепочках. Кроме того, компьютер будущего, который мы имеем в виду, должен, основываясь на анализе проводимых в течение определенного времени наблюдений и с учетом требований постоянной самокоррекции, уметь создавать самые сложные и изощренные модели ментальной деятельности.

Креативные усилия – такие как, например, создание гипотез – сегодня компьютерам недоступны. Однако Хокинс настаивает на том, что творчество основывается на использовании механизмов предвидения. Мыслящий таким образом математик с готовностью берется за новую задачу, предвидя, что она должна иметь некоторое сходство с прежними, следы решения которых хранятся в малых нейронных сетях его мозга. Иными словами, в поисках ответов на новые вопросы используются уже имеющиеся знания, основанные на взаимосвязях и аналогиях. А последние обязаны своим появлением фундаментальному механизму ментального прогнозирования. Хокинс не видит никаких теоретических препятствий для создания такого компьютера, который воспроизводил бы нейронные структуры, отвечающие в головном мозге за предвидения и предсказания. Инженеры в США уже начали широкомасштабные эксперименты по разработке микросхем (чипов), архитектура которых подобна организации нейронных цепей. В Стэнфорде, например, исследователи уже создали «нейроморфический микрочип» («neuromorphic microchip»), самоорганизующаяся схема которого подобна зрительной коре лабораторных животных [138] .