Какое компьютерное устройство моделирует человеческое мышление
Обновлено: 21.11.2024
Введение
В которой мы пытаемся объяснить, почему мы считаем искусственный интеллект предметом, наиболее заслуживающим изучения, и в котором мы пытаемся решить, что именно это такое, это хорошо решить, прежде чем приступать.
Человечество дало себе научное название homo sapiens — человек мудрый — потому что наши умственные способности так важны для нашей повседневной жизни и нашего самоощущения. Область искусственного интеллекта или ИИ пытается понять разумные сущности. Таким образом, одна из причин его изучения — узнать больше о себе. Но в отличие от философии и психологии, которые также занимаются интеллектом, ИИ стремится создавать разумные сущности, а также понимать их. Еще одна причина для изучения ИИ заключается в том, что эти сконструированные интеллектуальные объекты интересны и полезны сами по себе. Даже на этом раннем этапе своего развития искусственный интеллект произвел много важных и впечатляющих продуктов. Хотя никто не может предсказать будущее в деталях, ясно, что компьютеры с интеллектом человеческого уровня (или выше) окажут огромное влияние на нашу повседневную жизнь и на будущее развитие цивилизации.
Искусственный интеллект решает одну из главных задач. Как медленный, крошечный мозг, будь то биологический или электронный, может воспринимать, понимать, предсказывать и управлять миром, который намного больше и сложнее, чем он сам? Как нам сделать что-то с этими свойствами? Это трудные вопросы, но в отличие от поиска сверхсветовых путешествий или антигравитационного устройства, у исследователя ИИ есть веские доказательства того, что поиски возможны. Все, что нужно сделать исследователю, — это посмотреть в зеркало, чтобы увидеть пример интеллектуальной системы.
Искусственный интеллект — одна из новейших дисциплин. Официально он был инициирован в 1956 году, когда было придумано название, хотя на тот момент работа велась около пяти лет. Наряду с современной генетикой ученые из других дисциплин регулярно называют ее «областью, в которой я больше всего хотел бы работать». Студент, изучающий физику, может обоснованно полагать, что все хорошие идеи уже были взяты Галилеем, Ньютоном, Эйнштейном и остальными и что требуется много лет обучения, прежде чем кто-то сможет предложить новые идеи. С другой стороны, у ИИ все еще есть вакансии для штатного Эйнштейна.
Изучение интеллекта также является одной из древнейших дисциплин. Более 2000 лет философы пытались понять, как можно или нужно делать видение, обучение, запоминание и рассуждение. Появление пригодных для использования компьютеров в начале 1950-х годов превратило научные, но кабинетные рассуждения об этих умственных способностях в настоящую экспериментальную и теоретическую дисциплину. Многие считали, что новые «электронные сверхмозги» обладают неограниченным интеллектуальным потенциалом. «Быстрее, чем Эйнштейн» — типичный заголовок. Но компьютер не только обеспечивает средство для создания объектов с искусственным интеллектом, но и инструмент для проверки теорий интеллекта, и многие теории не выдержали проверки — случай «из кресла в огонь». ИИ оказался сложнее, чем многие поначалу представляли, а современные идеи в результате намного богаче, тоньше и интереснее.
В настоящее время ИИ охватывает огромное количество подполей, от областей общего назначения, таких как восприятие и логическое мышление, до конкретных задач, таких как игра в шахматы, доказательство математических теорем, написание стихов и диагностика заболеваний. Часто ученые в других областях постепенно переходят к искусственному интеллекту, где они находят инструменты и словарь для систематизации и автоматизации интеллектуальных задач, над которыми они работали всю свою жизнь. Точно так же работники ИИ могут применить свои методы к любой области интеллектуальной деятельности человека. В этом смысле это действительно универсальное поле.
Что такое ИИ?
Теперь мы объяснили, чем интересен ИИ, но не сказали, что это такое. Мы могли бы просто сказать: «Ну, это связано с умными программами, так что давайте продолжим и напишем что-нибудь». Но история науки показывает, что полезно стремиться к правильным целям. Ранние алхимики, искавшие зелье для вечной жизни и способ превратить свинец в золото, вероятно, ошиблись. Только когда цель изменилась на поиск четких теорий, которые давали точные предсказания земного мира, точно так же, как ранняя астрономия предсказывала видимое движение звезд и планет, мог появиться научный метод и продуктивная наука. Определения искусственного интеллекта согласно восьми последним учебникам показаны в таблице ниже. Эти определения различаются по двум основным параметрам. Верхние связаны с мыслительными процессами и рассуждениями, тогда как нижние касаются поведения.Кроме того, определения слева измеряют успех с точки зрения человеческой деятельности, тогда как определения справа измеряют идеальную концепцию интеллекта, которую мы назовем рациональностью. Система рациональна, если она действует правильно.
Это дает нам четыре возможных цели в области искусственного интеллекта:
Исторически использовались все четыре подхода. Как и следовало ожидать, существует противоречие между подходами, ориентированными на человека, и подходами, ориентированными на рациональность. (Мы должны указать, что, проводя различие между человеческим и рациональным поведением, мы не предполагаем, что люди обязательно «иррациональны» в смысле «эмоционально нестабильны» или «сумасшедшие». Нужно просто отметить, что мы часто делают ошибки; не все мы гроссмейстеры, даже если знаем все правила игры в шахматы; и, к сожалению, не все получают на экзамене пятерку. Некоторые систематические ошибки в человеческом мышлении каталогизированы Канеманом и др..) Человек -центрированный подход должен быть эмпирической наукой, предполагающей гипотезу и экспериментальное подтверждение. Рационалистический подход предполагает сочетание математики и техники. Люди в каждой группе иногда бросают тень на работу, проделанную в других группах, но правда в том, что каждое направление дало ценные выводы. Давайте рассмотрим каждый из них более подробно.
Действовать по-человечески: метод теста Тьюринга
<УЛ>- компьютерное зрение для восприятия объектов и
- роботы для их перемещения.
Мыслить по-человечески: подход к когнитивному моделированию
Если мы собираемся сказать, что данная программа думает как человек, у нас должен быть какой-то способ определить, как люди думают. Нам нужно проникнуть внутрь реальной работы человеческого разума. Есть два способа сделать это: с помощью самонаблюдения, когда мы пытаемся уловить собственные мысли, когда они проносятся, или с помощью психологических экспериментов. Когда у нас есть достаточно точная теория разума, становится возможным выразить эту теорию в виде компьютерной программы. Если поведение ввода/вывода и синхронизации программы соответствует поведению человека, это свидетельствует о том, что некоторые механизмы программы могут работать и у людей. Например, Ньюэлл и Саймон, разработавшие GPS, «Общее средство решения проблем» (Ньюэлл и Саймон, 1961), не были довольны тем, что их программа правильно решает проблемы. Они были больше озабочены сравнением следов его рассуждений со следами людей, решающих те же проблемы. Это контрастирует с другими исследователями того же времени (такими как Ван (1960)), которые были озабочены получением правильных ответов независимо от того, как это могут сделать люди. Междисциплинарная область когнитивной науки объединяет компьютерные модели искусственного интеллекта и экспериментальные методы психологии, чтобы попытаться построить точные и проверяемые теории работы человеческого разума. Хотя когнитивная наука сама по себе является увлекательной областью, мы не собираемся подробно обсуждать ее в этой книге. Время от времени мы будем комментировать сходства или различия между методами ИИ и человеческим познанием. Однако настоящая когнитивная наука обязательно основана на экспериментальном исследовании реальных людей или животных, и мы предполагаем, что читатель имеет доступ к компьютеру только для экспериментов. Мы просто отметим, что ИИ и когнитивная наука продолжают дополнять друг друга, особенно в области зрения, естественного языка и обучения. История психологических теорий познания кратко описана на стр. 12.
Рациональное мышление: законы мыслительного подхода
Греческий философ Аристотель был одним из первых, кто попытался систематизировать «правильное мышление», то есть неопровержимые процессы рассуждения. Его знаменитые силлогизмы предоставили модели для структур аргументов, которые всегда давали правильные выводы при правильных предпосылках. Например, «Сократ — человек; все люди смертны; следовательно, Сократ смертен». Предполагалось, что эти законы мышления управляют работой разума и положили начало области логики.
Развитие формальной логики в конце девятнадцатого и начале двадцатого веков, которое мы более подробно опишем в главе 6, обеспечило точную запись утверждений обо всех видах вещей в мире и отношениях между ними. (Сравните это с обычной арифметической записью, которая в основном обеспечивает равенство и неравенство чисел.) К 1965 году существовали программы, которые могли при наличии достаточного количества времени и памяти взять описание проблемы в логической записи и найти решение проблемы, если оно существует. (Если решения нет, программа никогда не перестанет его искать.) Так называемая логическая традиция в рамках искусственного интеллекта надеется использовать такие программы для создания интеллектуальных систем.
Есть два основных препятствия этому подходу. Во-первых, нелегко взять неформальное знание и сформулировать его в формальных терминах, требуемых логической нотацией, особенно когда достоверность знания составляет менее 100%. Во-вторых, существует большая разница между возможностью решить проблему "в принципе" и решением проблемы на практике. Даже задачи, содержащие всего несколько десятков фактов, могут истощить вычислительные ресурсы любого компьютера, если у него нет каких-либо указаний относительно того, какие шаги рассуждения следует предпринять в первую очередь. Хотя оба этих препятствия применимы к любой попытке построить вычислительные системы рассуждений, они впервые появились в логицистской традиции, потому что мощь систем репрезентации и рассуждений четко определена и достаточно хорошо изучена.
Рационально действовать: подход рационального агента
Действовать рационально означает действовать так, чтобы достичь своих целей, исходя из своих убеждений. Агент — это просто то, что воспринимает и действует. (Возможно, это необычное использование слова, но вы к нему привыкнете.) При таком подходе ИИ рассматривается как изучение и создание рациональных агентов.
В подходе ``законов мысли'' к ИИ весь упор делался на правильные выводы. Делать правильные выводы иногда является частью того, чтобы быть рациональным агентом, потому что один из способов действовать рационально - это логически рассуждать о том, что данное действие приведет к достижению целей, а затем действовать на основе этого вывода. С другой стороны, правильный вывод — это не только рациональность, потому что часто бывают ситуации, когда нет доказуемо правильного действия, но что-то все же необходимо сделать. Существуют также способы рационального действия, о которых нельзя обоснованно сказать, что они предполагают вывод. Например, отдергивание руки от горячей плиты – это рефлекторное действие, более успешное, чем более медленное действие, предпринятое после тщательного обдумывания.
Все «когнитивные навыки», необходимые для теста Тьюринга, позволяют совершать рациональные действия. Таким образом, нам нужна способность представлять знания и рассуждать с ними, потому что это позволяет нам принимать правильные решения в самых разных ситуациях. Нам нужно уметь генерировать понятные предложения на естественном языке, потому что произнесение этих предложений помогает нам выжить в сложном обществе. Нам нужно учиться не только для эрудиции, но и потому, что лучшее представление о том, как устроен мир, позволяет нам создавать более эффективные стратегии взаимодействия с ним. Нам нужно визуальное восприятие не только потому, что видеть весело, но и для того, чтобы получить лучшее представление о том, чего может достичь действие — например, способность видеть лакомый кусочек помогает двигаться к нему.
Поэтому изучение ИИ как рациональной конструкции агента имеет два преимущества. Во-первых, он более общий, чем подход «законов мышления», поскольку правильный вывод — это лишь полезный, а не необходимый механизм достижения рациональности. Во-вторых, он более поддается научной разработке, чем подходы, основанные на человеческом поведении или человеческом мышлении, поскольку эталон рациональности четко определен и совершенно общий. Человеческое поведение, с другой стороны, хорошо адаптировано к одной конкретной среде и отчасти является продуктом сложного и во многом неизвестного эволюционного процесса, который, возможно, еще далек от достижения совершенства. Поэтому в этой книге основное внимание будет уделено общим принципам рациональных агентов и компонентам их построения. Мы увидим, что, несмотря на кажущуюся простоту, с которой можно сформулировать проблему, при попытке ее решения возникает огромное разнообразие вопросов. В главе 2 некоторые из этих вопросов рассматриваются более подробно. Следует иметь в виду один важный момент: вскоре мы увидим, что достижение совершенной рациональности — всегда поступать правильно — невозможно в сложных условиях. Требования к вычислительным ресурсам слишком высоки. Однако на протяжении большей части книги мы будем придерживаться рабочей гипотезы о том, что понимание идеального процесса принятия решений — это хорошее начало. Это упрощает задачу и обеспечивает соответствующую настройку для большей части основного материала в полевых условиях. В главах 5 и 17 явно рассматривается проблема ограниченной рациональности — действия, соответствующие ситуации, когда не хватает времени для выполнения всех необходимых вычислений. Разделы «История искусственного интеллекта» в этой онлайн-версии опущены.
Современное искусство
Международный гроссмейстер Арнольд Денкер изучает фигуры на доске перед собой. Он понимает, что надежды нет; он должен отказаться от игры. Его противник, Hitech, становится первой компьютерной программой, победившей гроссмейстера в шахматной партии.
«Я хочу поехать из Бостона в Сан-Франциско», — говорит путешественник в микрофон. `` Какого числа вы будете путешествовать? '' ответ. Путешественница объясняет, что хочет вылететь 20 октября без остановок по самому дешевому доступному тарифу и вернуться в воскресенье. Программа распознавания речи под названием Pegasus обрабатывает всю транзакцию, что приводит к подтвержденному бронированию, что экономит путешественнику 894 доллара по сравнению с обычным проездом на автобусе. Несмотря на то, что распознаватель речи ошибается в одном слове из десяти, он способен устранить эти ошибки благодаря своему пониманию того, как строятся диалоги.
Аналитик в комнате операций миссии Лаборатории реактивного движения внезапно начинает обращать внимание. На экране вспыхнуло красное сообщение, указывающее на "аномалию" с космическим кораблем "Вояджер", который находится где-то в окрестностях Нептуна. К счастью, аналитик может исправить проблему с земли. Оперативный персонал считает, что эту проблему можно было бы не заметить, если бы не Marvel, экспертная система в режиме реального времени, которая отслеживает огромный поток данных, передаваемых космическим кораблем, выполняет рутинные задачи и предупреждает аналитиков о более серьезных проблемах.
Катаясь по шоссе за пределами Питтсбурга со скоростью 80 км/ч, мужчина на водительском сиденье кажется расслабленным. Так и должно быть — за последние 90 миль ему ни разу не пришлось прикасаться к рулю. Настоящий водитель — это роботизированная система, которая собирает данные с видеокамер, гидролокаторов и лазерных дальномеров, прикрепленных к фургону. Он сочетает эти входные данные с опытом, полученным в ходе тренировочных заездов, и успешно вычисляет, как управлять транспортным средством.
Ведущий специалист по патологии лимфатических узлов описывает чертовски сложный случай экспертной системе и изучает диагноз системы. Он насмехается над ответом системы. Лишь слегка обеспокоившись, создатели системы предлагают ему запросить у компьютера объяснение диагноза. Машина указывает основные факторы, влияющие на ее решение, и объясняет тонкое взаимодействие нескольких симптомов в данном случае. В конце концов эксперт признает свою ошибку.
С камеры, установленной на уличном фонаре над перекрестком, дорожный монитор наблюдает за происходящим. Если бы кто-нибудь из людей не спал, чтобы прочитать главный экран, они бы увидели «Citroen 2CV, поворачивающий с площади Согласия на Елисейские поля», «Большой грузовик неизвестной марки остановился на площади Согласия» и так далее в ночь. А иногда: "Крупный инцидент на площади Согласия, фургон столкнулся с мотоциклистом" и автоматический вызов экстренных служб.
Это всего лишь несколько примеров существующих сегодня систем искусственного интеллекта. Не магия и не научная фантастика, а наука, инженерия и математика, введением в которые является эта книга.
Открытие каналов связи между учеными-исследователями и более широким сообществом
Можем ли мы построить функциональный мозг с помощью компьютеров? Чтобы ответить на этот вопрос, нам нужно знать, как устроен мозг в природе. Человеческий мозг состоит из более чем 10 миллиардов клеток, называемых нейронами, которые могут быть электрически активированы при стимуляции. Нейроны производят специальные белки, называемые ионными каналами, которые встроены в их клеточные мембраны. Эти каналы позволяют ионам (то есть электрически заряженным молекулам) втекать и выходить из клетки, что генерирует электрический ток. Каждый нейрон связан с тысячами других нейронов структурами, называемыми синапсами. Группы нейронов со схожими функциями могут тесно взаимодействовать друг с другом для выполнения более сложных функций, и такой кластер нейронов называется «столбцом». Около 10 000 столбцов образуют неокортекс головного мозга (внешние слои на поверхности больших полушарий) (рис. 1). Когда информация поступает в мозг, она преобразуется в электрические сигналы и проходит через большую сеть нейронов, позволяя нашему мозгу воспринимать, интерпретировать, думать и генерировать физиологические или двигательные реакции на окружающий мир.
Рисунок 1. Иерархия структуры мозга, начиная с одного нейрона, содержащего ионные каналы. 10 000 нейронов образуют столбец неокортекса. В неокортексе головного мозга насчитывается 10 000 столбцов. (Иллюстрация Шан Лу)
Визуализация мозга: методы и ограничения
Несмотря на то, что у ученых есть знания о мозге, в области нейробиологии все еще остается много важных вопросов, на которые нет ответов.Один из этих вопросов заключается в том, как восприятие (то, что мы обнаруживаем с помощью наших органов чувств) трансформируется в представления (наша интерпретация и реакция на то, что мы воспринимаем). Например, если вам подарили кусок пиццы, как изображение вызывает в вашем сознании слово «пицца», как оно определяется и классифицируется как еда и как оно вызывает чувство голода? Произошел большой скачок от функционального столбца неокортекса к думающему мозгу. Было разработано несколько методов, чтобы увидеть общую картину функций мозга, таких как функциональная магнитно-резонансная томография (фМРТ), позитронно-эмиссионная томография (ПЭТ) и записи полей мозга. Но эти технологии можно использовать только в ограниченных ситуациях. Например, люди должны оставаться неподвижными во время этих обследований, а это означает, что многие виды деятельности мозга, возникающие во время активных движений, не могут быть изучены. Кроме того, эти методы имеют низкое разрешение, поэтому активность отдельных нейронов невозможно визуализировать.
Чтобы обойти ограничения изучения мозга живых организмов, ученые вместо этого сосредоточились на создании компьютерной модели мозга, которую можно использовать для разгадки сложных тайн, лежащих в основе его функционирования. Но можно ли построить точную рабочую модель мозга? Построение такой модели — огромная проблема в области неврологии, но она того стоит, потому что она позволит исследователям проверять различные гипотезы о том, как мозг воспринимает и обрабатывает информацию. Создание модели мозга также поможет исследователям лучше понять заболевания головного мозга, такие как стресс, аутизм, шизофрения и нейродегенеративные заболевания. Его можно даже использовать в качестве симулятора для тестов на наркотики и скрининга.
Заставить компьютеры думать, как люди
Но остается вопрос, как ученые собираются построить такой мозг? Говоря о человеческом мозге, трудно не думать о компьютерах. Тесная корреляция между тем, как работают компьютеры, и тем, как думает наш мозг, не случайна. В 1936 году, когда Алан Тернинг проектировал свой первый компьютер под названием ACE (Automatic Computing Engine), он использовал человеческий мозг в качестве модели. Вместо того, чтобы создавать программу на основе мозга взрослого человека, Тернинг предложил основывать ее на мозге ребенка, который затем можно было бы обучить, научившись функционировать как опытный мозг взрослого человека. Также во время разработки теоретической вычислительной системы Тьюринг предложил стандарт «интеллектуальной» машины. Этот стандарт основан на тесте Тьюринга, который идентифицирует машину как «разумную» только в том случае, если исследователь-человек не может отличить машину от человека на основе ответов, которые она дает на вопросы [1].
Компьютерщики всегда мечтали создать «интеллектуальные» машины, имитирующие человеческий мозг или даже превосходящие его. В одном хорошо известном примере группа IBM разработала компьютер чемпиона Jeopardy! «Watson». В качестве доказательства своей способности к искусственному интеллекту Watson смог понять неопределенные вопросы и найти правильные ответы, ища корреляции в областях гуманитарных наук, культуры и социологии [2,3].
Проект Blue Brain
Одно дело заставить компьютеры думать, как люди, и совсем другое — использовать компьютеры, чтобы понять, как работает человеческий мозг. Тем не менее ученые пытаются сделать именно это, чтобы объяснить деятельность мозга с помощью специализированных компьютерных программ. Сначала они разработали гипотезы о том, как могут работать определенные нейроны, и использовали их для создания компьютерных моделей. Затем эти компьютерные модели были проверены путем сравнения их с реальными ответами тех же нейронов у мышей.
Теперь, когда ученые успешно смоделировали отдельные нейроны с помощью компьютерных программ, смогут ли они использовать компьютеры для моделирования всего мозга? Если один компьютер не может, десятки тысяч компьютеров могут. Эта идея исходит от Генри Маркрама, нейробиолога, который известен тем, что обнаружил, как относительная синхронизация электрических сигналов в двух соединенных нейронах влияет на силу их связи [4]. Маркрам предложил моделировать каждый нейрон с помощью одного ноутбука, основываясь на параметрах «нейронов» ноутбука, включая их размер, ионные каналы и способность возбуждаться, на данных реальных нейронов, описанных в научных статьях или изученных в его собственной лаборатории [5]. ]. Это означает, что любые электрические сигналы, поступающие в компьютер, должны иметь точно такой же выходной сигнал, что и реальный нейрон, который они имитируют. Каждый нейрон ноутбука соединен с тысячами других ноутбуков таким же образом, как и настоящий мозг, образуя функциональную колонку новой коры. Этот проект называется «Проект Blue Brain».
Рис. 2. Генри Маркрам и его модель Deep Blue Brain.
В 2005 году была построена первая модель одного нейрона. В 2008 году была построена первая неокортикальная колонка. Ожидается, что в 2014 г. можно будет смоделировать весь неокортекс головного мозга крысы. Конечная цель проекта Deep Blue Brain — воспроизвести ту же процедуру с человеческим мозгом. Он сталкивается с трудностями при сборе данных, но с развитием технологий Маркрам ожидает, что он будет завершен в 2023 году [6].
Тем не менее, как новорожденный мозг, Deep Blue Brain может не знать, что делать со своим потенциалом. По словам Тернинга, это «детский мозг». Чтобы детский мозг рос и развивался, его нужно тренировать и настраивать на правильный вывод с помощью различных алгоритмов машинного обучения, чтобы запах пиццы означал «еду», а не «игрушку». Как ученые оценят успех проекта? Маркрам предлагает связать Blue Brain с машинной крысой с определенными датчиками и двигательными выходами. Настоящая крыса должна уметь учиться, уметь воспринимать окружающую среду и реагировать на нее, меняться в ответ на переживания и, самое главное, быть непредсказуемой. Непредсказуемость и автономность принятия решений — главные отличия хорошо запрограммированной машины от реального биологического мозга [7, 8]. Что, если это не сработает? Может быть, это даст ученым повод оглянуться назад и задаться вопросом, чего не хватает? И, возможно, именно ответ на этот вопрос даст нам представление о том, как восприятие мозга приводит к его представлениям.
Шан Лу — аспирант программы нейробиологии Гарвардской медицинской школы.
Ссылки:
<р>1. «Алан Тьюринг». Википедия, свободная энциклопедия. Википедия, Бесплатная энциклопедия, 18 мая. 2012. Интернет. 21 мая. 2012 <р>2. «Ватсон (компьютер)». Википедия, свободная энциклопедия. Википедия, Бесплатная энциклопедия, 9 мая. 2012. <р>4. Маркрам, Любке, Сакманн. «Регулирование синаптической эффективности путем совпадения постсинаптических ПД и ВПСП». Наука 275 (1997): 213–215 <р>5. Маркрам. «Проект голубого мозга». Нац. Преподобный Нейроски. 7 (2006) 153-160
Исследователи из Хельсинкского университета продемонстрировали первый в своем роде метод, при котором компьютер отслеживает сигналы человеческого мозга для моделирования визуального восприятия. Другими словами, компьютер пытается воссоздать в голове то, о чем думает человек. Эта недавно разработанная технология позволяет компьютеру создавать совершенно новую информацию и вымышленные образы, которые никогда раньше не появлялись.
Новое исследование было опубликовано в сентябре в журнале Scientific Reports, онлайн-журнале с открытым доступом, охватывающем множество дисциплин.
Исследователи основали этот метод на новом интерфейсе мозг-компьютер, который традиционно обеспечивает только одностороннюю связь между мозгом и компьютером. Это приводит, например, к написанию букв или перемещению курсора.
В этой работе впервые было продемонстрировано, как компьютерное представление информации и сигналы мозга моделируются одновременно с использованием методов искусственного интеллекта (ИИ). Реакции человеческого мозга и генеративной нейронной сети взаимодействовали и генерировали изображения, представляющие визуальные характеристики того, на чем сосредоточились участники.
Нейроадаптивное генеративное моделирование
Этот метод называется нейроадаптивным генеративным моделированием, и его эффективность была проверена на 31 участнике. Этим участникам были показаны сотни созданных искусственным интеллектом изображений самых разных людей, и во время просмотра изображений у участников была записана ЭЭГ.
Участникам было предложено сосредоточиться на определенных особенностях изображений, например на отдельных лицах и выражениях. Затем им быстро представили серию изображений лиц, а ЭЭГ передали в нейронную сеть. Затем эта нейронная сеть сделала вывод, было ли изображение обнаружено мозгом как соответствующее тому, на чем сосредоточились участники.
Используя эти данные, нейронная сеть смогла оценить, о каких лицах думали люди, а созданные компьютером изображения были оценены участниками. Результаты показали, что изображения почти идеально соответствовали тому, на чем они фокусировались, а точность эксперимента составила 83%.
Туукка Руотсало — научный сотрудник Академии Финляндии при Хельсинкском университете, Финляндия, а также доцент Копенгагенского университета, Дания.
«Этот метод сочетает в себе естественные реакции человека и способность компьютера создавать новую информацию. В эксперименте участников просили только смотреть на изображения, созданные компьютером. Компьютер, в свою очередь, моделировал отображаемые изображения и реакцию человека на изображения, используя реакции человеческого мозга.Из этого компьютер может создать совершенно новое изображение, соответствующее намерениям пользователя», — говорит Руотсало.
Другие потенциальные преимущества
Помимо создания изображений человеческого лица, это новое исследование продемонстрировало, как компьютеры могут увеличить творческий потенциал человека.
«Если вы хотите что-то нарисовать или проиллюстрировать, но не можете этого сделать, компьютер может помочь вам в достижении вашей цели. Он мог просто наблюдать за фокусом внимания и предсказывать, что вы хотите создать», — говорит Руотсало. Однако исследователи считают, что этот метод можно использовать для понимания восприятия и лежащих в его основе процессов в нашем сознании.
«Эта техника не распознает мысли, а реагирует на наши ассоциации с ментальными категориями. Таким образом, хотя мы не можем выяснить личность конкретного «пожилого человека», о котором думал участник, мы можем получить представление о том, что у них ассоциируется со старостью. Поэтому мы считаем, что это может предоставить новый способ получить представление о социальных, когнитивных и эмоциональных процессах», — говорит старший научный сотрудник Мишель Спапе.
Спапе также считает, что эти результаты можно использовать в психологии.
"Представление одного человека о пожилом человеке может сильно отличаться от представления другого. В настоящее время мы выясняем, может ли наша методика выявить бессознательные ассоциации, например, проверяя, всегда ли компьютер изображает пожилых людей, скажем, улыбающимися мужчинами».
Мозг представляет собой сложную сеть перекрывающихся цепей: одни пути стимулируют активность, а другие ее подавляют. В то время как более ранние исследования были больше сосредоточены на возбуждающих цепях, теперь считается, что тормозные цепи играют не менее важную роль в функционировании мозга. Исследователи из Окинавского института науки и технологий (OIST) и Центра исследований мозга RIKEN создали искусственную сеть для имитации мозга, продемонстрировав, что работа с тормозными цепями приводит к расширению памяти.
Ассоциативная память — это способность связывать не связанные друг с другом элементы и сохранять их в памяти, чтобы связать совпадающие элементы как единый эпизод. В этом исследовании, опубликованном в журнале Physical Review Letters, команда использовала последовательно расположенные паттерны для имитации памяти и обнаружила, что компьютер способен запоминать паттерны, охватывающие более длительный эпизод, если модель учитывает тормозные цепи. . Далее они объясняют, как это открытие можно применить для объяснения нашего собственного мозга.
"Эта простая модель обработки показывает нам, как мозг обрабатывает фрагменты информации, поступающие в последовательном порядке, – объясняет профессор Томоки Фукаи, руководитель отдела нейронного кодирования и вычислений мозга OIST, который руководил исследованием вместе с сотрудником RIKEN доктором У. Тацуя Хага. "Моделируя нейроны с помощью компьютеров, мы можем начать понимать процесс обработки памяти в нашем собственном сознании".
Ослабьте запреты
Рассмотрение мозга с точки зрения физических, небиологических явлений в настоящее время является широко распространенным подходом в нейробиологии, и многие идеи, почерпнутые из физики, нашли подтверждение в исследованиях на животных. Одной из таких идей является понимание системы памяти мозга как сети аттракторов, группы связанных узлов, которые демонстрируют паттерны активности и стремятся к определенным состояниям. Эта идея аттракторных сетей легла в основу данного исследования.
Основной принцип нейробиологии заключается в том, что "клетки, которые активируются вместе, связываются друг с другом" — нейроны, которые активны одновременно, синхронизируются, что частично объясняет, как наш мозг меняется с течением времени. В своей модели команда создала возбуждающие цепи — паттерны нейронов, возбуждающихся вместе, — чтобы воспроизвести мозг. Модель включала множество цепей возбуждения, разбросанных по сети.
Что еще более важно, команда добавила в модель тормозные цепи. Различные блокирующие цепи действуют локально на конкретную цепь или глобально по всей сети. Схемы блокируют нежелательные сигналы от помех возбуждающим цепям, которые затем лучше способны срабатывать и соединяться вместе. Эти тормозные цепи позволили возбуждающим цепям запомнить паттерн, представляющий более длительный эпизод.
Это открытие соответствует тому, что в настоящее время известно о гиппокампе — области мозга, отвечающей за ассоциативную память. Считается, что баланс возбуждающей и тормозной активности позволяет формировать новые ассоциации. Ингибирующая активность может регулироваться химическим веществом под названием ацетилхолин, которое, как известно, играет роль в памяти в гиппокампе. Эта модель представляет собой цифровое представление этих процессов.
Однако проблемой этого подхода является использование случайной выборки. Огромное количество возможных выходов или состояний аттрактора в сети перегружает память компьютера. Вместо этого команде пришлось полагаться на выборку результатов, а не на систематический обзор всех возможных комбинаций. Это позволило им преодолеть технические трудности, не ставя под угрозу прогнозы модели.
В целом исследование позволило сделать общие выводы: тормозные нейроны играют важную роль в ассоциативной памяти, и это соответствует тому, что мы можем ожидать от нашего собственного мозга. Фукаи говорит, что необходимо будет провести биологические исследования, чтобы определить точную достоверность этой вычислительной работы. Затем можно будет сопоставить компоненты симуляции с их биологическими аналогами, создав более полную картину гиппокампа и ассоциативной памяти.
Затем команда перейдет от простой модели к модели с дополнительными параметрами, которая лучше представляет гиппокамп, и рассмотрит относительную важность локальных и глобальных тормозных цепей. Текущая модель включает нейроны, которые либо выключены, либо включены — нули и единицы. Будущая модель будет включать дендриты, ответвления, соединяющие нейроны в сложную сеть. Эта более реалистичная симуляция позволит еще лучше сделать выводы о биологическом мозге.
Читайте также: