Как стать гениальным баскетболистом, теннисистом …
Создана теория памяти движений, подобная «квантовой физике»
Kаждый из нас мог бы стать гениальным баскетболистом (или теннисистом, или любым иным мастером, успех деятельности которого зависит от точности его движений), если бы при каждой новой попытке мог «вспомнить» и вопроизвести команды мозга, управлявшие мышцами при прошлых успешных попытках.
Например, у многих из нас в жизни хотя бы раз случалось такое везение — неожиданный суперудачный бросок, когда мяч, пролетев по большой дуге, аккуратно опустился в кольцо. И если бы мы теперь могли вспомнить записанный где-то в мозге набор его команд мышцам при том суперудачном броске, мы могли бы его повторять сколь угодно раз.
На практике это выглядело бы примерно так, как в истории Германа Коленкина из моей любимой повести Кира Булычева «Умение кидать мяч».
В сорок лет, с уже наметившимся брюшком и комплексом по поводу малого роста, Герман вдруг обретает дар гениального баскетболиста. Его сосед по дому, физиолог Курлов впрыскивает ему изобретенную им сыворотку, улучшающую нейронные связи между мышцами рук и мозгом. После инъекции препарата человек получает возможность стопроцентного контроля за действиями мышц рук: любое действие, будет выполнено человеком именно так, как он себе его мысленно представляет.
Что и было продемонстрировано Коленкиным на спортплощадке.
Увидеть, насколько это было интересно и смешно, можно в следующем фрагменте первой экранизации по мотивам повести, названной “Бросок, или Все началось в субботу” (1976).
Не менее забавна и увлекательна и вторая экранизация повести «Умение кидать мяч» (1988). Вот тот же эпизод истории, после которого началась головокружительная спортивная карьера Германа Коленкина.
Поняв на этом наглядном примере, о чем идет речь, переходим к околонаучной постановке вопроса.
Как устроено движение Homo sapiens — вопрос на миллиарды долларов
Tема исследования движений только кажется самой простой частью науки о мозге. Ведь это не высшие психические функции, не мысли, разум или чувства. На деле же, об организации движений в мозге мы пока мало что знаем. Знаменитый нейрофизиолог Дэниел Уолперт (Daniel Wolpert), изучающий эту тему всю жизнь, так описал ситуацию: «Компьютеры уже научились обыгрывать людей в шахматы и в Го, а вот сложные движения рук, с которыми легко справляется 4х летний ребенок, роботам до сих пор очень сложно повторить».
Казалось бы, если в памяти уже записаны команды движений прошлых, успешных попыток, — в чем проблема достать их из памяти и повторить?
Вот интереснейшая полуторочасовая лекция Computational Principles of Sensorimotor Control, прочитанная Дэном Уолпертом на прошлой неделе и только сегодня выложенная в сеть, где он объясняет суть проблемы.
Мозгу необходимо обеспечить:
- планирование движения;
- оценку состояний (соотношение целей движения и текущего положения 200+ суставов и 600+ мышц);
- предсказание будущих состояний;
- двигательное обучение.
И все это мозгу нужно делать с учетом того, что полагаться исключительно на зрительно-моторные сигналы нельзя из-за временных задержек: 50 ms на уходит на движения глаз, а даже самое быстрое движение рук может занять около 300 ms.
Единственный способ побороть возникающую из-за задержек неопределенность, — расстаться с надеждой на какую-либо определенность и перейти на оценки вероятностей — байесовский вывод.
Эффективность байесовского вывода в качестве математической основы предиктивной работы мозга весьма убедительно продемонстрирована в работах Карла Фристона, описывающих общий принцип функционирования жизни и разума — принцип свободной энергии (Free Energy Principle).
Теперь же было необходимо описать на основе байесовского вывода всю кухню сенсомоторного управления мозгом движения тела.
Вычисление контекста — ключ к памяти движений
Hовая математическая теория (генеративная модель COntextual Inference (COIN)), разработанная тремя учеными из Кембриджского и Колумбийского университетов (Джеймс Б. Хилд, Мате Ленгель и Дэн Уолперт), предполагает, что создание, уточнение и выражение наших моторных воспоминаний контролируются вычислением контекста. Теория предполагает, что постоянно меняющиеся представления о контексте определяют, как использовать существующие воспоминания, и нужно ли формировать новые.
Детальное описание того, как это происходит в мозге согласно модели COIN, можно узнать из 2ой лекции Дэна Уолперта Computational Principles Underlying the Learning of Sensorimotor Repertoires, прочитанной им на прошлой неделе и только сегодня выложенной в сеть.
Вот совсем кратко ее суть.
Согласно модели COIN, мозг хранит набор моторных (двигательных) воспоминаний, каждое из которых связана с контекстом, в котором оно было создано (например, игра в сквош или теннис). Даже для одного взмаха ракетки мозг может использовать множество разных воспоминаний, каждое из которых пропорционально релевантно тому, насколько мозг считает, что он в настоящее время находится в контексте, в котором эта вопоминание было создано. Это противоречит традиционной точке зрения, согласно которой мозг извлекает и обновляет только одно воспоминание за раз.
Как же вычисляется мозгом степень релевантности воспоминаний в широком диапазоне от “просто шум” до “абсолютно совпадающий контекст”?
Согласно модели COIN, это делается путем байесовского вывода, математически описывающего работу с неопределенностью. Этот метод статистически взвешивает новые свидетельства в свете предыдущего опыта, чтобы обновить свои убеждения при изменении контекста. В модели COIN контекст — это упрощающее предположение о том, что в данном наборе обстоятельств определенные действия с большей вероятностью приведут к одним последствиям, чем другие.
Авторы считают, что признание новой теорией роли неопределенности в моторном обучении аналогично тому, как квантовая физика рассматривает Вселенную с точки зрения вероятностей, а не определенностей.
Есть два важных следствия новой теории памяти движений.
- Модель COIN предполагает, что воспоминания, которые, казалось бы, уже исчезли, могут вернуться, если сработает правильный триггер: мозг решит, что известный ему контекст снова возник.
- Модель COIN может распространяться на другие формы обучения и памяти, а не только на моторные воспоминания, лежащие в основе движения.
Первое следствие предсказывает, что усвоенный навык может появиться снова даже после того, как последующее обучение, будто бы, уже затерло его. Это возрождение навыка, называемое спонтанным выздоровлением, наблюдается во многих других формах обучения, помимо моторного. Например, спонтанное выздоровление связано с проблемами при лечении посттравматического стрессового расстройства, когда контекст может спровоцировать спонтанное повторение травматических воспоминаний.
Это следствие особенно важно для разработчиков систем искусственного интеллекта (ИИ). В отличие от мозга, ИИ-системы постоянно сталкиваются с проблемой катастрофического забывания — склонностью сети забывать ранее полученные знания при изучении новых задач. Модель COIN представляет собой шаг к ИИ-системам, которые могут постоянно учиться и адаптироваться к множеству вариативностей в реальном мире.
Второе из следствий может иметь воистину революционное значение. Ибо оно позволяет ответить на важнейший вопрос.
Зачем нам мозг?
Eсли бы эволюция в ходе естественного отбора работала как инженер — начиная с чистого листа, имея неограниченный выбор заготовок и инструментов, и действуя по заранее разработанному плану, оптимальному для создания наилучшего варианта задуманного, — тогда можно было бы рассчитывать на получение совершенных эволюционных результатов.
Но эволюция и естественный отбор работают совсем не так.
Как сказал лауреат Нобелевской премии Франсуа Джейкоб, лучшая метафора для эволюции — a tinkerer (самоделкин, умелец-энтузиаст, изобретатель-самоучка, кустарь одиночка с мотором), который «придает сподручным материалам и инструментам неожиданные функции для создания нового объекта: из колеса старого велосипеда он делает рулетку; из сломанного кронштейна — корпус радиоприемника. Эволюция не создает новинок с нуля и на ровном месте. Она работает с тем, что уже существует, либо преобразуя систему для придания ей новых функций, либо комбинируя несколько уже имеющихся систем для создания новой более сложной системы».
Следуя названному «принципу самоделкина», эволюция однажды смастерила из подручных средств и материалов новый тип клеток — нейрон, образующий некий прообраз нервной системы. Она оказалась полезной организму для решения возникающих проблем, позволяя ему действовать.
Стивен Сломан (профессор когнитивных, лингвистических и психологических наук и один из авторов меморандума о необходимости смены курса когнитивных наук) пишет так в своём бестселлере «Иллюзия знаний».
«У растений мозга нет. У них не развивались клетки, которые объединялись бы в сети для обработки информации. Между растениями и животными множество различий, но главное из них состоит в том, что животные способны к достаточно сложным действиям. Они могут реагировать на воздействия окружающей среды весьма сложными способами. Растения тоже бывают чрезвычайно сложными (длина генома растения Paris japonica в пятьдесят раз превосходит длину генома человека), но они не способны к сложным действиям. Почему так просто срубить дерево или сорвать цветок? Потому что они никак не могут этому
противостоять. Растения нашли в эволюции нишу, не требующую сложных действий … Зато практически все животные имеют мозг (исключение — морская губка). И с появлением у животных нейронов и нервной системы их действия стали развиваться
и усложняться с поразительной скоростью. Это происходило потому, что нейрон — это строительный блок гибкой системы приспособления, которую эволюция может использовать
для программирования все более и более сложных алгоритмов обработки информации».
Главным механизмов действий для животных стало движение. И потому миллионы лет эволюции ушли на построение у животных трёх типов мозга, управляющего их движением в уникальных окружающих средах (на суше, в воздухе и в океане).
А еще через миллионы лет самоделкин-эволюция случайно натолкнулся на очередной эпохальный шедевр возможностей переадаптации уже имеющихся структур. Оказалось, что сформированную в мозге животных машину для управления их движением можно перепрофилировать на решение другой задачи. И на тех же “деталях” собрать новую машину разума — новый гибкий инструмент для решения возникающих проблем, путем извлечения лишь самой полезной информации для принятия решений в новых ситуациях.
Согласно «гипотезе интеллекта и воплощения» (intelligence and embodiment hypothesis — см. 1 и 2), познавательная способность разума, реализуемая механизмом мышления, возникла в результате переадаптации системы управления движением в ходе миллионов лет экспериментов «самоделкина — эволюции (см. 3).
Т.е. с эволюционной точки зрения обширный нейронный механизм, разработанный для контроля движения животных, был расширен, чтобы контролировать новые структуры мозга вместо мышц. В частности, дискретные тела нейронной ткани специально развивались, чтобы использовать ранее существовавший механизм нейронального контроля мышц, но вместо того, чтобы придавать подвижность, эти новые структуры мозга стали выполнять иной тип обработки информации, который в настоящее время обозначается как познание. Этот принцип обработки информации, общий для нервных систем, которые эволюционировали в природе, постулируется как основание для появления интеллекта.
Подробней об этом говорит Дэн Уолперт в своей кебриджской лекции Probabilistic models of sensorimotor control.
Резюме
Tаким образом, если «гипотеза интеллекта и воплощения» окажется верной, то модель COIN сможет стать единой универсальной моделью познавательных способностей, позволяющей понять, как в материальном мозге рождается нематериальные сознание и мышление.
Как сказал один из авторов новой теории Мате Ленгел:
Модель COIN может также распространяться на многие другие формы обучения и памяти, а не только на воспоминания, лежащие в основе нашего движения.
И тогда, возможно, удастся понять, описать и повторить не только уникальную моторику людей (в роботах), но и уникальные познавательные способности разума людей (в искусственном интеллекте). Вот почему новая теория столь важна.
________________________
Ваши шансы увидеть мои новые посты быстро уменьшатся до нуля, если вы не лайкаете, не комментируете и не делитесь в соцсетях.
