CC BY
11
2017.03.009. ЧЁРЧЛЕНД П.С., СЕЙНОВСКИ Т.Дж. СОЕДИНЯЯ ВЫЧИСЛИТЕЛЬНУЮ И ЭКСПЕРИМЕНТАЛЬНУЮ НЕЙРОНАУКУ. CHURCHLAND P.S., SEJNOWSKI T.J. Blending computational and experimental neuroscience // Nature reviews neuroscience. - 2016. -Vol. 17, N 11. - P. 667-668. - D0I:10.1038/nrn.2016.114. - Mode of access: http://www.nature.com/nrn/journal/v17/n11/abs/nrn.2016.114. html
Ключевые слова: нейронаука; The BRAIN Initiative; нейротех-нологии; искусственные нейронные сети; глубинное обучение.
Заслуженный профессор философии Калифорнийского университета в Сан-Диего П.С. Чёрчленд и нейроученый, руководитель Лаборатории вычислительной нейробиологии Института биологических исследований Солка Т. Сейновски в небольшом комментарии рассуждают о теоретических основаниях современных масштабных (large-scale) проектов в нейронауке и вызовах, бросаемых их развитием.
Так, часто приходится слышать мнение о том, что нейронау-ка богата на эмпирические данные, однако бедна в теоретическом отношении, что она не располагает программой, способной организовать эти данные в единое целое. Тем не менее даже это утверждение не является вполне корректным: старожилам этого поля исследований, отмечают авторы, прекрасно известно, что на уровне сетей нейронаука бедна также и на эмпирические свидетельства. Данное обстоятельство, в свою очередь, сдерживает развитие теоретических инноваций: теории, направленные на установление связей поведения отдельных нейронов с высокоуровневыми системами, оказываются недостаточно определенными (under-constrained).
Запущенный в 2013 г. в США амбициозный проект The BRAIN Initiative («Исследование мозга через передовые инновационные нейротехнологии» - Brain Research Through Advanced Innovative Neurotechnologies) был направлен на поиск способа понять работу сетей мозга на микро- и макроуровнях и влияние на них других сетей. Прогресс в решении этой проблемы в значительной степени зависит от развития новых технологий (позволяющих получать новые данные и обрабатывать их), и проект The BRAIN Initiative ориентирован на их разработку.
Фактически одновременно с запуском этого проекта появились новые инновационные методы исследования мозга (например, оптогенетика), позволяющие получить огромные массивы новых данных, обработка которых становится возможной благодаря всевозрастающим вычислительным мощностям современных компьютеров.
В течение более чем 50 лет едва ли не главным двигателем прогресса в нейронауке оставался метод регистрации активности отдельных нейронов. И хотя данный метод был наилучшим из доступных в свое время, его, по замечанию авторов, можно уподобить попытке наблюдения за какой-либо сценой через соломинку, «исследуя один пиксель за единицу времени из произвольного места. Без понимания высокоуровневых отношений между пикселями (или нейронами), - пишут они, - трудно извлечь их более общие свойства и конфигурацию» (с. 667).
Однако сегодня, когда значительные технологические прорывы сделали рутинной единовременную регистрацию активности сотен нейронов, необходимо, подчеркивают авторы, задаться вопросом о том, какие концептуальные средства способны представить получаемые данные в терминах того, как сети мозга репрезентируют мир и принимают решения о дальнейших действиях.
Так, авторы отсылают к своей вышедшей в свет в 1992 г. и получившей немало откликов книге «Вычислительный мозг»1. В этой совместной работе, основываясь на принципах применявшихся в то время искусственных нейронных сетей (ИНС), они попытались выйти за пределы парадигмы одного нейрона к представлениям о репрезентации мира большими популяциями нейронов. Использовавшиеся в те годы нейросетевые модели обучались при помощи изменений силы соединения между узлами сети в ответ на подаваемые на вход данные. Они могли решать нетривиальные вычислительные проблемы благодаря распределенным репрезентациям, находившимся в скрытом (или промежуточном) слое сети.
Однако пропорциональное увеличение размеров ранних ИНС было безнадежной задачей без значимого прогресса в увеличении производительности компьютерного «железа». Современные сети
1 Churchland P.S., Sejnowski T.J. The computational brain. - Cambridge, MA: The MIT press, 1992. - 560 p.
индустриального масштаба состоят из выстроенных в десятки слоев миллионов искусственных нейронов и триллионов соединений между ними. Получившие не так давно небывалую известность далеко за пределами поля исследований искусственного интеллекта алгоритмы так называемого «глубинного обучения» (deep learning) позволили этим сетям впервые достичь невероятно высокого уровня в задачах распознавания объектов на изображениях или распознавания речи, с которыми ранее уверенно справлялся исключительно человеческий интеллект.
Так, например, недавно созданная ИНС AhphaGo смогла выиграть в го у корейского профессионала Ли Седоля со счетом 4:1, наглядно продемонстрировав силу метода «обучения с подкреплением в соединении с глубинным обучением» (с. 668). Высокая продуктивность метода обучения с подкреплением для новых многоуровневых сетей идет вразрез с представлениями многих психологов (навеянными критикой бихевиоризма Н. Хомским) о его слабых возможностях в области моделирования высокоуровневых когнитивных способностей и превосходстве моделей, использующих правила логики.
Тем не менее даже современные мощные ИНС все еще не способны обладать многими фундаментальными функциями - мотивацией, желаниями, они не могут проявлять агрессию, любопытство и т.д. Чтобы продвинуться в понимании этих проблем, полагают авторы, для следующего поколения развивающихся в том числе в кооперации с проектом The BRAIN Initiative моделей будет важно постараться принять во внимание большее число систем мозга и способов их взаимодействия.
Серьезным вызовом для нейронауки сегодня является необходимость понять, как нервная система интегрирует текущие восприятия с уже имеющимся знанием в контексте нужд и целей агентов. Прогрессирующее понимание того, как продвинутые ИНС справляются со сложными задачами, может, утверждают авторы, предоставить концептуальное основание для решения этой проблемы.
М.А. Сущин
