Мы
Искусственный интеллект помогает понять естественный
Обзор недавнего исследования, которое объединило искусственный интеллект с данными об активности человеческого мозга, чтобы понять, как мозг принимает правильные решения в мире с постоянно меняющимися правилами.
В последние несколько лет использование нейросетей в разнообразных сферах жизни стало почти нормой. Художники и дизайнеры обращаются к midjourney и dall-e, чтобы найти вдохновение и основы для новых проектов. Журналисты и писатели используют ChatGPT, чтобы составить наброски для своих собственных текстов и далее развить их в полноценные статьи или главы для книг. Наука тоже не осталась в стороне, и ученые все больше используют нейросети в попытке расширить человеческое представление о мире. Недавние эксперименты проведенные Такуэй Ито и коллегами (2022) продемонстрировали, что нейросети могут быть полезными в исследовании того, как мозг принимает решения в зависимости от контекста и правил задачи.
Представьте, что вы выполняете задание, в котором вы должны нажать кнопку А, когда перед вами предстает картинка с животным, и нажать кнопку Б, когда на картинке человек, и периодически по сигналу эти правила меняются местами.
Для действия в ситуации А и для действия в ситуации Б, а также для каждого из типа стимуляции в вашем мозге есть репрезентация в виде последовательности биохимических и электрических импульсов между различными группами нейронов: одна группа активируется, когда показывается картинка с животным, другая группа при демонстрации картинки с человеком, третья группа нейронов активируется при нажатии на кнопку А, а четвертая, когда человек нажимает на кнопку Б.
Если появляется новое правило или меняется уже известное, то мозг обновляет внутренние репрезентации правил. Чтобы ничего не перепутать и не привести к неудаче в выполнении задачи, ваш мозг должен постоянно дополнять уже имеющуюся информацию о правилах задания, поступающих извне, а также дополнять уже имеющиеся репрезентации правил и контекста новыми деталями, если они меняются в ходе выполнения.
Чтобы это происходило необходимо, чтобы репрезентации правил, контекста и стимулов объединялись, а затем, для верного выполнения задачи, создавали общий сигнал, который следует в моторную кору для непосредственного совершения действия. Место, где происходит такое совмещение внутренних репрезентаций ученые-теоретики нарекли «центрами объединения» (англ. «conjunction hubs»). Функционально такие центры должны быть крайне гибкими, чтобы их можно было использовать в разных ситуациях, контекстах и при разных и меняющихся правилах.
Всё это было известно до использования нейросетей в нейронауке, однако, не было ясно, где именно находятся центры объединения в мозге, и что происходит с сигналом, который производят те самые центры объединения контекста, правил и стимулов. Тут-то и приходят на помощь искусственные нейросети. Архитектура искусственных нейросетей состоит из трех основных слоев: сенсорные нейроны (воспринимают информацию), анализирующие нейроны (анализируют информацию) и выводящие нейроны (выдают результат анализа). Как правило, нейросеть обучается в хаотичном порядке: пока ее «забрасывают» массивом данных, она случайно соединяет сенсорные нейроны с анализирующими, а анализирующие друг с другом и с выводящими нейронами. Если появившиеся соединения плохо работают, то точность вывода не увеличивается, и тогда нейросеть удаляют и всё начинают заново. Так, нейросеть продолжает пересобираться до тех пор, пока не достигнет необходимой точности выполнения поставленной задачи. Получается, любая нейросеть – это статистическая модель, которая делает предсказания (нажатие необходимой кнопки), основываясь на взаимодействии различных параметров (правил, контекста, стимулов и пр.).
Сначала Ито и коллеги (2022) научили искусственную нейросеть выполнять задание, описанное ранее. Эта новая модель сгенерировала предсказания – нажатия кнопок, которые наиболее подходили к контексту, правилам задания и представленным стимулам. Затем уже люди выполняли то же самое задание, находясь в магнитно- резонансном томографе (МРТ), который собирал данные об активности мозга, пока люди выполняли задание. И хотя точность выполнения задания и у людей, и у нейросети была одинаково высока, а межнейронное сообщение в анализирующем слое искусственной нейросети крайне сильно напоминало активность мозга в префронтальной коре, никакой точечной, функциональной или анатомической информации о работе мозга во время принятия решений нейросеть не предоставила, так как архитектурно просто не соответствовала устройству мозга человека.
Здесь командой ученых было принято решение перенести поток активности мозга человека во время обновления правил вышеописанного задания на внутренний, анализирующий слой нейросети. Это было выполнено с помощью переноса данных об активности мозга, полученных в ходе МРТ примерно десятка людей. Не только это сильно увеличило точность нейросети в выполнении задания, но это еще и позволило обнаружить, где именно находится центр объединения репрезентаций старых правил с репрезентациями новых правил и обновившимся контекстом. Выяснилось, что местонахождение таких центров объединения сконцентрировано в дорсальной (задней) сети внимания, откуда обновившаяся информация, в свою очередь, отправляется в моторную кору для выполнения задачи и нажатия на нужную кнопку. Так, искусственная нейросеть, дополненная данными с мозга, помогла ученым идентифицировать, какая именно зона мозга участвует в обновлении старых правил.
Всячески изменяя архитектуру новообразовавшейся нейросети, ученые сумели подтвердить, что эта методика позволяет локализовать и описать функции различных зон мозга во время выполнения простых задач, однако более сложная задача (например, визуальное распознавание предметов) требует более одного слоя анализирующих нейронов (Yamins et al., 2014). Более того, в искусственных нейросетях нейроны вывода посылают лишь один сигнал – вывод, в то время как нейроны «вывода» (моторные нейроны) в человеческом мозге регулярно посылают дополнительные сигналы назад по нейросети, чтобы обновить и уточнить внутренние репрезентации, которые используются этой же нейросетью для выполнения задачи.
Тем не менее, вышеописанное исследование отчетливо показывает, что нейросети способны не только производить картинки и тексты по запросам, но и расширять наши возможности на лоне исследований мозга. Потенциально, сделав искусственную нейросеть достаточно комплексной и многослойной, ученые могли бы «дигитализировать» различные функции человеческого мозга. Однако, этому еще предстоит случиться, и пока этого не произошло, человечеству следовало бы задуматься над различными этическими проблемами создания человекоподобного искусственного интеллекта. Например, возможно ли перенести на искусственную нейросеть функцию самосознания, которой обладает любой здоровый человек, и если можно, то в какой степени это необходимо искусственному интеллекту, обученному выполнять специфические задачи? Так или иначе, на данном этапе можно смело сказать, что синергия между нейронаукой и программированием нейросетей ясно демонстрирует свои плоды в виде новых анатомических и функциональных данных о мозге.
Представьте, что вы выполняете задание, в котором вы должны нажать кнопку А, когда перед вами предстает картинка с животным, и нажать кнопку Б, когда на картинке человек, и периодически по сигналу эти правила меняются местами.
Для действия в ситуации А и для действия в ситуации Б, а также для каждого из типа стимуляции в вашем мозге есть репрезентация в виде последовательности биохимических и электрических импульсов между различными группами нейронов: одна группа активируется, когда показывается картинка с животным, другая группа при демонстрации картинки с человеком, третья группа нейронов активируется при нажатии на кнопку А, а четвертая, когда человек нажимает на кнопку Б.
Если появляется новое правило или меняется уже известное, то мозг обновляет внутренние репрезентации правил. Чтобы ничего не перепутать и не привести к неудаче в выполнении задачи, ваш мозг должен постоянно дополнять уже имеющуюся информацию о правилах задания, поступающих извне, а также дополнять уже имеющиеся репрезентации правил и контекста новыми деталями, если они меняются в ходе выполнения.
Чтобы это происходило необходимо, чтобы репрезентации правил, контекста и стимулов объединялись, а затем, для верного выполнения задачи, создавали общий сигнал, который следует в моторную кору для непосредственного совершения действия. Место, где происходит такое совмещение внутренних репрезентаций ученые-теоретики нарекли «центрами объединения» (англ. «conjunction hubs»). Функционально такие центры должны быть крайне гибкими, чтобы их можно было использовать в разных ситуациях, контекстах и при разных и меняющихся правилах.
Всё это было известно до использования нейросетей в нейронауке, однако, не было ясно, где именно находятся центры объединения в мозге, и что происходит с сигналом, который производят те самые центры объединения контекста, правил и стимулов. Тут-то и приходят на помощь искусственные нейросети. Архитектура искусственных нейросетей состоит из трех основных слоев: сенсорные нейроны (воспринимают информацию), анализирующие нейроны (анализируют информацию) и выводящие нейроны (выдают результат анализа). Как правило, нейросеть обучается в хаотичном порядке: пока ее «забрасывают» массивом данных, она случайно соединяет сенсорные нейроны с анализирующими, а анализирующие друг с другом и с выводящими нейронами. Если появившиеся соединения плохо работают, то точность вывода не увеличивается, и тогда нейросеть удаляют и всё начинают заново. Так, нейросеть продолжает пересобираться до тех пор, пока не достигнет необходимой точности выполнения поставленной задачи. Получается, любая нейросеть – это статистическая модель, которая делает предсказания (нажатие необходимой кнопки), основываясь на взаимодействии различных параметров (правил, контекста, стимулов и пр.).
Сначала Ито и коллеги (2022) научили искусственную нейросеть выполнять задание, описанное ранее. Эта новая модель сгенерировала предсказания – нажатия кнопок, которые наиболее подходили к контексту, правилам задания и представленным стимулам. Затем уже люди выполняли то же самое задание, находясь в магнитно- резонансном томографе (МРТ), который собирал данные об активности мозга, пока люди выполняли задание. И хотя точность выполнения задания и у людей, и у нейросети была одинаково высока, а межнейронное сообщение в анализирующем слое искусственной нейросети крайне сильно напоминало активность мозга в префронтальной коре, никакой точечной, функциональной или анатомической информации о работе мозга во время принятия решений нейросеть не предоставила, так как архитектурно просто не соответствовала устройству мозга человека.
Здесь командой ученых было принято решение перенести поток активности мозга человека во время обновления правил вышеописанного задания на внутренний, анализирующий слой нейросети. Это было выполнено с помощью переноса данных об активности мозга, полученных в ходе МРТ примерно десятка людей. Не только это сильно увеличило точность нейросети в выполнении задания, но это еще и позволило обнаружить, где именно находится центр объединения репрезентаций старых правил с репрезентациями новых правил и обновившимся контекстом. Выяснилось, что местонахождение таких центров объединения сконцентрировано в дорсальной (задней) сети внимания, откуда обновившаяся информация, в свою очередь, отправляется в моторную кору для выполнения задачи и нажатия на нужную кнопку. Так, искусственная нейросеть, дополненная данными с мозга, помогла ученым идентифицировать, какая именно зона мозга участвует в обновлении старых правил.
Всячески изменяя архитектуру новообразовавшейся нейросети, ученые сумели подтвердить, что эта методика позволяет локализовать и описать функции различных зон мозга во время выполнения простых задач, однако более сложная задача (например, визуальное распознавание предметов) требует более одного слоя анализирующих нейронов (Yamins et al., 2014). Более того, в искусственных нейросетях нейроны вывода посылают лишь один сигнал – вывод, в то время как нейроны «вывода» (моторные нейроны) в человеческом мозге регулярно посылают дополнительные сигналы назад по нейросети, чтобы обновить и уточнить внутренние репрезентации, которые используются этой же нейросетью для выполнения задачи.
Тем не менее, вышеописанное исследование отчетливо показывает, что нейросети способны не только производить картинки и тексты по запросам, но и расширять наши возможности на лоне исследований мозга. Потенциально, сделав искусственную нейросеть достаточно комплексной и многослойной, ученые могли бы «дигитализировать» различные функции человеческого мозга. Однако, этому еще предстоит случиться, и пока этого не произошло, человечеству следовало бы задуматься над различными этическими проблемами создания человекоподобного искусственного интеллекта. Например, возможно ли перенести на искусственную нейросеть функцию самосознания, которой обладает любой здоровый человек, и если можно, то в какой степени это необходимо искусственному интеллекту, обученному выполнять специфические задачи? Так или иначе, на данном этапе можно смело сказать, что синергия между нейронаукой и программированием нейросетей ясно демонстрирует свои плоды в виде новых анатомических и функциональных данных о мозге.
Источники
- Ito, T., Yang, G.R., Laurent, P., Schultz, D.H. and Cole, M.W., 2022. Constructing neural network models from brain data reveals representational transformations linked to adaptive behavior. Nature communications, 13(1), pp.1-16.
- Yamins, D.L., Hong, H., Cadieu, C.F., Solomon, E.A., Seibert, D. and DiCarlo, J.J., 2014. Performance-optimized hierarchical models predict neural responses in higher visual cortex. Proceedings of the national academy of sciences, 111(23), pp.8619-8624.