Ксак Питкоу и Дора Ангелаки, оба преподаватели кафедры неврологии Бэйлора и кафедры электротехники и вычислительной техники Райс, заявили, что способность мозга выполнять «приблизительный вероятностный вывод» не может быть полностью изучена с помощью простых задач, которые «плохо подходят для выявления проблем. логические вычисления, которые делают мозг особенным ».В новой статье исследователей говорится, что мозг использует нелинейную передачу сообщений между связанными избыточными популяциями нейронов, которые опираются на вероятностную модель мира. Эта модель, грубо передаваемая в процессе эволюции и уточняемая в процессе обучения, упрощает принятие решений на основе общих концепций и конкретных предубеждений.
Статья, в которой излагается широкий спектр исследований в области нейробиологии, публикуется в этом месяце в специальном выпуске журнала Neuron, опубликованного Cell Press. В этом выпуске представлены идеи, впервые появившиеся в ходе семинара в Копенгагенском университете в сентябре прошлого года под названием «Как работает мозг?»«Эволюция дала нам то, что мы называем хорошей модельной предвзятостью», — сказал Питкоу. «Уже несколько десятилетий известно, что очень простые нейронные сети могут вычислять любую функцию, но эти универсальные сети могут быть огромными, требующими необычайного времени и ресурсов.«Напротив, если у вас есть правильный тип модели — не полностью общая модель, которая может научить чему-либо, а более ограниченная модель, которая может изучать конкретные вещи, особенно те вещи, которые часто происходят в реальном мире, — тогда у вас есть предвзятая модель. В этом смысле предвзятость может быть положительной чертой.
Мы используем ее, чтобы быть чувствительными к правильным вещам в мире, в котором мы живем. Конечно, обратная сторона заключается в том, что когда предвзятость нашего мозга не соответствует на самом деле это может привести к серьезным проблемам ».Исследователи заявили, что простые тесты мозговых процессов, например те, в которых испытуемые выбирают один из двух вариантов, дают только простые результаты. «Прежде чем у нас появился доступ к большим объемам данных, нейробиология сделала огромный шаг вперед в использовании простых задач, и они останутся очень полезными», — сказал Питкоу. «Но для вычислений, которые мы считаем наиболее важными для мозга, есть вещи, которые невозможно раскрыть с помощью некоторых из этих задач». Питкоу и Ангелаки написали, что задачи должны включать больше разнообразия — например, мешающих переменных и неопределенности — чтобы лучше моделировать реальные условия, с которыми мозг эволюционировал.
Они предположили, что мозг находит решения на основе статистических перекрестных помех между избыточными кодами населения. Коды популяции — это ответы совокупностей нейронов, чувствительных к определенным входным сигналам, таким как форма или движение объекта. Питкоу и Ангелаки считают, что для лучшего понимания мозга может быть более полезным описать, что вычисляет эти популяции, а не точно, как это вычисляет каждый отдельный нейрон. Питкоу сказал, что это означает мышление «на репрезентативном уровне», а не на «механистическом уровне», как это описал влиятельный ученый в области видения Дэвид Марр.
Исследование имеет значение для искусственного интеллекта — еще один интерес для обоих исследователей.«В последнее время искусственный интеллект проделал впечатляющую работу, но он все еще терпит неудачу», — сказал Питкоу. «Они могут сыграть в древнюю игру Го и победить лучшего игрока в мире, как это было сделано недавно AlphaGo компании DeepMind, примерно на десять лет раньше, чем кто-либо ожидал. Но AlphaGo не знает, как подбирать элементы Го. Даже лучшие алгоритмы чрезвычайно специализированы.
Их способность к обобщениям часто все еще довольно низка. Наш мозг имеет гораздо лучшую модель мира; Мы можем узнать больше, используя меньший объем данных. Теории нейробиологии предлагают способы преобразования экспериментов в более умные алгоритмы, которые могут привести к большему пониманию общего интеллекта ".