Когда-нибудь мы создадим искусственную новую кору, которая будет обладать всеми возможностями биологического аналога. Зачем это нужно? Электронные схемы действуют в миллионы раз быстрее биологических. В первую очередь мы используем этот выигрыш в скорости, чтобы компенсировать некоторый недостаток параллельности в работе современных компьютеров, но в конце концов искусственная новая кора сможет действовать намного быстрее своего биологического аналога, и скорость ее работы будет возрастать и дальше.
При усилении биологической новой коры искусственным аналогом не нужно беспокоиться о том, сколько дополнительных единиц новой коры может физически поместиться в нашем теле или мозге, поскольку большая часть этой структуры будет находиться в облаке, как и большая часть используемых сегодня компьютерных систем. Я уже писал, что, по моим оценкам, в нашей биологической новой коре содержится около 300 млн распознающих модулей. Больше в наш череп вместить невозможно — даже после появления у нас в ходе эволюции крупного лба и с учетом того, что новая кора занимает до 80 % всего объема мозга. Но, когда наше мышление будет происходить в облаке, исчезнут природные ограничения, и мы сможем использовать миллиарды или триллионы распознающих модулей — столько, сколько нужно и сколько будет позволять закон ускорения отдачи.
Чтобы обучить искусственную новую кору новым навыкам, понадобится еще множество итераций, как и в случае биологической коры, но, когда одна какая-то цифровая кора в какой-то момент и в каком-то месте усваивает знания, она способна не медленно обменяться этими знаниями с любой другой искусственной корой. И каждый из нас сможет иметь персональное расширение своей новой коры в облаке, как сегодня имеет хранилище персональных данных.
Наконец, и это очень важно, мы сумеем сохранять цифровую часть нашего разума. Как мы уже поняли, в нашей новой коре содержится информация, которая, страшно подумать, никак не сохраняется. Конечно, эту информацию можно записать. Возможность передать хотя бы часть нашего разума некоему носителю, который переживет наше биологическое тело, безусловно, является важным шагом вперед, но значительная часть содержащейся в нашем мозге информации по-прежнему теряется.
Один из подходов к созданию искусственного мозга состоит в точной имитации биологического мозга. Например, докторант из Гарварда Дэвид Делримпл (род. в 1991 г.) планирует воспроизвести головной мозг нематоды (круглого червя)[87]. Делримпл выбрал нематоду по той причине, что у нее достаточно простая нервная система, состоящая примерно из 300 нейронов, которую он планирует воспроизвести на молекулярном уровне. Он также собирается создать компьютерную модель тела нематоды в соответствующей реальности окружающей среде, так что эта виртуальная нематода сможет (виртуально) добывать себе пищу и делать всякие другие вещи, которые обычно делают нематоды. Делримпл считает, что эта работа станет первым полным воссозданием головного мозга биологического животного в форме виртуального мозга виртуального животного. Являются ли такие виртуальные нематоды (да и биологические нематоды) существами сознательными — вопрос спорный, однако в своей борьбе за пропитание, в процессах пищеварения, попытках избежать хищников и в воспроизведении они должны опираться на определенный осознанный опыт.
На другой границе спектра исследований, в рамках проекта «Голубой мозг» Генри Маркрама, планируется проектирование человеческого мозга, включая всю новую кору, а также такие отделы старого мозга, как гиппокамп, миндалины и мозжечок. Имитация будет осуществляться на разных уровнях детализации, вплоть до полной имитации на молекулярном уровне. Как я рассказывал в четвертой главе, Маркрам открыл существование ключевого модуля из нескольких десятков нейронов, многократно повторяющегося в структурах новой коры, и показал, что именно эти модули, а не отдельные нейроны отвечают за процесс обучения.
Развитие идей Маркрама происходило по экспоненциальному закону. В 2005 г. — в первый год реализации проекта — было осуществлено моделирование действия одного нейрона, а в 2008 г. его научная группа моделировала активность целой колонки новой коры головного мозга крысы, состоящей из 10 тыс. нейронов. К 2010 г. исследователи смогли осуществить моделирование 100 колонок, что в сумме составляло около миллиона клеток (Маркрам назвал эту группу клеток мезоцепью). Одна из проблем заключается в том, что мы не имеем возможности проверить точность этого моделирования. Чтобы это сделать, с помощью данной модели нужно продемонстрировать процесс обучения, о чем я расскажу ниже.
К концу 2014 г. Маркрам планировал создать модель целого мозга крысы, состоящую из 100 мезоцепей; эта система включает 100 млн нейронов и примерно 1 трлн синапсов. В своем выступлении на конференции TED (Technology Entertainment Design) в 2009 г. в Оксфорде Маркрам заявил: «Нет ничего невозможного в том, чтобы создать головной мозг человека, и мы сделаем это через 10 лет»[88]. Но теперь он планирует решить эту задачу к 2023 г.[89]
Маркрам и его коллеги строят свою модель на детальном анатомическом и электрохимическом анализе нейронов. С помощью созданного ими автоматического устройства, которое они назвали «пэтч-кламп-роботом»[90], они анализируют состояние специфических ионных каналов, нейромедиаторов и ферментов, отвечающих за электрохимическую активность каждого нейрона. По утверждению Маркрама, эта автоматическая система проделала тридцатилетний объем работы за шесть месяцев. Именно на основании этого анализа они сформулировали идею «кубиков лего», составляющих основную функциональную единицу новой коры.
Реальный и прогнозируемый прогресс в развитии проекта «Голубой мозг»[91].
Важный вклад в развитие метода внесли нейрофизиолог Эд Бойден из Массачусетского технологического института, профессор Крейг Форест из отдела механики Технологического университета Джорджии и его студент Сухаса Кодандарамайах.
Они создали автоматическую систему, способную сканировать нервную ткань с точностью до одного микрометра, не повреждая тонкие мембраны нейронов. «Это то, что может делать робот, но не может человек», — прокомментировал Бойден.
Наконечник «пэтч-кламп робота», созданного в Массачусетском технологическом институте, сканирует нервную ткань.
Говорят, что после моделирования поведения одной колонки новой коры Маркрам заявил: «Теперь нам остается только масштабировать процесс»[92]. Масштабирование, безусловно, важный фактор, но есть и еще один — обучение. Если «Голубой мозг» должен «говорить, мыслить и вести себя во многом как человек», о чем Маркрам говорил в интервью на ВВС в 2009 г., его новая кора должна иметь значительное содержание[93]. Но, как может подтвердить всякий, кто пытался беседовать с новорожденным ребенком, чтобы достичь этой цели, мозг должен очень многому научиться.
Для решения подобной задачи в такой модели, как «Голубой мозг», существуют две очевидные возможности. Первая состоит в обучении искусственного мозга таким же способом, как обучается мозг человека. Вначале вы имеете систему, соответствующую мозгу новорожденного ребенка, обладающую способностью усваивать иерархические знания и заранее заданной способностью трансформировать сенсорные сигналы. Однако для обучения небиологического мозга нужен такой же контакт, как между новорожденным ребенком и развивающим его взрослым человеком. Проблема заключается в том, что создание такого мозга ожидается не ранее начала 2020-х гг. Однако функционирование в реальном времени будет слишком медленным, поскольку исследователям придется подождать десять или двадцать лет, пока мозг достигнет интеллектуального уровня взрослого человека, хотя, конечно, производительность компьютеров продолжает неуклонно возрастать.
Второй подход заключается в том, чтобы скопировать образы, содержащиеся в новой коре одного или нескольких взрослых людей, обладающих достаточными знаниями, чтобы нормально пользоваться речью и вообще вести себя как развитый взрослый человек. В данном случае проблема заключается в том, чтобы найти неинвазивный и недеструктивный метод сканирования с достаточным временным и пространственным разрешением и скоростью, чтобы провести эту процедуру быстро и без потерь. Мне кажется, этот метод «загрузки информации» не будет реализован до 2040-х гг.
Но есть еще и третья возможность, которую, как мне кажется, и следует использовать при развитии таких моделей, как «Голубой мозг». Можно упростить молекулярные модели путем создания функциональных эквивалентов на разных уровнях специфичности, используя различные методы — от моего собственного функционального алгоритмического метода (описанного в этой книге) до практически полных молекулярных моделей. При этом в зависимости от степени упрощения можно повысить скорость обучения в несколько сотен или даже тысяч раз. Для такой модели искусственного мозга можно разработать обучающую программу, которая будет осваиваться достаточно быстро. А затем упрощенную модель можно заменить полной молекулярной моделью, сохраняя накопленные знания. После этого можно начать моделирование процесса обучения полной молекулярной модели на гораздо более низкой скорости.
