Мозговой трест. 39 ведущих нейробиологов – о том, что мы знаем и чего не знаем о мозге
- Автор: Линден Дэвид
- Год: 2022
- Язык: русский
- Год: Синдбад
- ISBN: 978-5-00131-420-2
- Переводчик: Юрий Яковлевич Гольдберг
- Жанр: Биология
Электронная книга - «Мозговой трест. 39 ведущих нейробиологов – о том, что мы знаем и чего не знаем о мозге». Краткое содержание книги:
Авторы описывают самые удивительные особенности мозга, честно объясняя, что известно, а что пока неизвестно ученым о работе нервной системы. Книга увлечет всех, кто интересуется наукой о мозге.
Вы пытаетесь убедить глорбонов, что в ваших способностях нет ничего сверхъестественного, и рассказываете им о зрении. Вспомнив школьные уроки физики, вы объясняете, что зрение связано с фотонами — не то частицами, не то волнами, которые не обладают массой и перемещаются в пространстве со скоростью около 300 тысяч километров в секунду. Разумеется, глорбонам фотоны кажутся не более реальными, чем нам мидихлорианы[140]. Но вы не сдаетесь и рассказываете, как хрусталик вашего глаза преломляет траектории фотонов, чтобы сформировать изображение — двухмерную карту, на которой каждая точка сетчатки (слоя из светочувствительных клеток) получает фотоны только из связанного с ней участка пространства. «Ладно, — отвечают глорбоны. — А что дальше?» — «Ну, потом вы просто видите, что на этом изображении», — говорите вы. Но глорбоны не понимают, что значит «видеть». Когда вы пытаетесь это объяснить, становится ясно, что вы тоже не понимаете. Вы делаете это постоянно, не задумываясь, и не знаете, как это происходит. Зрение — это действительно загадка, даже для вас.
Пообещав глорбонам вернуться, вы летите на Землю в полной уверенности, что ученые смогут объяснить вам, что такое зрение. Недавно вы читали статью о свёрточных нейронных сетях[141] (компьютерных симуляциях тесно связанных иерархий нейронов), и поэтому первым делом обращаетесь к специалисту по компьютерному зрению — профессору Y. Вы рассказываете ему о своей проблеме, профессор выражает сочувствие и сообщает, что в теории вычислительных систем зрение остается одной из самых сложных проблем, несмотря на былую уверенность в нашей способности ее решить. Он показывает вам прогноз Массачусетского технологического института, сделанный в 1970-е годы, в котором говорится, что программные алгоритмы для распознавания объектов на фотографиях вполне смогут создавать даже участники летних студенческих школ[142]. «Прошло 50 лет, — вздыхает он, — но задача все еще не решена».
Вы возражаете: но ведь в свёрточных сетях в итоге удалось воспроизвести возможности человеческого зрения? Профессор Y улыбается и ведет вас к себе в лабораторию, чтобы показать работу AlexNet — нейросети глубокого обучения[143]. Он достает изображение пингвина, стоящего на снегу; на заднем плане — другие пингвины и горы. Компьютер рисует прямоугольник вокруг пингвина и сообщает, что с вероятностью 70 % это птица. Неплохо, думаете вы, хотя сами на 100 % уверены, что это пингвин — черный клюв, глубоко сидящие глаза-бусины по обе стороны головы, забавно склоненной набок, белый пушистый живот, кажущийся теплым, несмотря на снег, смешные короткие крылья, больше похожие на плавники, и грушевидное тело, нависающее над черными перепончатыми лапами и почти скрывающее их. Такое ни с чем не перепутаешь.
Затем профессор Y добавляет к изображению компьютерный монитор, помещая его рядом с пингвином. Этот комичный коллаж вызывает у вас улыбку, но затем вы видите, что теперь компьютер на 70 % уверен, что перед ним не пингвин, а человек[144]. Как такое может быть, удивляетесь вы: ведь совершенно очевидно, что это пингвин, и он совсем не похож на человека. Профессор Y объясняет, что именно так работает большинство успешных программ распознавания образов — они делают вывод на основе статистической обработки характеристик всего изображения. Но, спрашиваете вы, а как же клюв, перья, крылья… А потом понимаете, что AlexNet не обладает полной информацией о физических особенностях пингвина, которая исключает возможность перепутать его с кем-то еще. Нейросеть знает самые простые и надежные признаки для распознавания образов — своей единственной задачи. Избыточная информация о пингвине, которая есть у вас, абсолютно не нужна для простого узнавания в обычных обстоятельствах. (Однако она будет чрезвычайно полезной, если вы захотите изучить пингвинов — их анатомию, эволюционную адаптацию, поведение и т. д.)
140
Мидихлорианы — это микроскопические внутриклеточные разумные симбионты, посредники между всеми живыми существами и Силой («Звездные войны», эпизод I, «Скрытая угроза»).
141
Y. LeCun, Y. Bengio, and G. Hinton, «Deep Learning», Nature 521 (2015): 436–444.
142
S. Seymour Papert, «The Summer Vision Project», MIT AI Memo 100, Massachusetts Institute of Technology, Project Mac, 1966.
143
A. Krizhevsky, I. Sutskever, and G. E. Hinton, «Imagenet Classification with Deep Convolutional Neural Networks», in Advances in Neural Information Processing Systems (Cambridge, MA: MIT Press, 2012). Р. 1097–1105.
144
A. Yuille, «Learning in the Visual Brain: Towards Understanding Deep Neural Networks», Biennial Science of Learning Symposium, Johns Hopkins Science of Learning Institute, 2016; http://scienceoflearning.jhu.edu/events/biennial-science-of-learning-symposium-presentations.