Информация физична.
Мой доклад содержит два ключевых понятия: когнитивные вычисления и нейронные гиперсети. Я рассмотрю их по очереди. Но вначале обозначу основные тезисы своего выступления. Они следующие:
• В области когнитивной науки необходима третья когнитивная революция.
• Нам также нужны новые принципиальные идеи в области создания искусственных когнитивных систем.
Что такое третья когнитивная революция? Первой когнитивной революцией, по мнению Хомского, следует считать интеллектуальную революцию в исследованиях человеческого разума в XVII–XVIII веках[294]. Второй когнитивной революцией стало возникшее в середине прошлого века объединяющее движение, существующее сейчас в виде когнитивной науки[295]. Однако ее недостаток в том, что она до сих пор не располагает удовлетворительной общей теорией когнитивных систем. Ее создание, по моему убеждению, должно стать следующим крупным шагом в области познания человеком устройства своего внутреннего мира – третьей когнитивной революцией.
Что касается искусственного интеллекта, то он отмечает в этом году целых три юбилея. 1936 год – фундаментальная работа Тьюринга «О вычислимых числах»[296] *, 1946 год – статья фон Неймана с изложением принципов создания электронно-вычислительных машин, ставших основой архитектуры фон Неймана[297]; 1956 год – появление самого термина и дисциплины «искусственный интеллект (ИИ)»[298].
Но при использовании прилагательного «искусственный» стоит помнить, что Алан Тьюринг строил логику вычислений в своей универсальной вычислительной машине, по его собственным словам, исходя из логики операций своего разума[299]. Заметим при этом, что не мозга – сколь-либо серьезных сведений относительно того, каким образом мозг делает это, во времена Тьюринга еще не существовало. И когда в 1946 году Джон фон Нейман работал с электронно-лучевыми трубками и закладывал принципы архитектуры вычислительных машин, ему тоже не было известно, как мозг осуществляет когнитивные операции[300]. Как и Клоду Шеннону в то же время не хватало знаний о том, как нервная система оперирует с когнитивной информацией[301].
Малоизвестно это и сейчас. Именно поэтому сегодня остро нужны новые подходы – как в когнитивной науке, так и в искусственном интеллекте, стремящемся воспроизвести когнитивные операции интеллекта естественного. Полагаю, мало кто будет возражать против данного тезиса – об этом говорят в последние годы очень многие.
Более содержательное утверждение состоит в следующем: эти инновации сегодня не только необходимы, но и возможны. Казалось бы, если это так, то две названные выше задачи должны были стать предметом работы огромных коллективов ученых. Однако этого мы не наблюдаем. Поэтому далее разберем, какие предпосылки существуют для такой работы и как можно двигаться в этом направлении.
Термин «когнитивные вычисления» был принят на вооружение в 2006 году компанией IBM, организовавшей конференцию под таким названием в своем главном исследовательском центре в Альмадене[302]. Выступающие на ней были подобраны очень серьезно: и знаменитые эксперты в области нейронаук, включая нобелевских лауреатов, и разработчики новых подходов в искусственном интеллекте, и выдающиеся философы, занимающиеся проблемой сознания. Основной лозунг конференции и ее заявленная цель – понять, как и когда мы можем механизировать когнитивные операции, то есть редуцировать их до механических процедур, воплощаемых в искусственных системах[303].
По завершении этой конференции IBM серьезно перестроила стратегию своего дальнейшего развития. Она рассталась со своими компаниями, выпускающими рутинные компьютеры (например, персональные компьютеры и ноутбуки отошли китайской компании Lenovo), и, согласно стратегическим документам корпорации, взяла курс на моделирование вычислений, которые осуществляет мозг млекопитающих. В рамках этой амбициозной программы IBM поставила задачу вначале создать компьютеры, которые будут работать с такой же эффективностью, как мозг крысы, потом кошки, потом обезьяны и, в конце концов, человека[304].
Приблизительно в это же время другая большая программа, направленная на моделирование когнитивных операций нервной системы, была инициирована Defense Advanced Research Projects Agency (DARPA) – американским военным агентством по перспективным научным разработкам.
Специалисты DARPA высчитали, что существующие на тот момент вычислительные машины в миллионы раз менее эффективны, чем обладающие мозгом биологические системы. На основании этого они пришли к заключению, что простое линейное совершенствование существующих вычислительных архитектур не способно устранить такой огромный разрыв, особенно в тех задачах, где биологическая нервная система сталкивается с комплексными проблемами (так называемый универсальный или общий ИИ)[305].
Поэтому DARPA перестало финансировать ранее поддерживавшиеся ею исследования по экстенсивному развитию архитектуры классического ИИ и поставило цель найти новые пути для создания вычислительных машин, работающих не на принципах архитектуры фон Неймана, а на принципах операций, производимых головным мозгом. Это направление было обозначено термином «нейроморфный искусственный интеллект»[306].
В результате DARPA и IBM объединились в программе исследований и разработок, которая получила название Systems of Neuromorphic Adaptive Plastic Scalable Electronics (SyNAPSE)[307]. Другая программа, инициированная IBM в этой области, – когнитивные вычисления с помощью синаптроники и суперкомпьютеров.
Каковы были основные подходы к симуляции работы нервной системы в этих крупных программах? Первая из идей состояла в том, чтобы устранить ограничения архитектуры фон Неймана. Это так называемая проблема «бутылочного горлышка» – низкой пропускной способности шины компьютера, связывающей центральный процессор и память и ограничивающей скорость вычислительных операций систем[308]. Альтернативной идеей проекта SyNAPSE стал переход к системам с распределенной памятью, при которой она хранится во всей системе на пересечениях элементов искусственной вычислительной сети – как в синапсах биологической нервной сети.
В качестве таких пластических элементов, имитирующих синаптические контакты в нервной системе, были использованы мемристоры[309]. Компания IBM в течение последних 10 лет очень активно развивает это направление. Ею были выпущены варианты так называемых нейроморфных чипов, которые все время обновляются. И в ряде задач они работают эффективнее, чем существующие классические вычислительные устройства[310].
Важной задачей в нейроморфном проекте DARPA и IBM было также энергопотребление. IBM с самого начала ориентировалась на использование принципов устройства распределенных биологических сетей для того, чтобы снизить энергопотребление. При операциях нейроморфных процессоров оно уже в тысячу раз меньше, чем у классических процессоров[311].
Следующее направление разработок IBM не менее показательное. Специалисты в Альмадене занялись исследованием того, как устроена топология связей в головном мозге у млекопитающих, в частности у приматов. Ими была составлена карта связей (коннектом) различных областей головного мозга макаки[312]. Они также редуцировали эти связи до «вычислительной сердцевины», через которую проходят основные операции мозга, что позволило увидеть, какие именно специализированные нервные структуры наиболее тесно связаны друг с другом.
Для такой сугубо технологической компании, как IBM, это был нетривиальный ход. Зачем им потребовались эти исследования? Почему недостаточно лишь распределенной памяти с мемристорными синапсами, на которых компания создает свои нейроморфные чипы? Ответ связан с необходимостью устранения двух других принципиальных различий между существующими сегодня компьютерами и мозгом.
Первое из них состоит в том, что мозг, в отличие от компьютера, оперирует с очень небольшой тактовой частотой – примерно в 500 Гц. Верхний лимит этой частоты задан минимальным биофизически возможным интервалом между двумя разрядами, которые способна сгенерировать нервная клетка. Однако при всей его медлительности мозг человека способен за доли секунды распознавать сложнейшие образы и организовывать точнейшие движения. Каким образом при столь низкой частоте операций то невероятное количество степеней свободы, которым обладает нервная система, за несколько тактов редуцируется до одного специфического интегрального состояния? Ясно, что мозг использует при этом кардинально иные принципы по сравнению с существующими сегодня вычислительными машинами. Современные компьютеры используют в своих вычислениях гигагерцевые частоты, однако количество шагов, которые они при этом должны сделать для решения задачи, огромно.
Специалисты IBM считают, что ответ на вопрос кроется в том, что нервная сеть мозга организована не как случайная сеть и не как регулярная решетка, лежащая в основе архитектуры нейроморфного мемристорного чипа, а построена по принципу сетей малого мира, где локальная организация в специализированных участках сочетается с избирательными дистантными связями с другими специализированными участками. Благодаря такой архитектуре информация из одного участка за очень небольшое количество переключений способна достичь любой другой точки всей огромной системы[313]. Поэтому даже при том, что нервная сеть оперирует с очень низкой частотой, она обладает способностью очень быстрого глобального доступа ко всей информации в системе. Чтобы воспроизвести эту способность в нейроморфных устройствах, помимо микроархитектуры, реализованной на принципах синаптической пластичности и мемристорах, нужна правильная макроархитектура – то есть организация по принципу сетей малого мира.
Второе направление разработок, которое нужно рассмотреть в связи с различием между мозгом и существующими компьютерами, – это кортикоморфные архитектуры. Еще одно ведомство США – Intelligence Advanced Research Projects Activity (IARPA) – некоторое время назад запустило проект Machine Intelligence from Cortical Networks (MICrONS)[314]. Эти идеи обсуждались и на упоминавшейся конференции по когнитивным вычислениям в IBM, где с докладом выступил Джефф Хоукинс, разрабатывающий модели кортикоморфных вычислений[315].
Идея кортикоморфных вычислений такова: кора больших полушарий мозга любого млекопитающего, будь то крыса или человек, построена изоморфно. Несмотря на различие общего количества нейронов, неокортекс любого млекопитающего состоит из одинаковой по своей архитектуре системы повторяющихся вертикально организованных модулей – колонок[316]. Каждая колонка, в свою очередь, состоит из набора микроколонок, содержащих около 110 выстроенных по вертикали нейронов. Эти колонки образуют стандартную архитектуру коры головного мозга, лишь немного варьирующую от одной ее области к другой. Микроколонки в 110 нейронов выявляются в коре и у крысы, и у кошки, и у человека. При увеличении размеров коры растет число колонок, то есть кора головного мозга человека располагает большим количеством таких функциональных модулей и, соответственно, большей специализацией, что позволяет ей решать больше специализированных задач[317].
Замысел кортикоморфных вычислений – создать машины, построенные на подобной самообучающейся архитектуре. Предполагается, что такие машины будут достигать человеческого уровня компетенции за счет операций, универсальных для коры любого млекопитающего. Для этого в проекте MICrONS изучают, сколько нейронов находится в одной корковой колонке, как они связаны, каковы их входы и выходы, и что делается внутри колонки с точки зрения логики переработки информации[318].
Далее, через методы обратной инженерии полученные знания предполагается перенести на создание искусственных вычислительных модулей. Их можно будет многократно дублировать, каждому назначая свою подзадачу (например, распознавание элемента паттерна), а все вместе они смогут выполнять сложнейшие операции, составляющие профиль кортикоморфного компьютера.
Однако во всех перечисленных разработках так и не был решен критический вопрос: в какие именно клетки – в сети в целом или внутри отдельных корковых модулей – записывается, или, если говорить научным термином, аллоцируется новая когнитивная информация?[319]
Мы знаем, что в биологических нервных системах запоминаемая информация не распределяется равномерно по всем элементам и синапсам сети. Тогда в какие именно узлы откладывается память, приобретаемая системой при обучении? В частности, любой ли нейрон коры головного мозга способен сохранить новую информацию или лишь определенные типы клеток? Если это специфические типы, то какие именно: возбуждающие или тормозные, длинноаксонные проекционные нейроны, связывающие разные области мозга, или, наоборот, вставочные короткоаксонные? Какие операции такие клетки со свойством памяти выполняют в архитектуре кортикальной колонки? И какие нейроны других частей нервной системы обладают способностью к аллокации и хранению новой когнитивной информации?
Чтобы начать собирать ответы на эти вопросы, мы в нашей лаборатории разработали набор методов, позволяющих, с одной стороны, идентифицировать нейроны головного мозга животных, вовлекающиеся в запоминание новой информации, а с другой – используя различные молекулярные маркеры, – определять, к какому типу нервных клеток относятся данные нейроны. Описание деталей данного исследования выходит за рамки доклада, но вкратце эти методы открывают возможность находить клетки мозга, в том числе корковых модулей, в которые при обучении попадает и оседает новая информация. При этом можно устанавливать, где именно в топографической схеме корковой колонки они расположены, есть ли специфика их распределения по слоям коры и какова их функциональная роль, – то есть начинать выстраивать принципиальную схему аллокации когнитивной информации в нейронные сети мозга.
Теперь я хочу перейти ко второму ключевому понятию в названии выступления – нейронным гиперсетям. Эта половина доклада мотивирована тем, что, несмотря на впечатляющие достижения в перечисленных выше проектах, ответа на ключевой вопрос о принципиальной сущности когнитивных операций они не дали. Их результаты говорят о процессах в нейронных сетях коры и других структурах головного мозга, но не объясняют, как возникает когнитивность – интеллект и разум.
Моя установка в отношении этого вопроса следующая: мы не сможем решить задачу создания биологоподобного искусственного интеллекта без теории естественного интеллекта и, шире, без нейронаучной теории разума.
Эта теория должна дать ответ на фундаментальный вопрос – как именно из свойств нервной системы вытекают специфически присущие ей свойства разума и сознания? Никакая теория мозга, которая не объясняет происхождение этих его уникальных особенностей, не может быть признана удовлетворительной. Нам нужна не просто теория нервных сетей, а фундаментальная теория когнитивных нервных сетей.
Фундаментальные теории не возникают путем накопления новых фактов. Ее создание требует перехода на иной модус работы – формулировки небольшого числа основополагающих принципов и выведения из них следствий, проверяемых в экспериментах.
Такой режим работы хорошо известен в физике. На рисунке внизу, копия схемы, с помощью которой Альберт Эйнштейн в письме другу юности Морису Соловину описал, как создается и устроена фундаментальная научная теория[320].
Нижняя черта Е в этой схеме – это Experience, эмпирический опыт, накопленный в результате многих наблюдений и экспериментов. От этого основания вверх поднимается линия, собирающая по своему ходу большое количество фактов, но, как подчеркивал Эйнштейн, не выводящая из них общие принципы индуктивным путем. Напротив, как он писал в другом месте, она отражает взлет воображения, «интуитивное понимание сути большого комплекса фактов, которое приводит ученого к формированию гипотетического основного закона или нескольких таких законов»[321]. Эти фундаментальные законы, или аксиомы теории, Эйнштейн обозначил буквой А. Число таких основополагающих принципов мало, но из них выводится целый ряд следствий – S (Statements). Часть этих следствий (S) объясняет уже известные факты, часть предсказывает еще не наблюденные явления (S’), а часть – явления, которые на текущем этапе науки даже нельзя выявить (S’’). Для их проверки необходимы не только направляемые теорией эксперименты, но и развитие новых методов наблюдения скрытой пока реальности. Поэтому стрелки от следствий возвращают теорию к оси Е, снова связывая ее с наблюдаемым миром.
Несколько лет назад я приступил к исследованию проблемы когнитивности именно в таком режиме. Промежуточный результат, сложившийся к настоящему времени, я рассматриваю как бета-версию теории когнитивных систем. В этом отношении, на мой взгляд, становление научной теории напоминает эволюционный процесс, и применительно к его результатам уместна терминология разработки компьютерных программ: вначале – бета-версия, затем версии 1.0, 1.1, 1.2, 2.0 и так далее.
В конечном счете, как мне представляется, фундаментальная теория когнитивности должна пройти три стадии разработки.
На первой стадии создается концептуальная модель – формулируются основные принципы. Далее она подвергается формализации, трансформируясь в математическую модель. А затем необходима субстанциация абстрактной модели – наполнение ее нейробиологическими и психологическими предсказаниями, возвращающее ее к наблюдаемой реальности.
Принципиальную модель, пытающуюся дать универсальное описание когнитивных систем, я обозначил как теория когнитома. Математическим аппаратом, который, на мой взгляд, наиболее подходит для ее формализации, является разработанная в алгебраической топологии теория гиперсетей. Отсюда формальная модель – теория нейронных гиперсетей. И, наконец, субстанциальная модель, обогащенная нейробиологическими предсказаниями, – это гиперсетевая теория мозга.
В своей концептуальной части теория обращается к трем принципиальным вопросам: «что такое мозг?», «что такое разум?» и «как соотносятся мозг и разум?». Теория отвечает на них следующим образом.
1. Предварительно любой мозг может быть представлен как нервная сеть. В таком тезисе нет ничего нового – так полагали в нейронауке на протяжении последних 120–150 лет.
2. Любой разум можно также предварительно представить как сеть. Этот тезис менее тривиален, и в когнитивной науке он еще недостаточно разработан. Хотя существуют понятия языковых и семантических сетей, они пока далеки до емкого теоретического наполнения.
3. Вопрос о соотношении мозга и разума решается в теории через введение понятия нейронной гиперсети: согласно теории разум – это нервная (нейронная) гиперсеть.
Необходимо отметить, что концепция гиперсети не просто обогащает, а радикально трансформирует предварительные ответы на первые два вопроса. Это связано с тем, что нервная гиперсеть не просто формируется на основе нервной сети, она при этом трансформирует свойства ее элементов, образуя из них сеть более высокого порядка, узлы и связи в которой имеют иные свойства и принципы организации.
Что касается когнитивных или психологических процессов – таких, как мышление и сознание, – то они представляют собой специфические виды динамики в нервной гиперсети и появляются только с ее образованием.
В концепции нервной гиперсети важно, что, если нервная сеть образуется в ходе развития мозга и с точки зрения количества нейронов готова почти полностью у новорожденного, то нейронная гиперсеть, начинаясь с небольшой врожденной архетипической закладки, растет всю жизнь. В ней формируются самые разные виды когнитивных элементов, и в детстве они накапливаются потрясающими темпами: пиковые фазы ребенок способен приобретать по одному новому узлу гиперсети – например, слову или понятию – в час.
В своей фундаментальной основе теория нейронных гиперсетей проста. Это естественно: нервная система возникла в эволюции более 500 млн лет назад, начавшись с очень простых клеточных сетей, и развилась в многообразные формы организации, поддерживающие широкий спектр видов разумного поведения. Генерация разумов огромной сложности и разнообразия осуществляется и при индивидуальном развитии мозга, начинающегося с эмбрионального скопления небольшого числа прогениторных нервных клеток. Следовательно, обязаны существовать простые начальные предпосылки – базовые общие принципы, определяющие формирование когнитивной системы. Теория утверждает, что для возникновения обладающего разумом когнитивного существа необходимы три начальных условия.
I. Первое. Агент – автономная адаптивная система – должен состоять из комплекса функциональных систем: саморегулирующихся объединений взаимосодействующих элементов, обеспечивающих достижение полезных приспособительных результатов в соотношениях со средой[322]. Важнейшее свойство такой саморегуляции в том, что при недостижении результата существующим способом, функциональные системы запускают поиск новых способов его достижения – перебор степеней свободы и формирование вторичных функциональных систем, удовлетворяющих модели результата первичной функциональной системы – ее акцептору результата действия.
II. Второе. Функциональные системы должны «поселиться» в глубокой интегрирующей сети агента. У биологических систем таким глобальным интегратором стала нервная сеть – великое изобретение эволюции. Она позволила сложному многоклеточному организму объединять свои элементы в соотношениях со средой – собирать их степени свободы на достижение фокусированных адаптивных результатов функциональных систем. Но чтобы у организма возникла когнитивность, такая сеть обязана обладать глубиной – содержать глубинные слои, в узлах которых сходятся многократно переработанные сигналы от конвергенций из других – как более ранних, так и более поздних – слоев этой сложной сети.
III. Третье. Внутри такой глубокой нервной сети, населенной функциональными системами, должны существовать механизмы эпигенетической пластичности ее узлов – ассоциативной долговременной памяти в клетках (или, говоря шире, ячейках) сети. Эта клеточная память позволяет связывать клетки в группы, а группы между собой, переводя системную динамику нейронной сети в новые высокоуровневые структуры внутри адаптивной системы.
Теория нейронных гиперсетей предсказывает, что когнитивность и ее материальный носитель – разум – будут возникать у любого адаптивного агента, который обладает тремя названными начальными условиями.
Необходимы только столкновения агента с проблемной средой и достаточное время для многократных итераций описываемого теорией накопительного процесса.
Любая теория, описывающая новый пласт ранее скрытой реальности, требует введения новых понятий. В теории нейронных гиперсетей вводятся три базовых понятия.
Первое – ког (Cognitive Group, CoG). С одной стороны, ког – это группа нервных клеток в нервной системе. С другой стороны, – это специфический элемент когнитивного опыта, представляющий тот или иной аспект соотношения агента с теми или иными аспектами мира. За счет того, что разум состоит из таких когнитивных монад, он дискретен и гранулярен.
Второе – лок (Link of Cogs, LoC). Это специфический вид связи между когами. За счет линкеров клеточные когнитивные группы специфически соотносятся между собой – разум увязан.
Третье – когнитом. Так обозначается высокопорядковый нервный комплекс из клеточных когнитивных групп и их связей, приобретающий качественно новые по сравнению с традиционной нервной сетью свойства. Он имеет другую организацию, другую топологию, другую структуру отношений своих элементов, доступов от одной группы к другой. Его системные свойства можно формализовать и измерять с помощью аппарата теории гиперсетей – высокопорядковых сетей головного мозга.
Разберем понятие «ког». В английском cog – «зубец», часть шестеренки, а также «малый элемент системы». В теории когнитома ког имеет два смысла: это и вершина гиперсети с уникальными когнитивными свойствами, и кооперативная группа распределенных нервных элементов, совместно создающих эти свойства.
Аналогично трактуется и лок: это, с одной стороны, когнитивная связь (ассоциация) между двумя элементами опыта – от «замыкания» (lock), а с другой – сокращение от «линкер общности когов», указывающее на его механизменную природу как клеточного элемента, входящего в состав обоих связанных когов.
Такое двойное определение кога и лока в теории не случайно, оно обращено к решению психофизиологической проблемы (mind—brain problem). Теория утверждает, что коги и локи – дуальные сущности. С одной стороны, они состоят из клеточных элементов нейронной сети, а с другой – их совокупность обладает новыми макросвойствами, лежащими на более высоком причинном уровне. Эта дуальность, согласно теории, принципиальное свойство любых элементов субъективного опыта. Другими словами, когнитивная информация – согласно гиперсетевой теории – материальна.
На этапе формализации адекватное математическое описание для сложной структуры когнитома предоставляет теория гиперсетей. Она решает две ключевые задачи: а) формально описывает n-арные отношения между элементами, составляющими ког (когнитивную группу) или лок (линкер когов); б) формально описывает когнитомы как многоуровневые структуры «часть—целое», интегрирующие свойства на микро- и макроуровнях. Рассмотрим эти пункты последовательно.
а) За последние десятилетия теория сетей стала мощным инструментом описания сложных систем, но она по определению фокусируется на парных отношениях между элементами[323]. Между тем в нервной системе большинство взаимодействий происходит между более чем двумя сущностями. Ранней попыткой формализации такого рода множественных взаимодействий стали гиперграфы: в них ребра – это множества вершин. Если порядок вершин имеет значение, ребра превращаются в более организованную структуру – симплекс. Симплексы можно представить многомерными многогранниками с n-вершинами. В отличие от гиперграфов, симплексы описывают и многомерную связность, и упорядоченность. Связанные через ребра многогранников симплексы образуют симплициальные комплексы – еще один шаг к описанию отношений между n-сущностями[324]. Это решает первую задачу – описания n-арных отношений, но не решает второй.
Марко Поло описывает мост, камень за камнем.
«Но какой камень поддерживает мост?» – спрашивает Хубилай-хан.
«Мост поддерживается не тем или иным камнем, – отвечает Марко, – а линией арки, которую они образуют».
Хубилай-хан молчит, размышляя. Затем он добавляет: «Почему ты говоришь мне о камнях? Для меня важна только арка».
Поло отвечает: «Без камней нет арки».
б) Гиперсимплексы и гиперсети – системы связанных гиперсимплексов – завершают эту цепь формализаций. Они решают задачу описания многоуровневых структур: гиперсимплексы – это целые, сформированные частями-вершинами. Поэтому они позволяют описывать структуры «часть—целое»[325]. Если части существуют в системе на уровне N, то целое существует на более высоком уровне N+1. Поэтому в отличие от гиперграфов и симплициальных комплексов гиперсети описывают структуры более высокого уровня.
Таким образом, гиперсети расширяют свойства традиционных реляционных структур – графов, сетей, гиперграфов и симплициальных комплексов. Их отличительная черта – формализм многоуровневых систем, позволяющий впервые строго связать микро- и макроуровни в сложных системах. Это необходимо для формализованного описания дуальной структуры нейронной гиперсети, интегрирующей понятия мозга и разума.
Разберем формализацию когнитома как гиперсети подробнее.
Любой ког можно описать как гиперсимплекс в гиперсети: это упорядоченный набор вершин с явным n-арным отношением. Вершина гиперсимплекса возникает через реляционные отношения вершин его основания, создающие новые интегральные свойства, которые делают ее элементом сети более высокого уровня
Например, мост как специфическая сущность не возникает из простой суммы камней в основании гиперсимплекса – он образуется в результате их отношений, создающих новое качество. Поэтому такие гиперсимплексы иногда называют реляционными симплексами.
Если двигаться дальше, гиперсеть – это система связанных гиперсимплексов, своего рода «сеть сетей». В теории нейронных гиперсетей вводятся три правила генерации, по которым в гиперсети когнитивного агента возникают новые вершины-гиперсимплексы.
Первое правило – пролиферация оперонов – размножение функциональных систем агента. В теории опероны – это функциональные системы поведенческого уровня, обеспечивающие поведенческие акты когнитивного агента. Эти единицы действия могут быть как внешними, так и внутренними; важно, что они организованы по принципу функциональной системы. Новые опероны формируются, когда существующие функциональные системы сталкиваются с условиями, для которых не имеется готового способа достижения результата; тогда запускается поиск новой конфигурации активности. Сформировавшаяся при этом кооперативная группа, дающая необходимый результат, становится новым опероном. Сначала он связан с породившей его функциональной системой, является ее ответвлением и извлекается из памяти только ею. Но затем этот оперон может эмансипироваться и стать автономной функциональной системой с самостоятельной целью. Психология человека и животных располагает большим количеством примеров генеза и автономизации таких вторичных функциональных систем.
Второе правило – сегрегация квалонов – вычленение их из оперонов. Оно описывает формирование когнитивных элементов принципиально иного типа – квалонов. Квалоны – это локальные клеточные группы, несущие качественно своеобразные аспекты соотношения целостного агента с миром. Они возникают в обучении за счет перекрытия оперонов на общих клеточных элементах. Благодаря долговременной пластичности эффекты от участия нервной клетки в разных функциональных системах накапливаются, создавая у нее новые, общие для перекрывающихся ситуаций свойства. Таким образом, элементарным квалоном является одиночный нейрон. К квалонам относится огромное количество объектов, изучаемых психологией, – категории, понятия, элементы языка и пр.
Квалоны занимают центральное место в теории когнитома: они не только несут квалиа – уникальные качественные дискриминации, свойственные агенту, но и «цементируют» систему, выступая в функции локов – линкеров общности когов. Каждый квалон в когнитивной системе – это и ког, и лок.
Третье правило – интеграция квалонов – генерация холонов. В ходе активности мозга распределенные в различных областях квалоны объединяются в глобальные интеграции – холоны. Эти макрогруппы формируют целостные образы и сцены – сознательные состояния, обладающие иными, несводимыми к набору составляющих их признаков адаптивными характеристиками.
Опероны в теории обозначаются как α-группы, квалоны – как β-группы, а холоны – как γ-группы. Важно, что все эти элементы гиперсети представлены нейронными группами – основаниями всех гиперсимплексов являются клетки нейронной сети. Свойства α-, β– и γ-вершин качественно различны, но ничего из того, что связано с субъективным опытом, не может возникнуть до появления этих групп.
Назову лишь две важных функциональных особенности такой архитектуры. Первое – процессы формирования элементов когнитома определяют субъективное время когнитивной системы: образование каждого нового кога и лока – это качественно своеобразные события в гиперсети, посредством которых формируется внутреннее системное время агента, отличное от физического.
Вторая важнейшая особенность нейронной гиперсети напрямую связана с темой моего сегодняшнего выступления. Она касается вопроса сводится ли сущность операций в когнитивной системе лишь к вычислениям. Из гиперсетевой теории мозга следует, что нет, не сводится. Поскольку связи в нейронной гиперсети определяют клетки, одновременно входящие в когнитивные группы разных времен в истории системы, возбуждение этих нейронов способно обеспечить моментальное распространение информации по множественным слоям опыта агента. Через такие перколяционные туннели – нейронные кротовые норы, активность нейронов, участвовавших в совершенно разных эпизодах опыта, определяет невычислительный режим операций когнитома. Мозг в нем ведет себя как тесно переплетенная, запутанная (entangled) система. При этом время в таких нейронных кротовых норах не течет – нейрон, возбужденный в составе одной когнитивной группы, способен перекинуть ментальный процесс одномоментно на многие когнитивные группы, в которых он участвовал в связи с событиями дней, месяцев или лет назад. Такой режим не свойствен никаким из существующих искусственных нейросетевых архитектур. Моделирование таких перколяционных процессов открывает возможность для создания искусственных когнитивных систем со свойствами глобального доступа информации.
Из формализации теории нейронных гиперсетей вытекают и другие следствия, которые необходимо далее переносить на третью стадию гиперсетевой теории, наполненную предсказаниями для нейробиологических экспериментов. Так, например, теория предсказывает новые принципы формирования ассоциативных связей в нервной системе, отличные от классических павловских и хеббовских законов. Мы активно изучаем их на уровне клеточных и молекулярных механизмов обучения у животных. Но это уже область нейробиологических экспериментов.
Заключить доклад мне хотелось бы следующим. В начале 1990-х Фрэнсис Крик неоднократно призывал нейрофизиологов приступить к исследованиям нервных основ сознания, завершая свои доклады слайдом: «Сознание – сейчас!»[326] Он подчеркивал этим: возможности для нейронаучных исследований сознания уже есть; препятствие – внутренняя инерция и консерватизм дисциплины.
Точно такую же ситуацию, на мой взгляд, мы имеем сегодня и в когнитивной науке: условия для третьей когнитивной революции, для работы над теорией мозга, научно объясняющей разум, уже сложились.
Имея такую теорию, мы сможем перейти к вопросу, как принципы универсальной тьюринговской машины и архитектуры фон Неймана, заложенные в вычислительные устройства, когда мозг был еще недостаточно изучен, могут быть уступить место принципам когнитивных операций, исходящих из реального устройства нервной системы – ее нейронной гиперсети.