1.5: Чому ми повинні піклуватися про мозок?

Однією з речей, які ви відкриєте в цій подорожі, є те, що обчислювальна когнітивна неврологія важко. Існує багато матеріалу на декількох рівнях, щоб освоїти. Ми детально розглядаємо іонні канали в нейрони, назви шляхів у різних відділах мозку, наслідки ураження різних областей мозку та закономірності нервової активності, а також всі деталі про поведінкові парадигми та часові моделі реакції. Чи не було б просто набагато простіше, якби ми могли ігнорувати всі ці деталі мозку і просто зосередитися на тому, що нас дійсно хвилює - як працює саме пізнання? За аналогією, нам не потрібно знати багато чого про те, як комп'ютерне обладнання працює для програмування в Visual Basic або Python, наприклад. Значно різні види апаратних засобів можуть запускати однакові мови програмування та програмне забезпечення. Чи не можемо ми просто зосередитись на програмному забезпеченні розуму та ігнорувати апаратне забезпечення?

Саме цей аргумент був оприлюднений у багатьох різних формах протягом багатьох років, і справді останнім часом має трохи відродження у вигляді абстрактних байєсівських моделей пізнання. Девід Марр (Marr, 1977) був, мабуть, найвпливовішим, стверджуючи, що можна дещо самостійно вивчити пізнання на трьох різних рівнях:

• Обчислювальні — які обчислення виконуються? Яка інформація обробляється?
• Алгоритмічний — як виконуються ці обчислення з точки зору послідовності етапів обробки інформації?
• Реалізація — як апаратне забезпечення насправді реалізує ці алгоритми?

Цей спосіб поділу проблеми був використаний, щоб стверджувати, що можна безпечно ігнорувати реалізацію (тобто мозок), і зосередитися на обчислювальному та алгоритмічному рівнях, тому що, як і в комп'ютері, апаратне забезпечення дійсно не має великого значення.

Однак ключовий недогляд цього підходу полягає в тому, що причина апаратного забезпечення не має значення в стандартних комп'ютерах, полягає в тому, що всі вони спеціально розроблені, щоб бути функціонально еквівалентними в першу чергу! Звичайно, є багато різних деталей, але всі вони реалізують базову серійну архітектуру Фон Неймана. Що робити, якщо мозок має зовсім іншу архітектуру, завдяки чому деякі алгоритми та обчислення працюють надзвичайно ефективно, тоді як він не може підтримувати навіть інші? Тоді реалізаційний рівень буде мати велике значення.

Є всі підстави вважати, що це так. Мозок зовсім не схожий на обчислювальний пристрій загального призначення. Натомість це справді спеціальне обладнання, яке реалізує дуже специфічний набір обчислень у масивному паралелізмі через 20 мільярдів нейронів. У цьому відношенні це набагато більше схоже на спеціалізовані графічні процесорні блоки (GPU) в сучасних комп'ютерах, які призначені для ефективного виконання в масивному паралелізмі конкретних обчислень, необхідних для візуалізації складної 3D-графіки. Більш загалом, область інформатики виявляє, що паралельні обчислення надзвичайно важко програмувати, і потрібно повністю переосмислити алгоритми та обчислення, щоб отримати ефективні паралельні обчислення. Таким чином, апаратне забезпечення мозку має значення величезна кількість, і дає безліч важливих підказок щодо того, які алгоритми і обчислення виконуються.

Історично склалося так, що підходи «ігнорувати мозок» взяли цікаву траєкторію. У 1960-х до початку 1990-х років домінуючим підходом було припустити, що мозок насправді працює так само, як стандартний комп'ютер, і дослідники, як правило, використовують такі поняття, як логіка та символічні пропозиції у своїх когнітивних моделям. З тих пір стала популярною більш статистична метафора, зокрема, широко використовується байєсівські імовірнісні рамки. Це багато в чому прогрес, оскільки він підкреслює градуйований характер обробки інформації в мозку (наприклад, інтеграція різних градуйованих ймовірностей, щоб досягти загальної оцінки ймовірності якоїсь події), на відміну від жорстких символів та логіки, що, здавалося, не особливо добре відповідати тому, як більшість пізнання насправді діє. Однак фактична математика байєсівських обчислень ймовірностей не особливо добре підходить до того, як мозок працює на нейронному рівні, і значна частина цього дослідження працює без особливого розгляду того, як насправді функціонує мозок. Натомість приймається версія обчислювального рівня Марра, припускаючи, що все, що робить мозок, він повинен бути принаймні близьким до оптимального, і Байєсівські моделі часто можуть сказати нам, як оптимально поєднувати невизначені фрагменти інформації. Незалежно від обґрунтованості цього припущення про оптимальність, безумовно, корисно знати, які оптимальні обчислення для даних проблем, тому такий підхід, безумовно, має велику цінність загалом. Однак оптимальність, як правило, обумовлена низкою припущень, і часто важко визначитися з цими різними припущеннями.

Малюнок\(1.2\): Моделі, які є відносно невимушеними, наприклад, не звертаючись до біологічних обмежень або детальних даних про поведінку, схожі на головоломки безликого блакитного неба - дуже важко вирішити - ви просто не маєте достатньо підказок до того, як все поєднується.

Якщо ви дійсно хочете точно знати, як мозок насправді виробляє пізнання, очевидно, вам потрібно знати, як насправді функціонує мозок. Так, це важко. Але це не неможливо, і стан неврології в ці дні такий, що є багато корисної інформації, щоб інформувати всілякі уявлення про те, як мозок насправді працює. Це як працювати над головоломкою - найпростіші головоломки сповнені відмінних текстур і сміття скрізь, так що ви дійсно можете побачити, коли частини підходять один до одного (рис. 1.3). Багата таблиця даних про неврології надає все це відмінне сміття, щоб стримувати процес загадковування разом пізнання. На відміну від них абстрактні, чисто пізнавальні моделі схожі на головоломку з лише великим безликим блакитним небом (рис. 1.2). У вас є лише логічні обмеження фігур шматочків, які дуже схожі і важко розрізнити. Це займає назавжди.

Малюнок\(1.3\): Моделі, які є відносно невимушеними, наприклад, не звертаючись до біологічних обмежень або детальних даних про поведінку, схожі на головоломки безликого блакитного неба - дуже важко вирішити - ви просто не маєте достатньо підказок до того, як все поєднується.

Кілька найбільш задовольняють екземплярів усіх частин, що збираються разом, щоб завершити головоломку, включають:

• Детальна біологія гіпокампу, включаючи високий рівень гальмування та широке дифузне з'єднання, поєднується з його унікальною роллю у швидкому вивченні нової епізодичної інформації та чудовими даними пацієнта HM, який резекував гіпокамп для запобігання важкорозв'язної епілепсії. За допомогою обчислювальних моделей у розділі пам'яті ми бачимо, що ці біологічні деталі виробляють високий рівень поділу шаблонів, які зберігають спогади дуже чіткими, і, таким чином, дозволяють швидке навчання, не створюючи катастрофічних рівнів перешкод.
• Детальна біологія зв'язків між дофаміном, базальними гангліями та префронтальною корою відповідає обчислювальним вимогам для прийняття рішень на основі попередньої історії винагороди та вивчення того, яку інформацію важливо утримувати, порівняно з тим, що можна ігнорувати. Обчислювальні моделі в розділі виконавчої функції показують, що дофамінова система може демонструвати своєрідні подорожі в часі, необхідні для перекладу пізніше корисності в більш раннє рішення про те, яку інформацію підтримувати, а ті, що містяться в розділі двигуна, показують, що вплив дофаміну на схеми базальних гангліїв є правильними, щоб полегшити прийняття рішень, заснованих як на позитивних, так і на негативних результатах. А взаємодія між базальними гангліями та префронтальною корою дозволяє рішенням базальних гангліїв впливати на те, що підтримується та діє в префронтальній корі. Тут багато частин, але той факт, що всі вони так добре вписуються в функціональну модель - і що багато аспектів з них витримали випробування прямих експериментів - робить набагато більш імовірним, що це дійсно те, що відбувається.