В новом выпуске StarTalk Нил Деграсс Тайсон, Чак Найс и Гэри О’Рейли обсуждают с профессором Университетского колледжа Лондона Карлом Фристоном природу человеческого восприятия и его связь с искусственным интеллектом. В центре дискуссии — «принцип свободной энергии», концепция, объединяющая биологию, физику и машинное обучение для объяснения того, как живые организмы и алгоритмы познают окружающую реальность.
🧠 Принцип свободной энергии: физика самоорганизации 3:42
Карл Фристон, признанный одним из самых цитируемых нейробиологов в мире, определяет принцип свободной энергии (FEP) не просто как биологическую теорию, а как фундаментальный математический закон поведения материи . Подобно принципу наименьшего действия Гамильтона в классической механике, FEP описывает, как любая система — от частицы до населения планеты — стремится к самоорганизации .
Основные характеристики принципа:
- Математическая преемственность: Фристон прослеживает корни теории до работ Ричарда Фейнмана, который использовал понятие «свободной энергии» для оценки вероятности траектории движения частиц .
- Минимизация неопределенности: В биологическом контексте «свободная энергия» — это показатель того, насколько внутренняя модель мира в мозгу не соответствует реальным входящим данным .
- Стремление к минимуму: Организмы эволюционно настроены «скатываться» к состояниям с минимальной свободной энергией, что Фристон сравнивает с оседанием хлопьев в коробке сухих завтраков под воздействием гравитации .
По словам Фристона, нейрональная динамика — это буквально процесс «градиентного спуска» по вариационной свободной энергии . Мозг постоянно обновляет свои убеждения, чтобы прогноз максимально совпадал с реальностью.
🕵️ Активный вывод: мозг как ученый в темной комнате 11:09
Одним из ключевых понятий дискуссии стал «активный вывод» (active inference). Фристон объясняет, что восприятие — это не пассивный сбор данных, а процесс активного тестирования гипотез . Наш мозг заперт в темной «коробке» черепа и получает лишь косвенные сигналы через сенсорные органы .
Механизм работы «активного вывода» включает:
- Создание предсказаний: Мозг генерирует внутреннюю фантазию или гипотезу о том, что вызвало сигнал (например, «этот шум вызван ветром») .
- Сравнение с данными: Если предсказание совпадает с входящим сигналом, гипотеза подтверждается.
- Коррекцию ошибок: Если возникает разрыв (ошибка предсказания), мозг либо обновляет свою модель, либо меняет поведение (например, поворачивает голову, чтобы рассмотреть объект лучше) .
Нил Деграсс Тайсон отметил, что объективная реальность в такой модели становится результатом бесконечных микро-шагов по проверке гипотез . Фристон подчеркивает, что для адаптации к среде организм должен сам стать «моделью этой среды» . Например, разделение в мозге зон «где находится объект» и «что это за объект» зеркально отражает структуру нашего физического мира, где положение и суть вещей статистически разделимы .
🦁 Эволюция как «байесовский отбор моделей» 19:19
Фристон предлагает взглянуть на естественный отбор через призму статистики. По его мнению, эволюция — это процесс минимизации свободной энергии на протяжении поколений .
Аргументы Фристона:
- Адаптивная приспособленность: Существа, которые плохо предсказывают угрозы (например, не могут отличить льва в траве), съедаются и не передают свои гены .
- Байесовский отбор: Природа «выбирает» те модели (организмы), которые лучше всего соответствуют окружающей среде .
- Трансгенерационное обучение: Каждое новое поколение наследует уточненную модель мира, минимизирующую ошибки предсказания его предков .
🤖 Почему ChatGPT — это не интеллект в полном смысле слова 31:38
Участники обсудили разницу между современными большими языковыми моделями (LLM) и естественным разумом. Фристон утверждает, что несмотря на впечатляющую беглость, LLM не обладают «агентностью» .
Ключевые отличия ИИ от биологического мозга по Фристону:
- Отсутствие тела (Embodiment): Мозг тратит большую часть ресурсов на управление мышцами и секрецию . Интеллект требует действия для активного сбора данных, а не просто пассивного поглощения текстов из интернета .
- Эффективность: Человеческий мозг работает на мощности около 20 Ватт, в то время как суперкомпьютеры для обучения ИИ требуют киловатты и мегаватты энергии . Принцип свободной энергии диктует путь «наименьшего действия», делая биологический разум эталоном эффективности .
- Вероятность против мировоззрения: Чак Найс заметил, что LLM просто подбирает наиболее вероятную следующую букву . Ребенок же, увидев мяч один раз, способен распознать его в любом контексте, потому что строит глубокую порождающую модель (generative model), а не просто считает статистику слов .
🧬 Цифровые двойники и психиатрия будущего 44:28
Применение принципа свободной энергии выходит за рамки чистой науки. Фристон видит в нем инструмент для медицины. По его словам, психиатрические расстройства, такие как шизофрения или аутизм, можно описать как «ошибки вывода» (failed inference) .
Практическое применение моделей Фристона:
- Фенотипирование: Создание «цифрового двойника» пациента в компьютере для моделирования его процесса принятия решений .
- Тестирование лекарств: Возможность проводить «виртуальные операции» или проверять действие синтетических препаратов на цифровой модели мозга перед реальным вмешательством .
- Понимание галлюцинаций: Галлюцинация — это состояние, когда внутренняя гипотеза мозга становится настолько сильной, что подавляет реальные сенсорные данные .
Фристон также упоминает феномен «сенсорного ослабления» (sensory attenuation). Чтобы начать движение, мозг должен буквально проигнорировать факт того, что он сейчас неподвижен . Неспособность отключать или игнорировать ненужные сигналы, по мнению ученого, может лежать в основе аутизма, когда человек страдает от бомбардировки сенсорным вводом .
🚀 Будущее: от ИИ к «Интеллектуальным Агентам» (IA) 39:06
В завершение беседы Фристон рассказал о переходе от эпохи информации к эпохе интеллекта. В своем программном документе 2022 года «Designing Ecosystems of Intelligence from First Principles» он описывает переход от традиционного ИИ к IA (Intelligent Agency) — интеллектуальным агентам .
Основные тренды будущего по Фристону:
- Биомиметическое оборудование: Переход на нейроморфные чипы и квантовые вычисления, которые имитируют энергоэффективность биологических систем .
- Устойчивость: Интеллект будущего должен быть экологичным, потребляя минимум энергии, как мозг пчелы .
- Агентность: Истинный интеллект будет определяться способностью самостоятельно задавать вопросы миру, а не просто давать ответы на промпты инженеров .
