В эпоху «больших данных» и стремительного развития искусственного интеллекта наука сталкивается с парадоксом: мы получаем всё больше ответов, но всё меньше понимаем, как они устроены. Грейс Хакинс (Grace Huckins), нейробиолог, лектор Стэнфорда и научный журналист, стала победителем престижной премии Nine Dots Prize, представив глубокое исследование того, как избыток информации может завести научную мысль в тупик.
🧠 Путь на стыке нейробиологии и философии 2:01
Грейс Хакинс начала свою академическую карьеру с изучения нейробиологии, завершив в прошлом году получение степени PhD в Стэнфордском университете . Однако её интересы всегда выходили за рамки чистых лабораторных исследований. Помимо нейронаук, Хакинс получила степень магистра женских исследований в Оксфорде и дополнительную специализацию по философии .
По словам Хакинс, её всегда привлекала возможность связать физические процессы в мозге с личным человеческим опытом. В своей докторской работе она сосредоточилась на этических аспектах нейробиологического понимания, особенно в контексте психических заболеваний. Она утверждает, что понимание механизмов работы мозга может помочь людям по-новому взглянуть на свои переживания, когда привычные объяснения поведения (например, при глубокой депрессии) перестают работать .
Междисциплинарный подход позволил Грейс анализировать науку в широком социальном контексте:
- Использование феминистской теории для критического анализа нейробиологических работ о гендерной идентичности .
- Исследование связи между вспышками заболеваний (например, оспы обезьян в 2022 году) и социальными явлениями, такими как гомофобия .
- Работа в качестве журналиста для таких изданий, как Wired и Slate, где она объясняет социальные последствия научных открытий .
🤖 Революция ИИ в нейронауке: эра AlexNet 10:41
Академический путь Хакинс совпал с началом современной эры ИИ. Она начала обучение в 2012 году — в тот же год, когда была опубликована статья об AlexNet, продемонстрировавшая эффективность глубоких нейронных сетей . Это событие, по мнению гостьи, коренным образом изменило нейробиологию.
Сегодня ИИ стал неотъемлемой частью исследований мозга. Хакинс выделяет несколько ключевых аспектов этого влияния:
- ИИ как субдисциплина: Хакинс полагает, что нейронные сети, вдохновленные биологическим мозгом, позволяют рассматривать ИИ как своеобразное ответвление нейробиологии .
- Модели «черного ящика»: Глубокие нейронные сети стали мощными инструментами для имитации данных мозга, но ученые часто не понимают, что происходит внутри них .
- Взрывной рост данных: Появление новых технологий, таких как зонд Neuropixel, позволяющий записывать активность тысяч нейронов одновременно, создало избыток информации, с которым трудно справиться .
Грейс Хакинс подчеркивает, что современные исследователи находятся на грани: данных так много, а модели так сложны, что получение конкретного понимания того, как работает мозг, становится пугающей перспективой .
💻 Эксперимент с микропроцессором: почему данных недостаточно 14:37
Одним из ключевых аргументов в эссе Хакинс стала работа Конрада Кординга и Эрика Джонаса «Смог бы нейробиолог понять микропроцессор?» . Авторы решили проверить гипотезу о том, что понимание мозга ограничено лишь нехваткой данных.
Суть исследования заключалась в следующем:
- Ученые применили стандартные нейробиологические методы (например, повреждение отдельной части и наблюдение за результатом) к компьютерному чипу, работа которого человеку уже полностью понятна .
- Они наблюдали за «поведением» чипа во время работы простых игр .
- Результат: Нейробиологические подходы позволили сделать лишь туманные выводы о функциях отдельных частей чипа, но не дали реального понимания того, как он обрабатывает информацию .
На основании этого исследования Хакинс делает вывод: простого сбора данных недостаточно. Для осмысления колоссальных массивов информации науке нужны принципиально новые теории и подходы .
🧪 AlphaFold и проблема предсказания без объяснения 22:11
В качестве яркого примера современной научной дилеммы Грейс Хакинс приводит AlphaFold — систему ИИ от Google DeepMind, решившую проблему сворачивания белка .
Система способна предсказать трехмерную структуру белка по последовательности аминокислот с невероятной точностью. Это имеет колоссальное практическое значение для разработки лекарств . Однако, как отмечает Хакинс, AlphaFold не объясняет, почему белок сворачивается именно так .
В этом контексте Хакинс выделяет две позиции:
- Прагматическая: Неважно, понимает ли человек процесс, если мы получаем эффективные лекарства и медицинские достижения .
- Теоретическая: Понимание ценно само по себе. Без него мы можем упустить «неизвестные неизвестные» — новые научные прорывы, которые могли бы последовать из понимания механизмов .
Хакинс приводит аналогию с калькулятором на уроках математики . Если ваша цель — просто получить число, калькулятор идеален. Но если цель — развить способности и понимание для решения будущих задач, калькулятор может стать препятствием, из-за которого «понимание» отодвигается на второй план .
💰 Политика, деньги и будущее научных интервью 31:39
В рамках работы над книгой Грейс планирует интервьюировать ученых, чтобы узнать, как избыток данных влияет на их повседневную работу. Она отмечает, что ситуация осложняется сокращением финансирования и политической поддержки науки, особенно в США .
По мнению Хакинс, финансовое давление может вынудить ученых отдавать приоритет практическим результатам (например, разработке препаратов с помощью ИИ), отказываясь от фундаментальных исследований, направленных на понимание процессов. Это создает этическую дилемму: что мы хотим получить от науки в условиях ограниченных ресурсов?
Грейс Хакинс подчеркивает международный характер науки. Несмотря на то что DeepMind зародился в Великобритании, его влияние (как и влияние американских технологических гигантов) ощущается повсеместно .
🚩 Подводят ли нас данные? 40:51
Отвечая на главный вопрос подкаста, Грейс Хакинс воздерживается от однозначного «да» или «нет». По её мнению, данные могут как стать величайшим преимуществом, так и привести к провалу, в зависимости от того, какие ценности мы выберем .
Она выделяет две основные возможности «провала» данных:
- Инерция: У нас есть мощные инструменты, и мы просто позволяем им нести нас к практическим результатам, игнорируя потребность в понимании .
- Игнорирование вопроса: Самый большой риск — даже не пытаться определить, какую роль должно играть понимание в эпоху ИИ, и не смотреть проблеме в лицо .
Книга Грейс Хакинс, выход которой запланирован на июнь следующего года, призвана побудить научное сообщество и общество в целом осознанно подойти к выбору целей науки в век больших данных .
