Джефф Хокинс и Субутай Ахмад из компании Numenta представили в Google свою «Теорию тысячи мозгов», предлагающую радикально новый взгляд на работу человеческого интеллекта. В основе их подхода лежит идея о том, что мозг — это не иерархическая структура, а распределённая сеть из тысяч автономных моделей, чьи принципы работы могут стать ключом к созданию по-настоящему сильного ИИ (AGI).
🧠 Неокортекс как единый алгоритм моделирования 2:59
Джефф Хокинс подчёркивает, что неокортекс занимает около 75% объёма человеческого мозга и является непосредственным «органом интеллекта» . Это слой ткани толщиной около 2,5 мм и площадью с большую обеденную салфетку, отвечающий за всё: от зрения и осязания до высшей математики, языка и политики .
Ключевым открытием, на которое опирается Джефф Хокинс, стала работа Вернона Маунткасла. В 1978 году Маунткасл предположил, что, поскольку микроструктура неокортекса везде одинакова, он использует один и тот же базовый алгоритм для всех функций .
- Если подключить участок коры к глазам — вы получите зрение.
- Если к ушам — слух.
- Если к выходам других областей коры — абстрактное мышление и язык .
🌾 Кортикальные колонки: 150 000 «микро-мозгов» 5:43
Согласно теории Хокинса, неокортекс состоит из примерно 150 000 функциональных единиц — кортикальных колонок . Каждая такая колонка имеет площадь около 1 кв. мм, толщину 2,5 мм и содержит примерно 100 000 нейронов. Джефф Хокинс сравнивает их с зёрнышками риса, плотно упакованными друг с другом .
По словам Джеффа Хокинса, каждая колонка — это полноценная система моделирования мира :
- Каждая колонка получает сенсорный вход (например, от кончика пальца или части сетчатки).
- Каждая колонка генерирует поведение (сенсомоторное моделирование).
- Колонки не просто пассивно воспринимают данные, они отслеживают, как меняется сигнал в зависимости от движения (например, как меняется ощущение края чашки при движении пальца) .
☕ Теория тысячи мозгов: знание через голосование 10:03
Важнейший постулат теории заключается в том, что в мозге нет единой централизованной модели объекта. Например, знание о «кофейной чашке» распределено по тысячам колонок: в зрительной коре, в соматосенсорной (осязание) и даже в слуховой .
Джефф Хокинс объясняет это так:
- Множественность моделей: Существуют сотни и тысячи независимых моделей одного и того же объекта.
- Механизм голосования: Колонки связаны друг с другом длинными нервными волокнами, через которые они «голосуют» для достижения консенсуса .
- Перцептивная стабильность: Когда вы берете чашку, ваши пальцы чувствуют разные её части. Каждая колонка выдвигает гипотезу, и через голосование они приходят к единому выводу: «Это чашка» .
- Скрытая работа: Мы не осознаем процесс голосования и смены гипотез при движении глаз (3 раза в секунду). Наше сознание воспринимает только стабильный результат этого голосования .
🧬 Биологические нейроны против «точечных» моделей 13:48
Джефф Хокинс и Субутай Ахмад критикуют современные нейросети за чрезмерное упрощение биологических механизмов. В машинном обучении обычно используются «точечные нейроны», которые просто суммируют веса входов.
Реальные нейроны неокортекса (их около 18 миллиардов) гораздо сложнее :
- Дендриты: Большая часть обработки информации происходит внутри ветвистых отростков — дендритов, а не в теле клетки .
- Контекст: Дендриты позволяют нейрону распознавать сигналы в разных контекстах (например, предсказывать появление объекта в зависимости от окружающей обстановки) .
- Разреженность (Sparsity): В любой момент времени в мозге активно лишь 1–3% нейронов . Если активируются все сразу — это эпилептический припадок .
По мнению Субутая Ахмада, разреженность обеспечивает системе невероятную энергоэффективность (мозг потребляет всего около 40 Ватт, как лампочка) и устойчивость к шумам .
🚀 Дорожная карта Numenta: ИИ нового поколения 23:08
Субутай Ахмад представил три ключевых направления, по которым Numenta переносит принципы работы мозга в технологии:
1. Реализация разреженности (Sparsity)
Numenta уже продемонстрировала, что внедрение разреженных вычислений позволяет повысить эффективность нейросетей на два порядка (в 100 раз) на платформах FPGA . Сейчас ведутся работы по адаптации этих принципов для стандартных CPU и GPU. Это позволит масштабировать ИИ до уровней, сопоставимых с человеческим мозгом.
2. Сложные нейронные модели
Вместо простых функций активации предлагается использовать модели нейронов с дендритами и локальными правилами обучения. По мнению Субутая Ахмада, это решит проблему «катастрофического забывания», позволяя ИИ учиться непрерывно (continuous learning) без потери старых навыков . Такие системы будут самообучаться без необходимости в глобальной функции потерь или жестком методе обратного распространения ошибки (backprop) .
3. Опорные системы (Reference Frames)
Это механизм, заимствованный у клеток решётки (grid cells) и клеток места (place cells). Он позволяет мозгу создавать стабильные 3D-модели объектов, которые можно вращать и перемещать в уме . Внедрение опорных систем в ИИ позволит машинам понимать структуру мира так же, как это делают люди: увидев новую машину один раз, человек сразу понимает, как она выглядит с другой стороны и поместится ли она в гараж .
🤖 Будущее ИИ и экзистенциальные риски 58:18
В завершение дискуссии Джефф Хокинс поделился своим видением будущего. По мнению Хокинса, полноценный сильный ИИ (AGI) появится гораздо раньше, чем через 100 лет — скорее всего, в ближайшие 10–20 лет .
Относительно страхов перед «восстанием машин» позиция спикера однозначна:
- Джефф Хокинс утверждает, что не боится экзистенциальной угрозы со стороны ИИ .
- Аргументация Хокинса: у систем на базе неокортекса нет встроенных биологических инстинктов выживания, размножения или стремления к доминированию, которые присущи более древним частям человеческого мозга .
- Риск злоупотребления технологией людьми Хокинс признает реальным, но «пробуждение» злого сверхразума считает маловероятным сценарием .
