Архитекторы «мозга из Lego»: Канака Раджан о вычислительной нейробиологии и обучении ИИ 0:00
Исследовательница из Медицинской школы Икана на горе Синай Канака Раджан (Kanaka Rajan) в интервью подкасту The TWIML AI Podcast рассказала о своем пути в нейробиологию и разработке вычислительных моделей мозга, которые помогают расшифровать принципы работы биологических нейронных сетей. По мнению Раджан, ключевая задача ученых сегодня — научиться «обратному проектированию» мозга, используя методы ИИ для моделирования сложных динамических процессов.
🧩 «Lego-модели» мозга 2:41
Канака Раджан описывает свою работу как создание «Lego-моделей мозга». Она стремится построить искусственные системы, которые имитируют поведение биологического мозга, а затем реконструировать их, чтобы понять, работают ли они на тех же принципах.
- Whole-brain models: Модели, охватывающие поведение всего организма, например, процесс принятия решений при выборе лифта.
- Multi-region neural networks: Более детализированные модели, отражающие взаимодействие между различными отделами мозга.
- RNN как субстрат: Рекуррентные нейронные сети (RNN) используются как фундамент, так как они обладают как прямыми, так и обратными связями, что позволяет им поддерживать долгосрочную динамику активности, подобно биологическим нейронам.
По словам Раджан, существует фундаментальное противоречие между скоростью работы «строительных блоков» мозга (нейронов), функционирующих в миллисекундном диапазоне, и способностью организма хранить воспоминания и навыки десятилетиями.
🧠 Динамика против статики: как мы храним память 9:41
Исторически нейробиологи считали, что память — это «статичный снимок», где группы нейронов поддерживают фиксированный уровень возбуждения (модель Хопфилда). Однако современные исследования показывают, что мозг работает иначе.
- Гипотеза последовательностей: Раджан и ее коллеги предложили модель, где память представлена не статичными точками, а динамическими «волнами» активности.
- Робастность: Такая система позволяет совмещать стабильное представление информации и непрерывную динамику, свойственную живым организмам.
Раджан отмечает, что, хотя ученые научились формулировать математически простые модели для простых задач, они пока далеки от понимания высокоабстрактных процессов, таких как «теория разума». Сложность биологических систем заключается в их многоуровневости, включая синаптическую динамику, нейромодуляторы и эволюционную историю, которые пока невозможно полностью инкорпорировать в нынешние модели.
🎓 Обучение через учебный план (Curriculum Learning) 20:34
Одной из центральных тем дискуссии стало использование обучения по учебному плану (curriculum learning). Раджан отмечает, что традиционные алгоритмы обучения (например, обратное распространение ошибки) часто не справляются со сложными задачами, в отличие от живых существ, которые учатся поэтапно.
- Метод: Вместо обучения нейросети сразу решению сложной задачи (например, выбор оптимального лифта среди сотен людей), система начинает с базовых принципов, постепенно увеличивая сложность.
- Результат: Сети, обученные по «учебному плану», не только решают задачи лучше, но и демонстрируют «чувство» легкости выполнения задачи, которое качественно похоже на то, как человек оценивает сложность действий.
- Разделение стратегий: По мнению гостьи, этот метод позволяет отличить разные принципы обучения (например, через вознаграждение или подражание) даже у животных, которые в итоге показывают одинаковый результат.
🔬 Будущее нейронаук: от моделей к терапии 43:37
Канака Раджан подчеркивает, что её модели — это «бездонный источник гипотез». Они позволяют проводить эксперименты, которые невозможно реализовать этически или технологически на реальных организмах.
- Клиническое применение: Исследовательница предполагает, что изучение нарушений в «трекинге» состояний (когда мозг не может вовремя завершить цикл действий) может пролить свет на природу зависимостей и обсессивно-компульсивных расстройств.
- Междисциплинарность: В конечном счете, Раджан сомневается в возможности появления единой «теории всего» для мозга, полагая, что понимание возникнет из «кучи моделей», которые в совокупности дадут целостную картину работы нейронных сетей.
