Мозг не ждёт указаний сверху: новое исследование опровергло стандартную модель принятия решений

Десятилетиями нейробиологи учили: сенсорная информация поступает в мозг снизу, проходит через всё более сложные слои обработки и в итоге достигает лобной коры, где и принимается окончательное решение. Ранние сенсорные области делают свою работу и передают информацию дальше. Решение принимается наверху. Исследование Иллинойсского университета показало: на самом деле всё иначе. Процесс принятия решений не ждёт, пока информация поднимется по всей иерархии. Он начинается в самом первом сенсорном слое — раньше, чем предсказывает модель, — и управляется сигналами, идущими обратно вниз из высших отделов мозга.

Стандартная модель обработки информации мозгом имеет интуитивную привлекательность. Когда вы видите объект, свет попадает на сетчатку, зрительная система обрабатывает края, затем формы, затем объекты, затем категории — каждый этап строится на предыдущем, пока лобная кора не может сказать: «это чашка». Эта последовательная иерархическая природа процесса реальна и хорошо задокументирована. Она послужила источником вдохновения для свёрточных нейронных сетей — архитектуры глубокого обучения, лежащей в основе большинства современных систем ИИ, которые обрабатывают информацию именно таким образом — слой за слоем, снизу вверх.

Проблема в том, что модель предсказывает конкретную временную последовательность: ранние сенсорные области должны показывать активность до того, как включаются высшие области, а активность, связанная с принятием решений, должна появляться только после того, как информация прошла всю иерархию. Лобная кора принимает решение. Первичная сенсорная кора просто записывает. Годы накапливались данные, которые показывали, что эта последовательность не всегда соответствует наблюдениям. Сигналы, связанные с принятием решений, находили в сенсорных областях, которые, согласно модели, должны были быть слишком рано в цепочке обработки, чтобы их содержать. Объяснения были консервативными: артефакты движения, влияние сигналов внимания, корреляции, не имеющие причинного значения. Исследование предлагает механистическое объяснение того, почему эти сигналы там есть и что они делают.

Исследовательская группа под руководством профессора Юрия Власова подошла к проблеме с необычной стороны. Вместо изучения высших областей мозга, где, как предполагалось, принимаются решения, они сосредоточились на самом низу сенсорной иерархии: первичной соматосенсорной коре, которая получает и первоначально обрабатывает информацию о прикосновениях и положении тела от кожи и мышц.

Чтобы изучать принятие решений в этой области, команда поместила мышей в виртуальный коридор и обучила их принимать перцептивные решения на основе тактильных сигналов, подаваемых через вибриссы. Система вибрисс у мышей — один из наиболее точно изученных сенсорных контуров в нейробиологии, что делает её идеальной платформой для изучения того, как сенсорный ввод становится поведенческим решением. Когда мыши перемещались по коридору и делали выбор, плотные электрофизиологические электроды записывали паттерны активности нейронов по всей глубине первичной соматосенсорной коры.

Наблюдаемая нейронная активность не соответствовала предсказаниям модели. В период накопления доказательств, когда мышь обрабатывала сенсорную информацию и формировала решение, многомерная активность множества нейронов одновременно схлопывалась в одну переменную. Эта переменная затем постепенно увеличивалась по всей колонке коры в виде синхронизированного нарастания, отслеживая накопление доказательств до принятия решения. Этот паттерн является признаком вычислительного процесса принятия решения, а не просто сенсорной передачи. И происходил он в первичной соматосенсорной коре — первой остановке тактильной информации в кортикальной иерархии, до того как эта информация успела бы пройти всю цепочку обработки и вернуться из лобной коры.

Механизм, который идентифицировали исследователи, включает нисходящую регуляцию: сигналы, идущие обратно из высших областей мозга в S1, модулирующие обработку сенсорного ввода в этой области, пока решение ещё формируется. Вместо простой записи и передачи тактильной информации, S1 активно формируется информацией, поступающей сверху — обратной связью о том, что ожидает животное, что оно уже решило и что требует контекст принятия решения.

Эта двунаправленная коммуникация означает, что S1 — не пассивный датчик, а активный участник процесса принятия решения. Лобная кора не ждёт, пока S1 закончит свою работу и отправит ответ вверх. Она проникает в S1, пока сенсорная обработка ещё продолжается, и начинает формировать её в направлении решения, создавая петлю, в которой низ и верх иерархии влияют друг на друга одновременно.

Это открытие ставит результаты Иллинойсского университета в контекст теоретической основы, которую Власов называет «естественным интеллектом»: идея о том, что выдающаяся вычислительная эффективность мозга — его способность выполнять чрезвычайно сложные задачи, используя гораздо меньше энергии, чем любая современная система ИИ, — не случайна, а архитектурна. Двунаправленные петли обратной связи, задокументированные в исследовании, могут быть именно тем свойством, которое позволяет биологическому интеллекту так много делать с так малыми затратами.

Наиболее значимое технологическое и коммерческое следствие этого открытия касается архитектуры искусственного интеллекта. Доминирующая парадигма ИИ — глубокое обучение с использованием свёрточных сетей — была напрямую вдохновлена моделью обработки информации в мозге. Послойная обработка, где каждый слой строится на предыдущем, без обратного потока информации, — так устроено большинство современных систем ИИ. Если реальная архитектура принятия решений в мозге включает непрерывную двунаправленную обратную связь между ранними и поздними слоями обработки, где решения возникают из динамического взаимодействия этих слоёв, а не из окончательного суждения наверху, то текущие системы ИИ могут упускать фундаментальный принцип биологического интеллекта.

«Мы хотим учиться у миллиарда лет эволюции, — сказал Власов. — Как организован биологический интеллект архитектурно? Можем ли мы учиться на архитектурной стороне мозга и имитировать это, чтобы сделать ИИ более эффективным, менее энергозатратным и более интеллектуальным, чем сейчас? В уровне принятия решений именно этого современному ИИ не хватает».

Энергетический аспект значителен. Современные большие модели ИИ требуют огромного количества электроэнергии для обучения и работы. Мозг выполняет свои вычисления примерно на 20 ваттах. Если архитектура двунаправленной обратной связи является частью того, что делает биологические вычисления такими эффективными, то её включение в дизайн ИИ может радикально снизить энергопотребление искусственных систем, одновременно улучшая их производительность именно на тех задачах, где ИИ сейчас испытывает трудности: гибкое рассуждение, принятие решений в условиях неопределённости и быстрая адаптация к новым ситуациям.

Исследователи осторожны в оценке пределов своих данных. Записи проводились на мышах, а сигналы принятия решений в S1 регистрировались во время задачи, связанной с тактильным восприятием через вибриссы. Будет ли тот же механизм работать в сенсорной коре человека во время решений, с которыми люди сталкиваются ежедневно — зрительных, языковых, социальных, абстрактных, — предстоит установить. Обратная связь из высших областей мозга в S1, которую предлагают исследователи в качестве механизма, была выведена из паттернов активности в S1, а не напрямую измерена в высших областях, которые её обеспечивали. Полное подтверждение механизма потребует записей с обоих концов петли обратной связи одновременно. Исследование также проводилось в одной кортикальной колонке одной сенсорной области. Мозг содержит множество кортикальных областей, каждая со своей архитектурой и связями, и степень обобщения результатов на них неизвестна.

Однако исследование устанавливает существование и функциональную значимость сигналов, связанных с принятием решений, в первичной соматосенсорной коре — области, которой доминирующая модель не отводит никакой роли в принятии решений. Сигнал присутствует, отслеживает формирование решения и появляется до того, как решение успело пройти всю иерархию и вернуться. Этого достаточно, чтобы модель стала значительно менее полной, чем казалось до этих записей.

Команда Власова планирует расширить исследование, изучая временную динамику сигналов обратной связи более детально — как быстро нисходящая модуляция достигает S1 и как это время соотносится с поведенческим решением животного. Они также разрабатывают новые технологии нейронной записи, способные измерять активность одновременно в нескольких областях мозга, что позволит наблюдать саму петлю обратной связи, а не делать о ней выводы.

«Изучая быструю временную динамику нейронной активности, возможно, мы сможем лучше понять, как эти петли обратной связи задействуются в принятии решений, — сказал Власов. — Возможно, это подход, который потенциально раскроет эти неизвестные механизмы, как эти петли обратной связи организованы динамически и как они формируют разные уровни обработки. Возможно, это может быть реализовано в новых архитектурах для ИИ».

Модель, помещавшая принятие решений на вершину иерархии мозга, не была ошибочной. Она улавливала нечто реальное в том, как мозг обрабатывает информацию. Данные из Иллинойса показывают, что она была неполной — и неполнота эта имеет значение, потому что именно та часть, которую она упустила, может объяснять, почему биологический интеллект настолько эффективнее, гибче и способнее всего, что инженеры построили до сих пор. Теперь задача — понять этот механизм и, возможно, перенести его в искусственные системы. Но сначала нужно разобраться, как именно мозг делает то, что делает — не сверху вниз, а в постоянном диалоге между уровнями. И если этот диалог удастся расшифровать, это может стать ключом к созданию интеллекта, который не просто имитирует мозг, а работает как он.