Как мозг формирует понятия: новая нейросеть для моделирования человеческого мышления

Автор: Денис Аветисян

Исследователи разработали нейронную сеть, способную воспроизводить процесс формирования понятий у человека, приближая нас к пониманию механизмов мышления и коммуникации.

Пока крипто-инвесторы ловят иксы и ликвидации, мы тут скучно изучаем отчетность и ждем дивиденды. Если тебе близка эта скука, добро пожаловать.

Купить акции "голубых фишек"

Сеть CATS, предназначенная для разделения и формирования концепций, демонстрирует способность к сжатию сенсомоторных нейронных цепей в низкоразмерные представления, что позволяет системе, обученной на случайных параметрах, успешно выполнять бинарные суждения по изображениям на основе заданных концепций, благодаря архитектуре из двух модулей: модуля концептуального управления (CA), генерирующего управляющие сигналы, и модуля сенсорного анализа (TS), выполняющего суждения на основе входных данных и операций управления, осуществляемых модулем CA.

Представленная работа описывает CATS Net — двухмодульную нейросеть, разделяющую формирование понятий и сенсорное восприятие, демонстрирующую соответствие областям мозга, отвечающим за визуальное и семантическое восприятие.

Несмотря на поразительную способность мозга к формированию абстрактных понятий из сенсомоторного опыта, вычислительные механизмы, лежащие в основе этого процесса, остаются малоизученными. В статье «A neural network for modeling human concept formation, understanding and communication» представлена новая нейросетевая модель CATS Net, объединяющая модуль абстрагирования понятий и модуль решения задач, что позволяет отделить формирование концепций от непосредственного сенсорного ввода. Модель демонстрирует соответствие между формируемыми концептуальными пространствами и нейрокогнитивными моделями семантики, а также структурой активности в вентро-окципитотемпоральной коре головного мозга. Способна ли эта унифицированная вычислительная платформа пролить свет на когнитивные механизмы человеческого мышления и вдохновить на создание искусственного интеллекта, способного к концептуальному пониманию?

От сенсорного ввода к концептуальному пониманию

Одна из ключевых проблем в области искусственного интеллекта заключается в преодолении разрыва между необработанными сенсорными данными и абстрактным концептуальным пониманием. Суть этой сложности заключается в том, что реальный мир предоставляет информацию в виде потока сигналов — визуальных, звуковых, тактильных — которые сами по себе не несут смысла. Для того чтобы машина могла действовать разумно, необходимо преобразовать эти сигналы в осмысленные представления, позволяющие выделять закономерности, обобщать опыт и строить модели окружающего мира. Именно способность к формированию абстрактных концепций, таких как “стул”, “движение” или “причина”, отличает разумные системы от простых реакторов на внешние стимулы, и является необходимым условием для достижения общего искусственного интеллекта.

Традиционные подходы в области искусственного интеллекта зачастую испытывают трудности при сжатии многомерного сенсомоторного опыта в эффективные и повторно используемые концепции. Проблема заключается в том, что обработка огромного потока данных, поступающего от сенсоров и двигательных систем, требует колоссальных вычислительных ресурсов и приводит к формированию громоздких, негибких представлений. Вместо того, чтобы выделять общие закономерности и абстрагироваться от несущественных деталей, существующие алгоритмы склонны к запоминанию конкретных ситуаций, что препятствует обобщению и адаптации к новым условиям. Подобная неспособность к эффективной компрессии информации ограничивает возможности систем искусственного интеллекта в плане гибкого поведения, коммуникации и, в конечном итоге, реализации общего интеллекта.

Сжатие огромного потока сенсомоторного опыта в компактные, повторно используемые концепции является фундаментальным требованием для достижения гибкого поведения, эффективной коммуникации и, в конечном итоге, общего интеллекта. Без способности абстрагироваться от избыточной информации и формировать обобщенные представления, системы искусственного интеллекта сталкиваются с трудностями в адаптации к новым ситуациям и эффективном обмене знаниями. Именно способность к концептуализации позволяет не просто реагировать на текущие стимулы, но и предвидеть последствия действий, планировать сложные задачи и оперировать абстрактными идеями — качествами, определяющими интеллект в его наиболее общем понимании. По сути, эффективность работы любой интеллектуальной системы напрямую зависит от степени сжатия и организации информации, позволяющей быстро и точно обрабатывать данные и принимать обоснованные решения.

Анализ производительности и семантической структуры концептуального пространства CATS Net показывает, что обучение приводит к повышению точности абстракции концепций (сравнение гистограмм до и после обучения), формированию селективных механизмов внимания, повышению функциональной специфичности базисных векторов и изменению распределения функциональной энтропии в концептуальном пространстве (синим цветом) по сравнению с пространством параметров, решающих задачу (фиолетовым цветом).

CATS Net: Двухмодульная архитектура для обработки концепций

Сеть CATS (Concept and Task Solving Network) использует двухмодульную архитектуру, состоящую из модуля абстракции концепций (CA) и модуля решения сенсомоторных задач (TS). Модуль CA отвечает за обработку сенсомоторной информации и ее преобразование в компактные концептуальные представления. Модуль TS, в свою очередь, использует эти концепты для принятия решений и управления поведением, осуществляя взаимодействие с внешней средой на основе сформированных абстракций. Взаимодействие между CA и TS обеспечивает как формирование концепций, так и их практическое применение в решении поставленных задач.

Модуль концептуальной абстракции (CA) в архитектуре CATS Net осуществляет сжатие сенсомоторной информации посредством преобразования высокоразмерных входных данных в представления меньшей размерности. Этот процесс, по сути, является формированием концептов, поскольку модуль выявляет и кодирует существенные признаки, игнорируя несущественные детали. Сжатие информации позволяет уменьшить вычислительную сложность последующей обработки и способствует обобщению знаний, позволяя системе эффективно оперировать концептами в различных контекстах. Полученные концептуальные представления служат основой для последующего этапа — понимания концептов, осуществляемого модулем TS.

Модуль TS (Sensorimotor Task Solving) использует абстрактные концепты, сформированные модулем CA, для выполнения оценок и управления поведением. Реализация «понимания» концептов происходит посредством сенсомоторной симуляции — то есть, TS модуль воспроизводит моторные действия и сенсорные ощущения, соответствующие данным концептам, что позволяет системе принимать решения и адаптироваться к различным задачам, основываясь на сформированных представлениях об окружающем мире.

Сеть CATS Net успешно осваивает новые концепции, используя векторные представления слов (Word2Vec), что подтверждается высокой точностью распознавания ранее невиданных категорий и соответствием обученных векторных представлений концепций исходным Word2Vec векторам.

Подтверждение соответствия CATS Net семантическим представлениям человека

Для оценки степени соответствия между CATS Net и человеческим мозгом были использованы данные функциональной магнитно-резонансной томографии (фМРТ) и модели семантического представления человека. Данные фМРТ фиксировали активность мозга при предъявлении различных стимулов, а модели семантического представления обеспечивали количественную оценку семантических отношений между понятиями. Сопоставление представлений, полученных из CATS Net, с данными фМРТ и моделями семантики позволило оценить, насколько эффективно модель кодирует концепции аналогично человеческому мозгу, и выявить области наибольшего соответствия.

Для количественной оценки степени соответствия между представлениями, сформированными CATS Net и человеческим мозгом, был построен матрикс несовместимости представлений (Representation Dissimilarity Matrix) для обоих типов данных. Данный матрикс содержит значения, отражающие степень различия между парами концептов на основе их представлений в модели и паттернов активности мозга, зарегистрированных с помощью фМРТ. Чем меньше значение в матрице, тем более схожи представления для данной пары концептов. Сравнение матриц, построенных для модели и человеческих данных, позволило вычислить корреляцию и оценить, насколько представления CATS Net соответствуют тем, которые формируются в мозге человека.

Первоначальные результаты анализа показали значимую корреляцию ( $ρ = 0.29$ ) между концептуальными представлениями, сформированными нейронной сетью CATS Net, и паттернами активности, зарегистрированными в зрительной коре головного мозга. Данный факт указывает на биологически правдоподобный механизм кодирования концепций, реализованный в архитектуре сети. Выявленная корреляция подтверждает, что внутренние представления CATS Net демонстрируют сходство с тем, как концепты обрабатываются в человеческом мозге на уровне зрительной коры, что является важным шагом в направлении создания искусственного интеллекта, более приближенного к когнитивным способностям человека.

Результаты тестирования CATS Net в задачах бинарной классификации подтверждают эффективность использования усвоенных представлений. Для улучшения производительности в этих задачах применялись предопределенные векторные представления концептов, полученные с помощью модели Word2Vec. Использование этих векторов позволило CATS Net успешно применять выученные представления для различения категорий, демонстрируя способность модели к семантическому обобщению и эффективному использованию внешних знаний для решения конкретных задач классификации.

Анализ репрезентативных матриц диссимилярности показывает, что концептуальный слой CATS соответствует семантическим моделям человека, таким как SPOSE49 и Binder65, демонстрируя значительную корреляцию (r > 0.107, p < 0.05) между концептуальными измерениями и измерениями SPOSE49, что подтверждается сравнением на 332 общих концепциях из ImageNet-1k и THINGS.

Влияние на когнитивную науку и искусственный интеллект

Сеть CATS Net представляет собой вычислительную платформу, разработанную для изучения взаимодействия между концептуальными и сенсомоторными системами, что позволяет исследовать принципы работы Семантической Сети Контроля в мозге. Данная модель воспроизводит ключевые аспекты когнитивной архитектуры, демонстрируя, как абстрактные понятия связаны с конкретными действиями и ощущениями. Используя принципы симуляции сенсомоторного опыта для представления концепций, CATS Net позволяет ученым создавать и тестировать гипотезы о том, как мозг объединяет знания и действия, открывая новые возможности для понимания процессов познания и разработки более совершенных моделей искусственного интеллекта, способных к гибкому и адаптивному поведению.

Исследования сети CATS Net продемонстрировали впечатляющую способность к сжатию информации, что открывает новые перспективы для создания более экономичных и эффективных систем искусственного интеллекта. В отличие от традиционных моделей, требующих огромных вычислительных ресурсов, CATS Net, за счет принципов сенсомоторного заземления понятий, достигает сопоставимых результатов при значительно меньшем объеме используемой памяти и энергии. Этот подход позволяет предположить, что будущее AI может быть построено не на наращивании вычислительной мощности, а на оптимизации алгоритмов и более эффективном представлении знаний, приближая искусственный интеллект к принципам работы человеческого мозга и позволяя создавать устройства с более длительным сроком службы и сниженным энергопотреблением.

Сеть CATS Net представляет собой перспективный подход к созданию искусственного интеллекта, способного взаимодействовать с окружающим миром более естественно и интуитивно. Вместо обработки информации абстрактно, модель привязывает понятия к сенсомоторным симуляциям — то есть, к воображаемым движениям и ощущениям, которые были бы связаны с этим понятием для живого существа. Такой подход позволяет агентам не просто распознавать объекты, но и «понимать» их функциональное назначение и способы взаимодействия с ними, что значительно повышает эффективность и адаптивность в реальных условиях. В результате, искусственный интеллект, основанный на принципах сенсомоторного заземления, может демонстрировать более гибкое поведение и лучше адаптироваться к новым ситуациям, приближаясь к когнитивным способностям живых организмов.

Коммуникация между независимо обученными сетями CATS позволяет передавать знания, что подтверждается визуальным выравниванием семантических карт учителя и ученика, изменением репрезентаций в слоях модуля перевода (от входного до выходного) и значительным повышением точности ученика на CIFAR-100 (p<0.001), где каждый эксперимент проводился на уникальном подмножестве категорий.

Исследование, представленное в данной работе, фокусируется на создании вычислительной модели формирования концептов, что напрямую соотносится с идеей о том, что разум — это не просто пассивный приемник информации, а активный строитель системы знаний. Как заметил Давид Юм: “Ум человека подобен восковой дощечке, на которой опыт оставляет свои отпечатки.” CATS Net, отделяя процесс формирования концептов от непосредственного сенсорного ввода, позволяет исследовать закономерности, лежащие в основе этой “восковой дощечки”. Модель демонстрирует соответствие активности мозга человека, что подтверждает возможность вычислительного моделирования когнитивных процессов, лежащих в основе формирования и понимания концептов, и открывает новые пути для изучения нейронных механизмов абстракции и семантического представления.

Куда же дальше?

Представленная работа, бесспорно, открывает новые горизонты в понимании формирования концептов, однако, как часто бывает, разрешение одной загадки порождает множество новых вопросов. Успешное разделение процессов формирования концепта и сенсорного ввода в CATS Net — важный шаг, но возникает закономерный вопрос: насколько адекватно эта модель отражает сложность и многогранность человеческого мышления? Необходимо учитывать, что концепты не существуют в вакууме; они формируются в контексте личного опыта, культурных особенностей и постоянного взаимодействия с миром.

Особое внимание следует уделить исследованию динамической природы концептов. CATS Net, судя по всему, фокусируется на статичном представлении знаний. Однако, концепты постоянно эволюционируют, адаптируются к новой информации и переосмысливаются. Разработка моделей, способных к самообучению и адаптации в реальном времени, представляется перспективным направлением. Кроме того, необходимо углубить понимание связи между концептуальным представлением и языком, поскольку именно язык является основным инструментом для коммуникации и обмена знаниями.

В конечном счете, задача не в создании идеальной нейронной сети, а в разработке вычислительной платформы, способной пролить свет на фундаментальные принципы работы человеческого мозга. Ирония в том, что чем больше мы узнаем о мозге, тем яснее осознаем, насколько сложна и непостижима эта система. Но именно в этом и заключается красота научного поиска.

Оригинал статьи: https://arxiv.org/pdf/2601.02010.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-01-06 14:14