Мозг и Искусственный Интеллект: Общая Система Координат

Автор: Денис Аветисян

Новый подход позволяет сопоставить внутренние представления искусственных нейронных сетей с динамикой человеческого мозга, открывая возможности для более глубокого понимания и сопоставления обеих систем.

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"

Рассматриваемая схема функционального согласования нейронных сетей позволяет исследовать пространство представлений, выявляя закономерности в организации и взаимодействии различных функциональных блоков.

Представлена концепция Neural Functional Alignment Space (NFAS) для сопоставления репрезентационных динамик ИИ и мозга с использованием фМРТ и анализа Signal-to-Noise Consistency Index.

Несмотря на растущую мощность искусственных нейронных сетей, их сопоставление с принципами работы человеческого мозга остается сложной задачей. В статье «Neural Functional Alignment Space: Brain-Referenced Representation of Artificial Neural Networks» предложен новый подход — пространство выравнивания функциональных представлений (NFAS), позволяющее сравнивать динамику внутренних представлений ИИ с данными нейрофизиологических исследований. NFAS отображает эволюцию представлений в глубине сети в биологически обоснованную систему координат, выявляя структурированную организацию пространства представлений между различными модальностями и архитектурами. Может ли такое выравнивание стать основой для создания более эффективных и интерпретируемых искусственных интеллектов, приближенных к когнитивным способностям человека?

Мост между искусственным и биологическим интеллектом

Несмотря на впечатляющие успехи в различных областях, современные модели искусственного интеллекта часто уступают человеческому мозгу в эффективности и устойчивости, особенно при решении сложных задач, требующих логического мышления и адаптации к новым условиям. В то время как алгоритмы машинного обучения могут демонстрировать высокую производительность в узкоспециализированных областях, они часто испытывают трудности с обобщением знаний и переносом их на незнакомые ситуации, в отличие от мозга, способного к гибкому и контекстуальному мышлению. Эта разница в способности к сложному рассуждению обусловлена не только архитектурными особенностями, но и принципиально иными подходами к обработке информации, что подчеркивает необходимость дальнейших исследований в области нейроморфных вычислений и биологически вдохновленных алгоритмов.

Современные искусственные нейронные сети, демонстрирующие впечатляющие результаты в узкоспециализированных задачах, существенно отличаются от принципов обработки информации в биологических системах. В то время как мозг кодирует информацию посредством разреженных, спайковых паттернов активности, искусственные модели зачастую используют высокоразмерные, распределенные представления, где каждый элемент сети вносит вклад в кодирование информации. Эта разница приводит к тому, что искусственные системы потребляют значительно больше энергии и менее устойчивы к шумам и повреждениям, чем их биологические аналоги. Исследования показывают, что переход к более разрешенным и спайковым моделям может значительно повысить энергоэффективность и робастность искусственного интеллекта, приближая его к возможностям человеческого мозга и открывая путь к созданию более адаптивных и интеллектуальных систем.

Сравнение сетевой связанности нейронов в различных функциональных областях мозга показывает различия в организации нейронных сетей.

Нейронное Функциональное Согласующее Пространство: Референсный подход к анализу мозга

Нейронное Функциональное Согласующее Пространство (НФСП) представляет собой новый подход к сопоставлению искусственных моделей с данными функциональной магнитно-резонансной томографии (фМРТ). Основная задача НФСП — создание единого пространства, в котором представления, формируемые искусственными нейронными сетями, могут быть напрямую сопоставлены с паттернами нейронной активности, зарегистрированными в мозге человека. Это достигается путем встраивания искусственных моделей в пространство, референсным ориентиром которого служат данные фМРТ, что позволяет количественно оценивать сходство между искусственными и биологическими системами и проводить сравнительный анализ их функциональной организации.

В рамках Neural Functional Alignment Space (NFAS) для сопоставления представлений в искусственных нейронных сетях с паттернами нейронной активности используются области интереса (Regions of Interest, ROI), определённые на основе атласа мозга Schaefer-200. Этот атлас предоставляет стандартизированную сегментацию коры головного мозга на 420 регионов, что позволяет привязать активации отдельных нейронов в сети к конкретным областям мозга. Использование атласа Schaefer-200 обеспечивает воспроизводимость и сопоставимость результатов, позволяя количественно оценить, какие части искусственной сети соответствуют определённым функциональным областям мозга, тем самым обеспечивая основу для сравнения искусственного и биологического интеллекта.

Для установления соответствия между представлениями в искусственных моделях и паттернами нейронной активности используется линейная модель кодирования. Данная модель позволяет аппроксимировать связь между входными данными, представляющими собой активации нейронной сети, и выходными данными, соответствующими сигналам, полученным при функциональной магнитно-резонансной томографии (фМРТ) в предопределенных Областях Интереса (ROI). Коэффициенты линейной модели служат основой для количественной оценки функционального сходства между искусственной и биологической системами, позволяя определить, насколько хорошо представления, сформированные моделью, соответствуют наблюдаемым нейронным реакциям. Оценка сходства производится на основе корреляции между предсказанными моделью сигналами фМРТ и фактическими данными, полученными в ходе эксперимента.

Пространство функционального выравнивания нейронной сети обладает структурированной геометрией, отражающей взаимосвязи между различными функциями.

Декодирование динамических представлений посредством анализа глубины

Для анализа представления стимулов на различных слоях нейронной сети используется подход, моделирующий слой-за-слоем вложения как динамический процесс. Данный метод, названный Depth-wise Network Dynamics, позволяет выявить стабильные представления стимулов по мере их распространения вглубь сети. В рамках данной модели, состояние каждого слоя рассматривается как точка в многомерном пространстве, а изменение состояния слоя при обработке стимула — как траектория в этом пространстве. Анализ динамики этих траекторий позволяет отследить, как информация о стимуле трансформируется и сохраняется на разных уровнях иерархии сети, обеспечивая количественную оценку стабильности представления стимула в процессе вычислений.

Динамическое разложение мод (DMD) представляет собой метод анализа, позволяющий выделить устойчивую моду, характеризующую вычисления, специфичные для стимула. В рамках данной методики, временные ряды активаций нейронной сети преобразуются в линейный оператор, который затем подвергается разложению на собственные векторы и собственные значения. Наиболее значимое собственное значение и соответствующий ему собственный вектор идентифицируют доминирующую моду, отражающую стабильную траекторию активации в ответ на конкретный стимул. Это позволяет количественно оценить поток информации внутри сети, обеспечивая надежную меру, устойчивую к шуму и вариациям во времени. Выделенная мода представляет собой наиболее важный компонент динамики сети, отвечающий за обработку данного стимула.

Анализ учитывает функцию гемодинамического ответа (HRF) для согласования динамики искусственных нейронных сетей с временными характеристиками сигналов фМРТ. Функция HRF описывает задержку и форму отклика гемодинамических процессов на нейронную активность. В рамках данного анализа, динамика искусственных моделей конволюционируется с типичной функцией HRF, что позволяет сопоставить временные рамки искусственных вычислений с наблюдаемыми изменениями кровотока, регистрируемыми методом фМРТ. Это обеспечивает более точную интерпретацию соответствия между моделями и данными нейроимиджинга, учитывая, что фМРТ измеряет не саму нейронную активность, а ее косвенные гемодинамические проявления.

Распределение SNCI в коре головного мозга специфично для каждой модальности обработки информации.

Оценка согласованности между моделями и наборами данных

Для оценки обобщающей способности разработанного инструмента NFAS (Neural Feature Alignment Score) проводилась проверка на нескольких общедоступных наборах данных фМРТ. В частности, использовались датасеты Narratives, содержащие данные мозговой активности, связанные с восприятием историй, Algonauts 2021, включающий данные о когнитивных процессах, и The Little Prince, представляющий собой данные о переживаниях, вызванных прослушиванием аудиокниги. Такой подход позволил установить, насколько стабильны и воспроизводимы полученные результаты при использовании различных типов данных и сценариев, что является критически важным для подтверждения надёжности и универсальности метода NFAS в нейронаучных исследованиях.

Разработанный Индекс Согласованности Сигнала и Шума (SNCI) позволяет количественно оценить согласованность между различными моделями при анализе функциональной активности мозга. Полученный коэффициент силуэта, равный 0.995, свидетельствует о высокой степени кластеризации и надежности результатов, несмотря на архитектурные различия между используемыми моделями. В основе SNCI лежит агрегация данных с использованием семи функциональных сетей мозга, определенных в рамках системы Yeo-7, что позволяет учитывать сложность нейронных взаимодействий и повышать точность оценки согласованности между различными подходами к анализу данных фМРТ.

Исследование продемонстрировало широкую применимость разработанного Индекса Консистентности Сигнала и Шума (SNCI) к разнообразным моделям машинного обучения. SNCI был успешно протестирован на моделях семейства BERT, кросс-лингвальных трансформаторах и Wav2Vec 2.0, что подтверждает его универсальность. Анализ выявил, что среднее косинусное расстояние между представлениями, полученными из различных модальностей (например, текста и звука), составляет 0.060, в то время как внутримодальные расстояния значительно меньше — всего 0.0004. Статистический анализ PERMANOVA с p-значением менее 0.001 подтвердил значимость полученных различий, указывая на то, что SNCI эффективно различает представления, полученные из разных источников информации.

Исследование, представленное в статье, демонстрирует стремление к установлению более глубокой связи между искусственным интеллектом и человеческим мозгом. Авторы предлагают новый подход — Neural Functional Alignment Space (NFAS), позволяющий сопоставлять динамику представлений в нейронных сетях с динамикой мозга, используя fMRI данные в качестве опорной системы координат. Этот метод позволяет выявить структурированную геометрическую организацию в различных архитектурах и модальностях, что, в свою очередь, открывает возможности для более эффективного анализа и интерпретации работы искусственных систем. Как отмечал Ян Лекун: «Машинное обучение — это, прежде всего, поиск закономерностей в данных». Именно этот поиск закономерностей и лежит в основе NFAS, позволяя увидеть, как искусственные сети представляют информацию, сопоставимо с тем, как это делает мозг.

Куда двигаться дальше?

Представленный подход, оперирующий с пространством функционального выравнивания (NFAS), открывает, казалось бы, простую, но сложную задачу: понять, насколько «похожи» внутренние представления искусственных и биологических нейронных сетей. Однако, стоит признать, что текущая реализация — лишь первый шаг. Ключевым ограничением остаётся зависимость от специфических наборов данных и архитектур, что затрудняет обобщение результатов. Необходимо исследовать, как различные типы стимулов и задач влияют на структуру NFAS, а также разработать метрики, позволяющие сравнивать пространства, полученные для разных мозговых областей и искусственных сетей.

Особенно важным представляется расширение инструментария для оценки надёжности полученных выравниваний. Индекс согласованности сигнал/шум (SNCI), безусловно, полезен, но его адекватность в различных условиях требует дальнейшей проверки. Возможно, стоит обратиться к методам, заимствованным из теории информации, для более точной оценки информационного содержания выравниваний и отсеивания артефактных соответствий. В конечном счёте, вопрос заключается не только в том, есть ли соответствие, но и в том, насколько оно значимо.

В перспективе, NFAS может стать основой для разработки новых алгоритмов обучения искусственного интеллекта, вдохновлённых принципами организации мозга. Однако, не стоит поддаваться соблазну прямого копирования. Задача заключается не в создании «цифрового мозга», а в понимании фундаментальных принципов когнитивной обработки и использовании этих знаний для создания более эффективных и гибких интеллектуальных систем. Ирония заключается в том, что, стремясь понять мозг, мы неизбежно углубляем наше понимание и самих себя.

Оригинал статьи: https://arxiv.org/pdf/2603.00793.pdf

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

Смотрите также:

2026-03-04 04:39