Нейроны, разум и сознание
Проблемы построения человеко-машинных систем уже сейчас уперлось в проблему пропускной способности и быстродействия органов чувств и мышечных волокон. Петли обратной связи «внешний раздражитель - нервная система - мозг - нервная системы - мышцы » имеет существенные задержки, измеряемые долями секунд. Кроме того, в ряде случаев в этой петле могут отсутствовать ряд компонент. Например, в результате утери органов чувств или аффеторов, человек теряет способность адекватно взаимодействовать с внешним миром. Одна из перспективнейших попыток преодолеть барьер быстродействия человека и вернуть людям возможность взаимодействовать с окружающим миром это создание человеко-машинных нейроинтерфейсов. Проблемы, связанные с ними рассматриваются в ходе беседы Константина Владимировича Анохина доктора медицинских наук, профессора, руководителя отдела нейронаук НИЦ «Курчатовский институт», члена-корреспондента РАН, член-корреспондента РАМН с Сергеем Петровичем Капицей - советским и российским учёным-физиком, просветителем, телеведущий, главным редактором журнала «В мире науки», вице-президентом РАЕН.
Click to viewВ настоящее время, модели, построенные на нейронных сетях, очень широко распространены в программах распознавания образов, а первые образцы искусственных аналогов компонентов нервной системы - персептроны - появились еще в конце 40-х годов XX века.
1. Так работает персептрон. После многократного повторения процесса обучения букве 'А' и 'усвоения' курса обучения систему 'настраивают' на букву 'Б' и т. д. Источник http://roboticslib.ru/books/item/f00/s00/z0000002/st034.shtml
Эти же технологии используются при построения нейроинферфесов с целью распознавания паттерна активности клеток мозга. В основе конструкции этих приборов, лежит принцип фиксации электрической активности мозга и «обучение» на основе этой активности нейронной сети. После «обучения», нейронная сеть станет способной распознавать ту мысленную команду, которой вы ее обучили, а нейроинтерфейс - реагировать соответствующим образом.
2. Чисто технически, технология достаточно простая и может быть сделана "на коленках". Вот этот обруч надевается на голову, а электронные компоненты - это датчики электрической активности мозга, усилители и аналогово-цифровые преобразователи. Источник https://habr.com/ru/company/neuronspace/blog/262357/
Но проблема подобных нейроинтерфейсов в том, что для каждой мысленной команды требуется длительное обучение. Что это значит? Искусственная нейронная сеть состоит из связанных элементов - нейронов, каждый из которых может быть реализован программно или аппаратно.
3. Нервная клетка - нейрон - совсем не похожа на искусственную - маленькие электронные устройства, имитирующие некоторые ее простейшие функции. Источник http://roboticslib.ru/books/item/f00/s00/z0000002/st007.shtml
Нейрон имеет множество входов (синапсов) и один выход (аксон). Сигнал на его выходе появится тогда, когда взвешенная сумма сигналов на входе превысит определенный порог. То есть, каждый входной сигнал имеет свой вес, который может быть положительным - возбуждающим и отрицательным - тормозящим, и как только возбуждение достигнет порогового уровня, нейрон сгенерирует выходной сигнал.
4. Источник http://datareview.info/article/eto-nuzhno-znat-klyuchevyie-rekomendatsii-po-glubokomu-obucheniyu-chast-2/
На входы нейронов сигналы поступают от других нейронов сети или непосредственно от входного датчика. Всего используются сети, состоящие из многих тысяч нейронов, имеющих миллионы связей.
5. Типовая многослойная нейронная сеть, натренированная на распознавание образа кота. Источник https://homes.cs.washington.edu/~bornholt/post/nnsmt.html
Так вот обучение нейронной сети и заключается в подборе весов всех входных сигналов всех нейронов и порогов их срабатывания таким образом, чтобы при поступлении образа на вход, сеть правильно его классифицировала. Чисто технически, обучение очень похоже на задачу многопараметрической оптимизации параметров, когда критерием оптимальности будет минимальная вероятность ложной классификации. А поскольку число параметров в такой задаче очень много (веса входов, пороги, функции возбуждения, количество нейронов, топология сети....), то время обучение очень большое. Кроме того, необходим большой массив классифицированных образов.
6. Общая структура обучения нейронной сети. Источник https://neuronus.com/theory/nn/238-obucheniya-nejronnoi-seti.html
Например, для классической задачи «найти кота на фото» требуется во-первых большой массив входных образов помеченных как «кот есть» и «кота нет», большие вычислительные ресурсы и время. Конечно, если вы зайдете в AWS SageMaker или Azure ML, то обучение выполнится относительно быстро, ведь «внутри» сервиса для вас выделится целый вычислительный кластер с мощными GPU на борту и соответствующей стоимостью.
Для человеко-машинного нейроинтерфейса обучение будет состоять в том, что вы тренируете нейронную сеть для каждой мысленной команды. Например команда «включить» вы мысленно повторяете много раз, фиксируя правильные распознавания. В обычном состоянии, сонном, уставшем, в состоянии мигрени и т.д. Снова и снова повторяете ее. Чем больше нейросеть, и чем больше повторений (до определенного предела, после которого наступает «переобучение» сети), тем точнее будут выполняться ваши мысленные команды.
7. У писателя-фантаста Александра Беляева есть роман, в основу которого положена возможность управления сознанием других людей и чтения их мыслей путем использования радиоволн. Но это крайнее упрощение электромагнитных процессов, сопровождающих функционирование мозга. Источник https://www.litres.ru/aleksandr-belyaev/vlastelin-mira-41260486/
Достаточно просто сделать и натренировать кибернетический протез, управляемый мыслью и выполняющий одно действие, например сгибание пальцев. А вот если требуется управление многоканальным объектом, включая точное управление интенсивностью движений, то время обучения нейроинтерфейса существенно возрастает. Кроме того, возрастает сложность нейронной сети, распознающей все эти команды. В общем, пока что несмотря на очень большой прогресс в этой области, нейроинтерфейсы пока не получили широкого распространения. Но эта безусловно перспективнейшая область, будет развиваться и далее.
Спасибо за внимание!