Владимир Георгиевич Редько, докт.физ. -мат.наук, проф., зам. директора. по науке Центра оптико-нейронных технологий НИИ системных исследований РАН, Москва
Мне кажется, что сегодня важно как следует разобраться, каковы механизмы памяти отдельного нейрона и нейронной сети. Обычно в компьютерном или математическом моделировании специалисты в области теории нейронных сетей используют гипотезу Хебба: вес синапса изменяется, если одновременно активны преси-наптический и постсинаптический нейроны. Это позволяет строить модели обучения нейронных сетей. Но у многих специалистов эта гипотеза вызывает сомнения. И целесообразно понять, каковы реальные механизмы памяти и как эти механизмы могут быть воплощены в компьютерные и математические модели.
На мой взгляд, для того, чтобы существенно продвинуть науки о мозге, нужны серьезные междисциплинарные исследования на стыке биологии, информатики и когнитивных наук. Очень интересно поставить и исследовать проблему эволюционного происхождения мышления и интеллекта. Целесообразно исследовать когнитивную эволюцию, эволюцию познавательных способностей биологических организмов; исследовать, как и почему произошли способности человека, обеспечивающие научное познание природы. Подход к исследованию когнитивной эволюции изложен в моей статье «Задача моделирования когнитивной эволюции», доступной по адресу: www.wsni2003.narod.ru/RedkoP.zip . Проблема происхождения мышления и интеллекта интересна и ученому, и просто образованному человеку. Исследования этой проблемы могут радикально повысить престиж науки.
Михаил Сергеевич Бурцев, канд. физ. -мат.наук, лаборатория нейробиологии памяти, отдел системогенеза, НИИ нормальной физиологии им. П.К.Анохина РАМН; отдел математического моделирования нелинейных процессов и синергетики, Институт прикладной математики им. М.В. Келдыша РАН, Москва
Очевидно, что результаты обучения животных должны быть в большинстве случаев эволюционно полезными; тем более поразительно то, что современная нейробиология до сих пор не имеет удовлетворительной теории, объясняющей, почему обучение адаптивно. Правило Хебба и основанное на нем правило пластичности, зависящей от времени спайка (spike-timing dependent plasticity, STDP), порождают синхронизацию нервных клеток, но не дают адаптивности. Теория обучения с подкреплением феноменологически описывает процесс обучения на поведенческом уровне, но не дает возможности перейти на уровень механизмов. Выход из этого тупика может дать теория функциональных систем, разработанная в первой половине ХХ в. выдающимся советским нейрофизиологом П.К. Анохиным. Теория говорит, что поведение и обучение направлены на достижение результатов, адаптивность которых проверена естественным отбором в эволюции, что позволяет непротиворечиво увязать физиологический, поведенческий и эволюционный уровни.
Чтобы лучше понять процесс обучения, нам необходимо исследовать самые простейшие биологические системы, способные это деалать. Такой моделью может быть почвенная нематода, состоящая из 900 клеток, треть которых — нейроны, или культура нервной ткани in-vitro. Как показали работы последних лет, сети живых нейронов способны обучаться даже вне мозга — в пробирке. Преимущество изучения формирования адаптивных нейрональных сетей в культуре в том, что такая модельная система более удобна для воздействия и наблюдения, чем целостный организм. Думаю, что область исследования обучения в культурах нейронов будет развиваться и позволит сделать открытия, которые существенно изменят наши знания о работе мозга.
Что же нам даст понимание принципов обучения, увязывающих клеточный и системный уровни? Это не только откроет новые пути к расширению интеллектуального потенциала человека через улучшение обучения и памяти, но и позволит создать новый класс адаптивных искусственных систем. Не старомодные системы искусственного интеллекта, ограниченные узкоспециализированными системами, и не искусственные нейронные сети, неспособные быстро и эффективно решать неожиданные задачи, — появятся системы, которые можно назвать «умными». Умные системы будут обладать целенаправленным поведением, способностью самостоятельно распознавать проблемные ситуации и оперативно находить альтернативные пути получения требуемого результата. Подобные умные системы станут основой для появления нового поколения автономных роботов и компьютерных программ.
