Ребекка Шварцлоуз – Ландшафты мозга. Об удивительных искаженных картах нашего мозга и о том, как они ведут нас по жизни (страница 46)

Вторая трудность связана со сбором информации об активности во всем мозге. Вспомните, что смысл отображается одновременно во многих частях мозга. И поэтому информация от одного конкретного нейрона или одной конкретной зоны мозга лишь ограниченно полезна для чтения мыслей. В настоящий момент лучшей технологией для мониторинга активности всех нейронов во всем мозге является фМРТ. Дополнительное преимущество метода в том, что он безопасен и не требует вскрытия черепа. Но он не позволяет получить четкий сигнал от каждого конкретного нейрона. Лучшее, чего можно ожидать, это усредненный сигнал от сотен тысяч соседних нейронов в разных частях мозга. Это важная информация, но это менее четкий сигнал, чем тот, который регистрируется при прослушивании нейронов через вживленные в мозг электроды. Кроме того, стоимость оборудования ограничивает возможность использования фМРТ для чтения мыслей в широком масштабе. А еще эти аппараты громоздкие и стационарные и поэтому бесполезны для помощи людям в каждодневной жизни.

Третья трудность связана с уникальностью каждого конкретного мозга. Технология чтения мыслей, разработанная для оптимального прочтения моих мыслей на основании детальной микроструктуры карт моего мозга, окажется бесполезной для чтения ваших мыслей. Никакая технология не подойдет для массового применения, если нужна команда ученых, чтобы разобраться, как подгонять ее для каждого отдельного случая. Однако теперь для преодоления этой трудности есть решение: искусственный интеллект или, точнее, раздел исследований в области искусственного интеллекта, называемый машинным обучением. Суть идеи машинного обучения заключается в следующем. Вместо того чтобы обучать компьютерную программу многим вещам, чтобы она стала умнее, ей дают возможность учиться самостоятельно, а затем обеспечивают доступ к большому объему данных. Обучаясь методом проб и ошибок на многочисленных примерах, программа сможет находить лучшее решение задачи или выявлять важнейшие детали в многопараметрическом клубке информации. Такие программы становятся мощным и распространенным элементом многих технологий, которыми мы пользуемся, – от поисковых программ в интернете до программ распознавания голоса. Они великолепно находят ключевые элементы, спрятанные в массивах данных.

Программы машинного обучения жадны и всеядны. Они заглотят все, что мы им предложим, и в любом количестве. Они учатся предсказывать погоду на основании спутниковых данных для сегодняшнего дня, предвидеть популярность новых продуктов исходя из объема предыдущих продаж или находить первые признаки заболевания по результатам сканирования. Чем более близкие по смыслу данные мы в них закачиваем, тем лучше они обнаружат и предскажут события, когда мы представим им нечто новое, например, результаты сканирования нового пациента, которому еще не поставлен диагноз. В конечном итоге, возможно, диагностическая и предсказательная способность программы превзойдет способность ее создателя. И вот тогда программа станет по-настоящему полезной. Тогда мы сможем обращаться к программе за постановкой диагноза или за ответом на вопрос, стоит ли брать зонт при выходе из дома.

Для чтения мыслей машинное обучение обладает особенным преимуществом, поскольку преодолевает главное препятствие: нахождение особенностей в отображении вещей и явлений каждым конкретным мозгом. В результате оно помогает сэкономить время и подогнать технологию чтения мыслей для применения на новом мозге без привлечения к работе ученых, чей труд стоит дорого. Программу машинного обучения, натренированную распознавать состояния мозга на основании измерений его активности, называют декодером. Вне зависимости от того, зарегистрирована ли активность с помощью электродов или аппаратов для МРТ, результатом всегда являются числа, много-много чисел. Некоторые числа показывают, в какой части мозга производилось измерение. Другие отражают частоту спайкования нейронов или изменения кровотока при изменении активности нейронов. Суть в том, что декодеры учатся на больших массивах данных. Они не знают и не задумываются о том, что эти числа означают: это может быть процесс разрастания лесов, продажа хот-догов или активность мозга. Функция декодера состоит лишь в том, чтобы найти в массивах данных полезный рисунок.

Самое быстрое обучение декодера происходит при помощи мозга, который и подлежит прочтению. Процесс начинается с того, что “владелец” мозга приступает к какой-то деятельности, например, выполняет ряд движений или зрительно представляет себе что-то по команде. Декодер анализирует активность мозга при выполнении каждого такого действия. По сути, выполняя действия по команде, мозг показывает декодеру, как его следует читать. Этот странный факт имеет несколько следствий. Одно из них заключается в том, что чтение мыслей происходит не мгновенно даже при помощи декодера; для обучения всегда требуется время или примеры, как в случае машинного обучения. Другое следствие состоит в том, что декодирование наиболее успешно происходит при сотрудничестве и терпении того самого мозга, который читают. Это важно, поскольку затрудняет чтение мыслей того, кто этого не желает.

Допустим, машинное обучение помогает в той или иной степени преодолеть третью трудность в чтении мыслей, но какие решения существуют для первой и второй проблем? В частности, как достичь компромисса между отчетливой регистрацией отдельных нейронов и одновременной регистрацией многих нейронов во всем мозге? Выясняется, что машинное обучение – столь мощный инструмент, что он позволяет получить достаточно хороший результат с разными компромиссными условиями. Один путь заключается в использовании паттернов активности, собранных с помощью фМРТ. Каждое измерение методом фМРТ дает усредненные показатели активности сотен тысяч нейронов. Но если дать декодеру достаточное количество примеров таких паттернов, когда участник исследования находится в состоянии X или Y, программа выявляет тонкие связи между бесчисленными параметрами мозга в этих двух состояниях и позволяет распознать их природу.

Вооружившись этим методом, ученые уже больше десяти лет используют фМРТ для чтения мыслей. Основываясь на паттерне активности, выявленном при сканировании мозга человека с помощью фМРТ, ученые довольно точно могут узнать, какого рода предмет из небольшого круга вариантов этот человек рассматривает, воображает, вспоминает или пытается удержать в рабочей памяти в данный момент времени[270]. В одном исследовании изучали даже содержание снов; на основании активности зрительной коры мозга человека во время сна ученые с точностью около 60 % определяли, снился ли человеку, скажем, другой человек, улица, машина или какой-то другой объект[271].

Технология декодирования не ограничивается извлечением из мозга образов увиденных или воображаемых предметов. Декодировать можно все, что человек чувствует и представляет себе или о чем он думает. В одном исследовании в процессе проведения МРТ людям давали слушать музыку или речь[272]. Декодер, натренированный на паттернах активности их мозга, на основании активности нейронов на карте звуковых частот A1 и других слуховых отделов височной коры расшифровывал, какой именно звук речи человек слышал в конкретный момент времени. Тренируя новый декодер по-другому на тех же результатах сканирования, ученые смогли разобрать, чей голос слышал человек. В других исследованиях была продемонстрирована возможность установить, чувствует ли человек боль, понять смысл слов, которые он читает (из набора в 60 слов), какое действие совершил или совершает в игре и выигрывает он или проигрывает[273]. И это лишь несколько примеров экспериментов с применением декодеров к сканам мозга, которое становится распространенным методом исследований.

В нескольких экспериментах ученые пытались воспроизвести то, что видит человек, находящийся в аппарате для фМРТ, исходя исключительно из активности его мозга. Это гораздо труднее, чем определить, в каком из нескольких состояний находится мозг. Выбрать нужно не из двух, десяти или даже шестидесяти возможностей, а почти из бесконечного их числа. В рамках нескольких смелых проектов эту задачу решали путем сочетания программы машинного обучения с тоннами информации, полученной нейробиологами в ходе экспериментов по определению свойств нейронов зрительной карты V1[274]. Сначала программы тренировались на паттернах активности зрительных карт V1 участников исследований, а затем пытались воспроизвести другие рисунки или формы, которые видели люди, основываясь только на активности их мозга. Учитывая сложность задачи, были получены весьма впечатляющие результаты, хотя они все еще недостаточно точно воссоздают то, что видит человек.

Воспроизведение того, что видит человек, на основании активности его мозга представляет научный интерес, но не имеет очевидного практического смысла. Гораздо дешевле и проще узнать, на что смотрит человек, если повернуть голову и проследить за его взглядом. Однако чтение мыслей может приносить понятную и реальную пользу. Вероятно, самым очевидным применением результатов наблюдения за активностью мозга является установление того, говорит ли человек правду. Во многих исследованиях с помощью метода фМРТ были выявлены различия в активности мозга в ситуациях, когда люди лгут и когда говорят правду[275]. Эти различия тонкие и изменчивые, но в некоторых случаях их достаточно, чтобы при сканировании выявить ложь. Появились коммерческие предприятия, которые используют фМРТ для выявления лжи в парах влюбленных, у наемных работников и даже людей, обвиняемых в совершении преступления.