Семь секретов человеческого мозга, которые помогут создать более осознанный ИИ

Современный искусственный интеллект способен за секунды решить сложную медицинскую задачу, сдать профессиональный экзамен или написать тысячи строк кода. Но поставьте рядом с ним обычного домашнего кота — и обнаружится парадокс. Кот с крошечным по сравнению с вычислительными системами мозгом мгновенно ориентируется в незнакомой комнате, оценивает расстояние до шкафа и корректирует прыжок в полёте. При этом его мозг потребляет всего несколько ватт энергии. Современный ИИ напоминает калькулятор на стероидах: он силён в вычислениях, но взаимодействие с физическим миром даётся ему непросто. Чтобы научиться прыгать, как кот, машине недостаточно прочитать миллионы описаний прыжков. Ей нужно воспринимать пространство, предсказывать последствия действий и учиться на опыте.

А что, если следующий прорыв произойдёт не благодаря ещё более мощным процессорам, а благодаря принципам работы мозга? Учёные уже исследуют несколько направлений, в которых биология становится источником инженерных идей.

В чём разница мышления?

Мозг и искусственный интеллект решают некоторые похожие задачи, но устроены принципиально по-разному.

Сравнение условное: ИИ — не одна машина, а семейство технологий. Некоторые модели уже обрабатывают текст, изображения, звук и видео одновременно. Но мозг сохраняет важные преимущества: энергоэффективность, адаптацию к меняющейся среде и способность учиться на сравнительно небольшом количестве примеров. Как приблизить машины к этим возможностям? Для начала стоит посмотреть на технологии, вдохновлённые природой.

1. Нейроморфные чипы: процессор по образцу мозга

Обычные компьютеры обмениваются данными между памятью и вычислительными блоками. Мозг устроен иначе: обработка информации распределена по сети нейронов и синапсов, а активность многих нейронов возникает только при необходимости. Нейроморфная инженерия переносит некоторые из этих принципов в электронику. Такие чипы, как Intel Loihi и IBM TrueNorth, создавались для работы с нейроноподобными сетями и событиями. Вместо постоянных однотипных вычислений отдельные элементы могут активироваться в ответ на сигналы.

Представьте датчик, который замечает движение на дороге. Ему не всегда нужно заново анализировать каждый пиксель, если изменился лишь небольшой участок. Обработка событий позволяет реагировать на изменения и потенциально экономить энергию. Это полезно для роботов, автономных датчиков и устройств с батарейным питанием. Но нейроморфные чипы не гарантируют тысячекратного снижения энергопотребления в любой задаче: результат зависит от алгоритма, оборудования и характера нагрузки.

2. Импульсные нейронные сети: цифровая азбука Морзе

Большинство популярных нейросетей обрабатывает информацию с помощью численных операций. Биологические нейроны передают сигналы электрическими импульсами — спайками, причём значение имеет и время их возникновения. Импульсные нейронные сети, или SNN (Spiking Neural Networks), пытаются использовать этот принцип. Их можно сравнить с азбукой Морзе: важны не только сигналы, но и их последовательность, интервалы и характер активности.

Зачем это нужно? Роботу, который должен увернуться от летящего предмета, важно реагировать на изменения в реальном времени, а не каждый раз запускать тяжёлый цикл обработки всей сцены. SNN могут быть эффективны там, где важны временные закономерности, быстрая реакция и низкое энергопотребление. Однако это пока не универсальная замена привычным нейросетям: обучение импульсных сетей сложнее, а преимущества зависят от конкретной задачи и аппаратной платформы.

3. Непрерывное обучение: как не забывать старое, осваивая новое

Представим, что ИИ научился играть в шахматы, а затем его стали обучать шашкам. При определённой организации обучения новые знания могут ухудшить результаты на старой задаче. Это явление называется катастрофическим забыванием.

Мозг тоже не обладает идеальной памятью, но способен осваивать новые навыки, сохраняя значительную часть прежних. Учёные пытаются перенести эту гибкость в искусственные системы. Один из подходов — синаптическая пластичность: изменение силы связей между нейронами в зависимости от опыта. В алгоритмах непрерывного обучения оценивают, какие параметры важны для прежних задач, и ограничивают их чрезмерное изменение. Другие методы сохраняют примеры прошлых задач или повторно используют накопленный опыт.

Это не буквальное «цементирование» нейронов, а математические способы защитить знания от потери. Но принцип похож: новое не должно полностью вытеснять старое. Для робота на складе это означает возможность научиться обращаться с новой упаковкой, не утратив навыки работы с прежней. А персональный помощник должен адаптироваться к привычкам пользователя, не забывая полезные знания о мире.

4. Пластичность: мозг не только запоминает, но и перестраивается

Ребёнку не обязательно изучать сто тысяч фотографий, чтобы впервые узнать кошку. Он использует уже накопленный опыт, замечает форму, движение, звук и связь объекта с окружающей обстановкой. ИИ тоже научился эффективнее использовать знания, полученные при предварительном обучении. Но людям часто достаточно меньшего числа примеров. Вероятно, дело в сочетании прошлого опыта, врождённых механизмов, активного исследования среды и способности формировать абстрактные категории. Единственного окончательного объяснения пока нет.

Мозг способен менять не только силу синаптических связей, но и структуру нейронных сетей: некоторые связи возникают, другие ослабевают или исчезают. Эта перестройка особенно заметна в процессе развития, хотя пластичность сохраняется и во взрослом возрасте. Искусственные нейросети также могут менять структуру: исследователи разрабатывают методы добавления, удаления и перестройки связей. Но современные системы ещё не воспроизводят биологическое развитие мозга во всей его сложности.

5. Внимание: искусство не замечать лишнего

Человек может разговаривать в шумном кафе и при этом сосредоточиться на голосе собеседника. Мозг выделяет значимые сигналы, подавляет часть отвлекающих стимулов и меняет фокус в зависимости от ситуации. Похожую идею использует механизм self-attention в архитектуре Transformer. Он помогает модели определять, какие части входной последовательности важны для интерпретации других частей. Благодаря этому ИИ может связывать слова, находящиеся далеко друг от друга в тексте, и сопоставлять элементы информации.

Однако машинное внимание не тождественно человеческому и само по себе не означает сознания или понимания в человеческом смысле. Длинные контексты требуют ресурсов, а избыток информации способен затруднить поиск главного. Поэтому одно из перспективных направлений — гибкое управление памятью: сохранять полезное, отбрасывать несущественное и возвращаться к прошлому опыту, когда он снова понадобится.

6. Эмоции без чувств: зачем ИИ система приоритетов

Страх заставляет человека быстрее замечать угрозу, любопытство побуждает исследовать неизвестное, а удовольствие подкрепляет полезное поведение. Эмоции участвуют в распределении внимания, формировании мотивации и выборе действий. Можно ли дать похожий механизм ИИ? В определённом смысле — да. В робототехнике и обучении с подкреплением существуют внутренние сигналы, помогающие оценивать результат действий, исследовать неизвестное и менять стратегию при появлении риска.

Такие механизмы иногда описывают как искусственные аналоги мотивации или «синтетические гормоны». Например, обнаружив опасность, робот может перейти в более осторожный режим, а при нехватке информации — выбрать действие, которое поможет изучить обстановку. Но называть это настоящими эмоциями было бы преувеличением. У машины может быть алгоритмическая система приоритетов без субъективного переживания страха или радости. Цель инженеров — научить ИИ гибко определять, что важно именно сейчас.

7. Модель мира: учиться не только на данных, но и на последствиях

Мозг постоянно строит предположения о том, что произойдёт дальше. Если человек толкает стакан к краю стола, он ожидает, что тот может упасть. Если мяч летит в его сторону, он заранее оценивает траекторию. Такие прогнозы позволяют действовать, не дожидаясь результата каждого движения. ИИ тоже учится строить модели мира — внутренние представления о том, как устроена среда и как она меняется после действий. Вместо простого распознавания изображения система пытается предсказать дальнейшее развитие ситуации.

Для робота это может означать возможность мысленно сравнить несколько вариантов: потянуть предмет, обойти препятствие или изменить положение руки. Для автономной машины — прогнозировать, как могут двигаться другие участники дорожного движения. Особенно важна связь восприятия и действия. Получив обратную связь от реального мира или симулятора, система может уточнять свои прогнозы и улучшать поведение. Это не гарантирует человеческого понимания физики, но приближает ИИ к гибкому взаимодействию с окружением.

Что мы пока не умеем?

Мозг объединяет зрение, слух, осязание, память и движение в общую картину мира. ИИ уже способен обрабатывать несколько типов данных одновременно, однако согласованное понимание ситуации остаётся сложной задачей. Модель может описать предмет на изображении, но ошибиться в прогнозе того, как он поведёт себя при падении.

Мы также не знаем всех принципов, благодаря которым мозг учится на малом количестве примеров, формирует абстрактные понятия и переносит навыки из одной ситуации в другую. Поэтому самый продуктивный путь — не буквальная копия мозга, а сочетание отдельных принципов: событийной обработки, экономии энергии, адаптивной памяти, пластичности, внимания и обучения через взаимодействие с миром.