Как массивный параллелизм обеспечивает большую продуктивность человеческого мозга, чем у компьютера
Автор: Ликун Луо
Мозг – весьма сложный орган, у людей он состоит из около 100 миллиардов нейронов, что в свою очередь составляет порядка 100 триллионов соединений. Его часто сравнивают с другой сложной системой, обладающей огромными возможностями для решения проблем: цифровым компьютером. И мозг, и компьютер содержат большое количество элементарных блоков — нейронов и транзисторов, соответственно, — которые соединены в сложные схемы для обработки информации, передаваемой электрическими сигналами. На глобальном уровне архитектуры мозга и компьютера похожи друг на друга: отдельные цепи для ввода информации, вывода, модуля центральной обработки и памяти.
У кого больше возможностей для решения задач – у мозга или у компьютера? Учитывая быстрое развитие компьютерных технологий в последние десятилетия, можно предположить, что компьютер имеет преимущество. Действительно, компьютерам в последние годы удалось победить людей-мастеров в сложных играх, таких как шахматы в 1990-х и совсем недавно в Го, а также в соревнованиях по энциклопедическим знаниям. На момент написания статьи, однако, люди одерживают победу над компьютерами в многочисленных реальных задачах — от идентификации велосипеда или конкретного пешехода на людной городской улице до плавной доставки чашки горячего кофе к губам — не говоря уже о концептуализации и творчестве.
Так почему компьютер хорош в определенных задачах, а мозг лучше в других? Это сравнение является весьма полезным как для компьютерных инженеров, так и для неврологов. Подобные исследования начались на заре современной компьютерной эры, они нашли отражение в небольшой, но глубокой книге эрудита Джона фон Неймана под названием «Компьютер и мозг», который в 1940-х годах впервые разработал компьютерную архитектуру, до сих пор являющуюся основой большинства современных компьютеров.
Компьютер имеет огромные преимущества перед мозгом в точности основных операций. Машина может представлять величины (числа) с любой требуемой точностью в соответствии с битами (двоичные цифры или 0 и 1), назначенными каждому числу. Например, 32-разрядное число имеет точность 1 в 232 или 4,2 миллиарда. Эмпирические данные свидетельствуют о том, что большинство величин в нервной системе (например, частота возбуждения нейронов, которая часто используется для представления интенсивности стимулов) имеют вариабельность в несколько процентов из-за биологического шума, в результате значение в миллионы раз хуже компьютера.
Профессиональный теннисист может следить за траекторией мяча, который подается со скоростью до 160 миль в час.
Однако вычисления, выполняемые мозгом, не являются ни медленными, ни неточными. Например, профессиональный теннисист может проследить траекторию теннисного мяча после его подачи со скоростью до 160 миль в час, перейти к оптимальному месту на корте, расположить свою руку и повернуть ракетку, чтобы отбить мяч на площадку соперника, всего за несколько сотен миллисекунд. Более того, мозг может выполнять все эти задачи (с помощью контролируемого им тела) с потреблением энергии примерно в десять раз меньше, чем у компьютера. Как ему это удаётся? Важное различие между компьютером и мозгом заключается в способе обработки информации в каждой системе. Компьютерные задачи выполняются в основном последовательными шагами. Это видно по тому, как инженеры программируют компьютеры, создавая последовательный поток инструкций. Для этого последовательного каскада операций необходима высокая точность на каждом шаге, поскольку ошибки в такой системе накапливаются и усиливаются. Мозг также использует последовательные шаги для обработки информации. В примере с теннисным мячом информация поступает из глаза в мозг, затем в спинной мозг, который даёт команду на сокращение мышц ног, туловища, рук и запястья.
Но мозг также использует массивную параллельную обработку информации, используя преимущества большого количества нейронов и большого количества соединений, которые устанавливает каждый нейрон. Например, движущийся теннисный мяч активирует множество клеток в сетчатке, называемых фоторецепторами, работа которых заключается в преобразовании света в электрические сигналы. Эти сигналы затем передаются многим различным типам нейронов в сетчатке параллельно. К тому времени, когда сигналы, исходящие из фоторецепторных клеток, проходят через два-три синаптических соединения в сетчатке, информация о местоположении, направлении и скорости шарика извлекается параллельными нейронными цепями и передается мозгу. Аналогично, моторная кора (часть коры головного мозга, которая отвечает за волевое моторное управление) посылает команды, чтобы контролировать сокращение мышц в ногах, туловище, руках и запястье, так что тело и руки находятся в положении для отбивания летящего мяча.
Эта массивно параллельная стратегия возможна потому, что каждый нейрон собирает входящие данные и посылает выходные сигналы многим другим нейронам — в среднем порядка 1000 на нейрон у млекопитающих (напротив, каждый транзистор имеет только три узла для ввода и вывода всего вместе). Информация от одного нейрона может доставляться множеством параллельных путей. В то же время многие нейроны, которые обрабатывают одну и ту же информацию, могут объединять свои вводные данные с другим последующим нейроном. Это последнее свойство особенно полезно для повышения точности обработки информации. Например, данные, представленные отдельным нейроном, могут содержать шумы (скажем, с точностью 1 к 100). Взяв среднее значение входных данных от 100 нейронов, несущих одну и ту же информацию, общий нейрон-партнер ниже по течению может представлять информацию с гораздо более высокой точностью (в данном случае около 1 к 1000).
Компьютер и мозг также имеют сходства и различия в системе обработки элементарных единиц. Транзистор использует цифровую цифровую, которая использует дискретные значения (0 и 1) для представления информации. Пик в нейрональных аксонах также является цифровым сигналом, поскольку нейрон либо запускает, либо не запускает пики в любой момент времени, и когда они запускаются, все пики имеют приблизительно одинаковый размер и форму; это свойство способствует надежному распространению пика на большие расстояния. Однако нейроны также используют аналоговую систему, которая использует непрерывные значения для представления информации. Некоторые нейроны (как и большинство нейронов в нашей сетчатке) не излучают информацию вовне, и их выходной сигнал передается с помощью градуированных электрических сигналов (которые, в отличие от пиков, могут непрерывно варьироваться по размеру), и в результате передавать больше информации, чем пики. Принимающая сторона нейронов (прием обычно происходит в дендритах) также использует аналоговую сигнализацию для интеграции огромного количества входящих данных, что позволяет дендритам выполнять сложные вычисления.
Ваш мозг в 10 миллионов раз медленнее, чем компьютер
Еще одно существенное свойство мозга, которое явно играет роль в примере с теннисным мячиком, состоит в том, что связи между нейронами могут быть изменены в ответ на активность и опыт — процесс, который, по общему мнению, нейробиологов, лежит в основе обучения и памяти. Повторное обучение позволяет нейронным цепям лучше настраиваться для выполняемых задач, что значительно повышает скорость и точность.
В последние десятилетия инженеры черпали вдохновение для совершенствования компьютерного дизайна именно в системах работы мозга. Принципы параллельной обработки и зависящая от использования модификация силы соединения нашли своё отражение в структуре современных компьютеров. Например, массивный параллелизм — использование нескольких процессоров (ядер) в одном компьютере — является современным трендом в компьютерном проектировании. Другой пример – «машинное обучение» в области искусственного интеллекта, которое в последние годы имеет большой успех, привело к значительному прогрессу в распознавании объектов и речи в компьютерах и мобильных устройствах. Как и в визуальной системе млекопитающих, в машинном обучении используются несколько слоев для представления все более абстрактных признаков (например, визуального объекта или речи), и вес связей между различными уровнями корректируются с помощью обучения, а не разрабатываются инженерами. Эти последние достижения расширили спектр задач, которые способен выполнять компьютер. Тем не менее, мозг обладает превосходной гибкостью, обобщаемостью и способностью к обучению, чем превосходит современный компьютер. По мере того, как нейробиологи раскрывают все больше секретов мозга (чему, в свою очередь, помогает использование компьютеров), инженеры будут и дальше вдохновляться работой нашего главного органа для дальнейшего совершенствования архитектуры и производительности компьютеров. Независимо от того, кто выйдет победителем в решении конкретных задач, эти достижения, несомненно, будут способствовать развитию как нейробиологии, так и компьютерной инженерии.
Ликун Луо — профессор Школы гуманитарных и естественных наук, также преподававший нейробиологию в Стэнфордском университете. Автор хотел бы поблагодарить Итана Ричмана и Цзина Сюн за критические замечания и Дэвида Линдена за экспертное редактирование.
Оригинал: Nautilus
