Нейронные вычисления
Нейронные вычисления (англ. neural computation) — это обработка информации, осуществляемая сетями нейронов. Нейронные вычисления связаны с философским направлением, известным как компьютативная теория разума, или компьютативизм, согласно которому именно нейронные вычисления объясняют когнитивные процессы. Первыми, кто предложил рассматривать активность нейронов как вычислительный процесс, были Уоррен МакКаллок (Warren Sturgis McCulloch) и Уолтер Питтс (Walter Pitts) в своей знаковой работе 1943 года «A Logical Calculus of the Ideas Immanent in Nervous Activity» (Логическое исчисление идей, присущих нервной активности).
Современные нейронные вычисления развиваются в сторону нейроморфных систем и биокомпьютинга, а понимание нейрона смещается от простого сумматора к сложной вычислительной единице.
Нейронные вычисления, в частности, изучаются посредством создания моделей нейронных вычислений.
Существует научный журнал, посвящённый этой тематике — Neural Computation.
Работы с искусственными нейронными сетями (ИНС) являются подразделом области машинное обучение. Исследования в области ИНС в определённой степени были вдохновлены знаниями о нейронных вычислениях[1].
История развития
Эволюция концепции нейронных вычислений включает несколько ключевых этапов:
- Зарождение (1943—1958) — создание математической модели нейрона Уорреном Мак-Каллоком и Уолтером Питтсом (1943), а также разработка перцептрона Фрэнком Розенблаттом (1957—1958), ставшего первой обучаемой моделью[2].[3]
- «Зима искусственного интеллекта» (с 1969 года) — период спада интереса к нейросетям после публикации работы Марвина Минского и Сеймура Паперта, математически доказавших ограничения однослойных перцептронов[2].[4]
- Возрождение (1974—1980-е годы) — разработка и внедрение алгоритма обратного распространения ошибки, позволившего эффективно обучать многослойные нейросети[3].[2]
- Развитие специализированных архитектур (1990-е годы) — появление свёрточных нейронных сетей для компьютерного зрения и рекуррентных сетей (включая LSTM) для обработки последовательностей[4].
- Эра глубокого обучения (2006—2017) — создание алгоритмов глубокого обучения, прорыв в распознавании образов (AlexNet, 2012), появление генеративно-состязательных сетей (GAN, 2014) и архитектуры Transformer (2017)[4].[2]
- Масштабирование и мультимодальность (2018—2023) — развитие крупных языковых и мультимодальных моделей на базе трансформеров (BERT, GPT-3, GPT-4, Claude, Gemini)[3].[5]
- Современный этап — разработка квантовых нейронных сетей, энергоэффективных нейроморфных вычислений, имитирующих работу биологического мозга, и гибридных систем, сочетающих нейросетевые подходы с символическим искусственным интеллектом[4].
Теоретические основы
Выделяют три основных направления компьютативизма: классицизм, коннекционизм и вычислительная нейронаука. Все три направления исходят из того, что когнитивные процессы — это вычисления, однако они расходятся во взглядах на то, какими именно вычислениями являются когнитивные процессы. Классицизм предполагает, что вычисления в мозге являются цифровыми, подобно тому, как это реализовано в цифровых вычислительных системах. Коннекционизм и вычислительная нейронаука не требуют, чтобы вычисления, реализующие когницию, обязательно были цифровыми. Вместе с тем, эти направления существенно различаются по поводу того, на каких экспериментальных данных следует строить объяснительные модели когнитивных феноменов: коннекционисты опираются на поведенческие данные, в то время как вычислительная нейронаука использует нейроанатомические и нейрофизиологические сведения для построения математических моделей, объясняющих когнитивные процессы[1].
При сравнении трех основных направлений компьютативной теории разума, а также различных возможных форм вычислений в мозге, полезно дать общее определение вычислений. Под вычислением понимается обработка информации (иначе говоря, переменных или сущностей) по определённому набору правил. Правило в данном контексте — это инструкция, предписывающая выполнить определённую манипуляцию с текущим состоянием переменной для получения требуемого результата. Другими словами, правило указывает, какой результат должен быть получен при данном входе вычислительной системы. Вычислительная система — это механизм, компоненты которого должны быть функционально организованы для обработки информации в соответствии с заданным набором правил. Вид обрабатываемой вычислительной системой информации определяет, какие именно типы вычислений она выполняет. В когнитивных науках традиционно выделяют два типа вычислений, связанных с деятельностью нейронных сетей: цифровые и аналоговые, при этом в большинстве теоретических работ преобладает цифровое понимание когниции. Вычислительные системы, осуществляющие цифровые вычисления, организованы таким образом, чтобы выполнять операции над последовательностями цифр с учетом типа и положения каждой цифры в строке. Существует точка зрения, что передача сигналов нейронами в виде последовательностей спайков реализует некую форму цифровых вычислений, поскольку нейронный спайк можно представить как дискретную единицу — подобно 0 или 1: нейрон либо генерирует потенциал действия, либо нет. Следовательно, последовательности нейронных спайков можно рассматривать как строки из цифр. С другой стороны, аналоговые вычислительные системы производят манипуляции с непрерывными, недискретными переменными, то есть с сущностями, изменяющимися непрерывно во времени. Такие операции описываются системами дифференциальных уравнений[1].
Интеграция биокомпьютинга в компьютативную теорию разума привела к формированию «биологического вычислительного подхода». В рамках этого подхода вычисления в мозге не рассматриваются как абстрактное манипулирование символами или программное обеспечение, работающее поверх аппаратного обеспечения; в живых системах алгоритм является самим физическим субстратом, а познание неотделимо от его реализации. Теоретическое обоснование подхода базируется на трех ключевых свойствах биологических вычислений: гибридности (мозг сочетает дискретные события с непрерывной динамикой), неделимости (причинно-следственные связи проходят через множество уровней одновременно, стирая границу между алгоритмом и физическими компонентами) и метаболической основе (жесткие энергетические ограничения формируют архитектуру адаптивного интеллекта)[6]. В практическом плане эти идеи реализуются в концепции «органоидного интеллекта» — использовании 3D-культур клеток человеческого мозга, что позволяет изучать когнитивные функции в контролируемой среде вне живого организма[7][8].
Смена парадигмы: сложность нейрона
Суть смены парадигмы в нейронных вычислениях заключается в пересмотре роли отдельной клетки мозга. На протяжении десятилетий считалось, что когнитивные способности зависят в первую очередь от количества нейронов и связей между ними, а сам нейрон работает как простой сумматор входящих сигналов, передающий их по принципу «включено-выключено». Однако исследования показали, что отдельный нейрон коры головного мозга функционирует как самостоятельная многоуровневая вычислительная система, способная выполнять операции, сопоставимые по сложности с работой целой глубокой искусственной нейросети. Клетка обрабатывает и комбинирует данные с помощью сложных внутренних процессов ещё до того, как информация распространится по всей сети[9].
Сравнение отдельного биологического нейрона и глубоких искусственных нейронных сетей:
| Параметр | Биологический нейрон | Искусственная нейронная сеть |
|---|---|---|
| Вычислительная сложность | Один нейрон обладает вычислительными возможностями, сравнимыми с работой целой глубокой нейросети[9]. | Для имитации поведения одного сложного биологического нейрона требуется глубокая и многоуровневая искусственная сеть[9]. |
| Внутренняя архитектура | Имеет сложное строение: разветвлённую древовидную структуру дендритов и специфические электрические свойства для анализа сложных комбинаций информации[9]. | Строится из упрощённых базовых элементов, работающих по принципу простых переключателей, которые объединяются в огромные сети[9]. |
| Распознавание образов | Отдельная клетка способна самостоятельно обрабатывать сложную информацию и дифференцировать изображения (например, отличать кошек от собак)[9]. | Для выполнения аналогичных задач требуется работа целой глубокой нейросети[9]. |
| Эффективность обучения | Обучается эффективнее при ограниченном числе образцов, быстро адаптируясь и реорганизуя свою активность в ответ на обратную связь[10]. | Алгоритмы глубокого обучения часто требуют миллионы шагов обучения для улучшения результатов[10]. |
Нейроморфные вычисления и новые архитектуры
На основе биологических прототипов разрабатываются новые архитектурные подходы в искусственном интеллекте. Среди них выделяются дендритные нейросети, копирующие структуру дендритов человеческого мозга, в которых несколько узлов совместно участвуют в кодировании различных категорий[11]. Импульсные (спайковые) нейронные сети (SNN) моделируют естественные процессы передачи сигналов с помощью разнесённых по времени коротких импульсов, обучаясь за счёт динамического переназначения синапсов[12]. Также применяется контроллер артикуляции на основе модели мозжечка (CMAC) — нейронная сеть, использующая локальные аппроксимации и разделение входного пространства на гиперкубы для формирования итогового выхода[13].
Для реализации подобных архитектур создаются специализированные нейроморфные процессоры. Компания Intel разработала экспериментальные спайковые чипы Loihi 2, содержащие более миллиона искусственных нейронов на кристалле и поддерживающие открытый фреймворк Lava. Процессор IBM TrueNorth включает 4096 ядер-«нейросинапсов» (1 миллион нейронов и 256 миллионов синапсов), обеспечивая высокую энергоэффективность в задачах компьютерного зрения. В свою очередь, BrainChip Akida представляет собой коммерческий нейроморфный ускоритель с поддержкой обучения моделей непосредственно на чипе (on-chip learning) и сверхнизким энергопотреблением[14].
Развитие нейроморфных вычислений сопровождается попытками создания «осознанного ИИ» — автономных и проактивных систем, способных адаптироваться без ручного вмешательства[15][16]. Для этого внедряются метакогнитивные структуры — алгоритмы, имитирующие способность осознавать собственные задачи, оценивать эффективность их выполнения и симулировать «мышление о собственном мышлении»[15]. Однако развитие таких систем сталкивается с рядом ограничений. Главным из них является иллюзия сознания: искусственный интеллект не имеет внутреннего субъективного опыта, поэтому его «самосознание» остаётся лишь сложной симуляцией[15]. Кроме того, существуют технические барьеры, такие как пределы эффективности традиционных нейросетей в абстрактном мышлении, проблемы с обобщением данных и неспособность к точным символьным вычислениям[16].
Биокомпьютинг
В 2026 году в Сингапуре был запущен первый коммерческий биокомпьютерный дата-центр. Проект реализован при участии Национального университета Сингапура (NUS), оператора дата-центров DayOne и стартапа Cortical Labs[17][18].
Установка представляет собой серверную стойку из 20 вычислительных блоков, каждый из которых содержит около 800 тысяч выращенных в лаборатории клеток человеческого мозга. В основе технологии лежит интеграция живых нейронов с кремниевой электроникой: клетки размещаются на чипе с микроэлектродной матрицей, которая передаёт им электрические импульсы и считывает реакцию. Алгоритмы машинного обучения анализируют ответы нейронов, формируя цикл обратной связи. Жизнедеятельность клеток поддерживается специальными системами, контролирующими подачу питательных веществ, температуру и состав газовой смеси[19][20][21][22].
Главным преимуществом биокомпьютеров является их колоссальная энергоэффективность по сравнению с кремниевыми аналогами. Один биологический модуль потребляет около 25–30 Вт, а серверная стойка — порядка 800–1000 Вт, тогда как традиционные стойки для задач искусственного интеллекта могут требовать до 100 кВт мощности[19][20][23].
На текущем этапе биологические нейросети применяются для решения базовых задач адаптации и распознавания образов, а также способны обучаться игре в видеоигры (например, Pong и Doom). В перспективе такие системы планируется использовать для создания энергоэффективного искусственного интеллекта и в биомедицинском моделировании — для тестирования лекарств и изучения неврологических заболеваний[22][21][24].
Этические и правовые аспекты
В сфере нейронных вычислений на живых клетках наблюдается существенный недостаток специализированного правового регулирования. В большинстве юрисдикций отсутствуют профильные регуляторы, напрямую контролирующие создание и использование нейральных органоидов. Текущие законы в сфере биотехнологий не охватывают уникальные риски молекулярных вычислений, оставляя пробелы в вопросах безопасного масштабирования, патентоспособности биологических систем хранения данных и прав собственности на самовоспроизводящиеся системы. Кроме того, остаются нерешёнными вопросы этического статуса церебральных органоидов и химерных организмов. В частности, нет чётко сформулированных правовых принципов для манипуляций с ними, а особую озабоченность вызывают трансплантация человеческих нейронов в мозг животных и гипотетическая возможность обретения органоидами зачатков сознания[25][26][27].