Именно любопытство может делать наш мозг таким сложным

Фото из открытых источников

Как наш мозг стал настолько сложным в процессе эволюции? Ответ может сводиться к любопытству. Исследователи, которые обучали тысячи искусственных нейронных сетей с использованием различных подходов к обучению, обнаружили, что наиболее «любопытные» из них не только демонстрировали более развитые и гибкие когнитивные способности, но и самоорганизовывались в структуры, напоминающие человеческий мозг. Результаты нового исследования были размещены на сервере препринтов bioRxiv.

В таких сетях формировались взаимосвязанные модули, а процесс их развития следовал траектории, характерной для человека: например, на ранних этапах возникало множество плотных нейронных связей, которые впоследствии частично «отсекались». Франческо Поли из Кембриджского университета отмечает, что любопытство принято считать следствием наличия сложного мозга. «А что, если всё наоборот — и именно любопытство помогает формировать структуру мозга?» — задается вопросом ученый.

Чтобы смоделировать процесс обучения у младенцев, Поли и его коллеги собрали данные айтрекинга (отслеживания движений глаз) у 275 детей в возрасте от 8 до 15 месяцев. Младенцам показывали на экране последовательности цветных фигур; при этом объем информации о том, где появится следующая фигура, варьировался. «Положения фигур не были случайными — для каждой из них существовала закономерность, которую можно было усвоить», — поясняет Поли.

Выяснилось, что младенцы крайне чувствительны к тому, сколько информации несут в себе те или иные стимулы. По словам Поли, как только скорость обучения падала ниже среднего уровня, дети теряли интерес к происходящему и начинали искать что-то новое.

Исследовательская группа использовала этот принцип для создания искусственных нейронных сетей с разным уровнем «внутреннего любопытства», после чего предложила им выполнить 20 различных задач. Модели с высоким уровнем любопытства были запрограммированы на немедленную смену задачи, если скорость обучения опускалась ниже определенного порога, в то время как модели с низким уровнем любопытства меняли задачу случайным образом.

Все сети — независимо от их «любопытства» — успешно освоили предложенные им задачи. Однако после завершения обучения «любопытные» модели показали значительно лучшие результаты в тестах, с которыми они ранее не сталкивались. Как отмечает Поли, способность гибко комбинировать различные элементы — важнейшая характеристика сложной человеческой когнитивной деятельности.

Кроме того, у «любопытных» моделей сформировались физические характеристики, напоминающие строение сложного мозга. Исследователи поместили эти искусственные сети в виртуальное трехмерное пространство, смоделированное на основе анатомии человеческого мозга. Затем исследователи принудили нейронные сети выстраивать свои связи более эффективно — они ввели штрафы за соединения на большие расстояния, чтобы имитировать затраты на прокладку длинных связей в реальном мозге.

Сами по себе эти меры не привели к возникновению сложности, однако, когда ученые добавили фактор «любопытства», проявился целый ряд характеристик, свойственных мозгу. В частности, в таких «любопытных» сетях сформировалась иерархическая «модульная» структура: в них появились области с высокой плотностью внутренних связей, которые, в свою очередь, были соединены друг с другом.

Поли также был удивлен, обнаружив особую динамику в «любопытных» нейронных сетях: плотность связей в них сначала возрастала, а затем снижалась. «Мне это показалось странным», — говорит он.

По словам Поли, нечто подобное происходит и в человеческом мозге: в течение первого года жизни количество синапсов — контактов, через которые нейроны обмениваются сигналами, — стремительно растет, а затем наступает фаза «прореживания», в ходе которой ненужные связи исчезают. Исследователь предполагает, что любопытство — стремление выбирать задачи, приносящие максимум новой информации, — может быть «связано с процессом отбора того, что стоит сохранить, а от чего лучше избавиться».

Недавнее, весьма спорное открытие о том, что наш мозг способен создавать новые нейроны даже в зрелом возрасте, заставляет по-новому взглянуть на здоровье мозга у взрослых. Это открывает путь к разработке более эффективных методов лечения инсульта, деменции и депрессии.

Чтобы определить «биологический возраст» каждой нейронной сети, ученые сопоставили динамику плотности связей в них с типичными этапами развития человеческого мозга. Выяснилось, что наиболее «любопытные» сети, по своей структуре напоминающие человеческий мозг, находятся на более зрелой стадии развития — их «возраст» составляет около 20 лет. В то же время сети, в которых отсутствовало сочетание любопытства и правильной конфигурации связей, «застряли» на более раннем этапе — их возраст соответствует примерно 9 годам.

По словам Алирезы Модиршанечи из Гёттингенского университета (Германия), неудивительно, что любопытство повышает эффективность обучения: оно помогает нам не тратить время на задачи, которые либо слишком просты, либо слишком сложны. «Вы стараетесь освоить то, что поддается изучению лучше всего», — поясняет он.

Однако тот факт, что именно любопытство способствует формированию архитектуры мозга, подобной человеческой, — «очень неожиданное открытие», отмечает Модиршанечи. «Если это правда, то заявление весьма серьезное». Он добавляет: важно проверить, не приобретут ли «нелюбопытные» сети схожие характеристики со временем — возможно, просто более медленно, — если предоставить им достаточно времени для обучения.

Поли утверждает, что в ходе выполнения базовых учебных задач «нелюбопытные» сети справлялись ничуть не хуже «любопытных». Следовательно, отсутствие у них сложных когнитивных функций и черт, присущих человеческому мозгу, — это, вероятно, не просто вопрос более медленного обучения. «Думаю, даже если бы у них было больше времени на обучение, результат остался бы примерно таким же, — говорит он. — Именно любопытство кардинально изменило процесс обучения нейросетей».

Как отмечает Поли, эти выводы подчеркивают важную роль любопытства в образовании. По его словам, среда, в которой детей принуждают долгое время заниматься чем-то одним, «может быть контрпродуктивной, особенно на ранних этапах». «Все зависит от того, чего мы хотим добиться. Если для нас ценна способность ребенка сохранять усидчивость и долго работать над одной задачей, то этому нужно учить. Если же мы ценим любопытство и познавательную активность, то, возможно, стоит предоставить детям выбор занятий, а затем — свободу действий в рамках этого пространства», — считает он.

Полученные результаты также вносят вклад в дискуссии о создании гибкого искусственного интеллекта, подобного человеческому. По словам Поли, подавляющая часть исследований в области ИИ сводится лишь к «созданию все более масштабных систем», требующих колоссальных объемов данных и ресурсов. Он утверждает, что для развития сложных когнитивных способностей было бы перспективно создавать «любопытные» системы ИИ, которые обучались бы подобно людям. Тот факт, что в распоряжении эволюции нет бесконечных ресурсов, зачастую становится стимулом для поиска остроумных решений. «Иногда именно такие ограничения помогают нам достичь выдающихся результатов».

Модиршанечи, однако, не уверен, что разработчикам ИИ обязательно стоит менять подход. Он напоминает, что успех больших языковых моделей доказывает эффективность масштабирования. Тем не менее, внедрение принципов любопытства может помочь в создании систем, более «понятных» для человека — например, моделей, которые перед тем, как дать развернутый ответ, задают уточняющие вопросы, чтобы лучше понять намерения пользователя.