Органоидный интеллект

Совершенствование ИИ в настоящее время, главным образом, связано с большими языковыми моделями (LLM), в основе которых лежат нейросетевые алгоритмы. Их достижения впечатляют и хорошо известны. Наряду с очевидными преимуществами (многофункциональность (единый подход решению разных задач), способность к тонкой настройке путём обучения, мультимодальность (способность работать с разнородной информацией)), есть и серьёзные ограничения – задействование огромных вычислительных мощностей и гигантских объёмов обучающих данных, как следствие – большие энергозатраты и низкая (в сравнении с человеческим мозгом) эффективность; непредсказуемость результата (ход «мысли» такого ИИ нельзя реконструировать), а, значит, и принципиальная невозможность гарантировать правильность решения поисковых задач (для которых ответ неизвестен заранее и не может быть проверен независимым способом).

Альтернативный подход – использовать эмуляцию работы мозга или биологические вычисления (биокомпьютинг). Такие вычисления могут, потенциально, быть быстрее, эффективнее и мощнее, чем вычисления на основе кремния, и требовать лишь незначительной (в сравнении с нейросетевым ИИ) доли энергии.

Альтернативный подход последние годы значительно ускорился в развитии. Мотивацию разработчиков «биокомпьютинга» легко понять из таблицы сравнения человеческого и компьютерного интеллектов. Если по быстродействию компьютер уже, практически, догнал человека, то по компактности и энергоэффективности он, всё ещё, сильно уступает.

Однако, говоря о быстродействии, следует понимать, что компьютер быстрее обрабатывает простую информацию, в то время как мозг, по-прежнему, гораздо быстрее в принятии решений на больших крайне гетерогенных и неполных наборах данных и других сложных формах обработки информации (в том числе, связанных с параллельными вычислениями).

Как устроен биокомпьютинг на основе ОИ? Функциональным ядром системы является трёхмерная структура клеточных культур, оптимизированная для масштабируемости, долговечности и «обучаемости» с помощью специальных условий поддержания жизнедеятельности (в том числе, системы микроциркуляции питающего раствора). Потенциал к обучению органоида возникает благодаря «обогащающему отбору» как самих клеток, так и IEG-генов (immediate early gene – ген раннего ответа), критически важных для обучения.

Предусматривается широкий набор входных сигналов – электрические и химические сигналы, синтетические сигналы от машинных датчиков, а также сигналы от естественных сенсоров (например, ретины глаза). Выходные электрофизиологические сигналы с высоким разрешением предполагается получать, проводя измерения с помощью 2-х или 3-х мерных массивов микроэлектродов, MEAs (потенциально, вживляемых в клеточную структуру) и получая изображение структурных и функциональных параметров органоида. Такие сигналы можно использовать как непосредственно для вычислений, так и в качестве биологической обратной связи для совершенствования обучения органоида.

Представленная идея достаточно амбициозна, а насколько она реалистична? На какие уже существующие технологии она опирается, и что предстоит разработать?

Основные достижения биотехнологий, используемые при создании моделей ОИ

1. 3D-органоидная культура

Трёхмерные органоиды создаются на основе стволовых клеток. Помимо нейронов они содержат вспомогательные клетки, которые могут иметь важную роль в процессах обучения и запоминания.

За последнее десятилетие произошёл переход от традиционных монослойных культур к трёхмерным культурам – органоидам, в том числе органоидам мозга. Они могут быть получены либо из эмбриональных стволовых клеток, либо из индуцированных (т.е. перепрограммированных соматических) плюрипотентных стволовых клеток (iPCS). Именно использование технологии iPCS, которая предпочтительна с этической точки зрения, позволило получить органоиды диаметром 500 мкм (100 000 клеток , порядка 800 Мб памяти). Культивирование же органоида размером 3-5 мм требует более 1 года.

Правильная работа нейронных клеток мозга требует специальной «изоляции» аксонов (длинных отростков нейронов) с помощью миелина (миелинизация), что обеспечивает быструю нервную проводимость и защищает целостность аксонов в процессе их жизнедеятельности. Так, в человеческом мозге степень миелинизации составляет 50%, а в искусственно созданных органоидах она уже достигает 40%.

Параллельно идёт работа по обогащению органоидных культур вспомогательными клетками (олигодендроцитами, микроглиями и астроцитами), которые, как предполагается, могут иметь важную роль в процессах обучения и запоминания.

Масштабирование этих трехмерных органоидов - ключевая начальная цель, с созданием органоидов мозга с примерно 10 миллионами нервных клеток.

1. Микрофлюидные перфузионные системы

Микрофлюидные системы, заменяющие сосудистую сеть, обеспечивают контролируемую перфузию кислорода, питательных веществ и факторов роста, а также удаление отходов жизнедеятельности. Они будут иметь решающее значение для масштабируемого и длительного культивирования органоидов мозга

Хотя органоиды мозга могут воспроизводить пространственно-временные молекулярные сигнатуры, сети экспрессии генов, определенные гистоархитектуры (например, паттерн коры головного мозга) и фенотипы нейронов в человеческом мозге, они не отражают его региональную организацию и сложность нейронных сетей до уровней, позволяющих выполнять функции мозга более высокого порядка. Часть сложности человеческого мозга обусловлена его размером и сосудистой сетью, которая поддерживает его рост. Хотя модели сосудистой сети мозга находятся в стадии разработки, большинство органоидных моделей мозга до сих пор остаются бессосудистыми и полагаются на пассивную диффузию для доставки питательных веществ. Таким образом, отсутствие перфузионной (кровоснабжающей) сосудистой сети является основным ограничением для повышения биологической сложности и функциональности, подобной in vivo .

Микрофлюидные системы, заменяющие сосудистую сеть, обеспечивающие контролируемую перфузию кислорода, питательных веществ и факторов роста, а также удаление отходов жизнедеятельности, будут иметь решающее значение для масштабируемого и длительного культивирования органоидов мозга. Эти микрофлюидные системы также будут поддерживать химическую передачу сигналов органоидам. Важно отметить, что трехмерные пространственно-временные микрофлюидные интерфейсы уже сейчас позволяют локализованно дозировать и воспроизводить химические среды с нейротрансмиттерами, нейропептидами и другими нейрохимическими веществами.

1. Считывание сложных нейронных сетей с высоким разрешением

Надежные и воспроизводимые системы для записи электрофизиологических сигналов, поступающих от органоидов мозга, имеют решающее значение для разработки систем ОИ и должны будут решать различные задачи при чтении и записи сложных нейронных узлов.

Как можно практически использовать вычислительную мощность органоидов?

Рассматриваются два способа:

1. Полностью оптический

Позволил бы возбуждать клетку за клеткой и считывать данные со всего органоида (опять же с разрешением по клеткам).

Хотя оптическая визуализация вряд ли является конечной технологией для использования ОИ, она позволяет исследовать поведение системы и виды вычислений, которые могут быть выполнены на начальном этапе. Быстро развивающиеся технологии получения изображений большого объема делают это привлекательным. Такие методы, как голография Бесселя, позволяют получать изображения объемов диаметром в сотни мкм со скоростью кГц с точным разрешением ячейки, если активность относительно невелика. Прямая запись с помощью опсинов (opsins, белки фотосинтеза и зрительные пигменты) также хорошо зарекомендовала себя, и снова используются голографические методы, но скорость записи в ячейку значительно ниже скорости чтения из ячейки. Эти методы доступны немедленно и помогут разработать электрофизиологические системы, необходимые для дальнейшего развития ОИ.

1. Высокопроизводительная электрофизиология

Регистрация генерируемых нейронами электрических сигналов – наиболее естественный и информативный метод информационного взаимодействия с ОИ. Однако, он имеет ряд ограничений.

Возможности электрофизиологической регистрации ограничены эффектом ”темной материи", состоящим в том, что большинство нейронов большую часть времени не активируются (не генерируют электрических сигналов). Таким образом, электрофизиологический канал, чувствительный к считыванию и записи отдельных локальных нейронов, может быть неэффективным: даже самые эффективные зонды “видят” <1% нейронов в пределах диапазона их обнаружения. На практике может быть необязательным достижение синапсного уровня интерпретируемости нейронных систем, если базовые принципы выяснены, эмпирически проверены и используются для управления системой в целом. Так, бионическим имплантатам для людей удалось передать значительную информацию с помощью относительно небольшого количества входных электродов; например, в бионическом глазу использовалось 24 электрода, а в современных слуховых имплантатах используется от 10 до 22. Следовательно, для ввода и вывода данных могут потребоваться разные разрешения.

Память и обучение в органоидах: обучение с использованием биологической обратной связи, больших данных и искусственного интеллекта /машинного обучения

Понимание способности органоидов мозга к обучению имеет фундаментальное значение для определения того, можно ли их использовать в вычислительных целях, используя преимущества биологического обучения. Пока понятны лишь общие принципы того, как можно было бы обучить ОИ.

На данном этапе обучение определяется как повышение частоты проявления и запоминания паттерна реакции на стимулирующий паттерн. Итерацию технологий, описанных выше, предполагается использовать для взаимодействия органоидов и компьютеров с целью запуска симуляций контролируемого обучения. Для достижения этой цели органоиды мозга должны подвергаться воздействию пространственно-временных паттернов электрической и химической стимуляции с соответствующими записями, определяющими взаимосвязи между входными и выходными данными. Для тренировки обучающей системы требуется петля обратной связи. Затем могут быть проанализированы изменения в архитектуре и функциональности органоидов мозга (синаптические связи и электрофизиология), вызванные такими циклами обучения. Эти два фактора влияют на синаптическую пластичность – основной механизм формирования памяти и обучения. Следовательно, зарегистрированные реакции на электрические или химические стимулы должны демонстрировать, может ли происходить обучение в органоидах и каким образом.

Анализ выходных сигналов с помощью ИИ

Система органоид-MEAs будет генерировать массивные наборы данных, которые сами по себе должны быть проанализированы с помощью статистических методов и машинного обучения. Учитывая плотность и объем записи, для этого потребуется новая инфраструктура обработки больших данных и суперкомпьютерные мощности, адаптированные к сложным потребностям этой формы современных биологических данных.

В частности, авторы считают, что необходимо изучить следующие три пути, чтобы связать входные данные ОИ с результатами:

1. Машинное обучение и статистические алгоритмы необходимы для количественной оценки изменений функций органоидов. Это включает в себя: (а) интеграцию датчиков для ускорения обработки данных на основе неконтролируемого обучения и уменьшения размерности, таких как анализ главных компонентов (PCA), независимый компонентный анализ (ICA) и автокодеры, включая иерархические версии; (б) обнаружение сигналов с использованием моделей последовательности и временных рядов (например, пространства состояний), которые часто используются при анализе изображений мозга; (в) распознавание для идентификации реального паттерна сигнала и восстановление его из фоновых шумов.
2. Алгоритмы также необходимы для количественной оценки изменений органоидной архитектуры. Задачи включают точное определение частей органоида, которые реагируют на входные данные, а затем количественную оценку этих изменений путем мониторинга их физического вида.
3. Затем модели должны быть обучены связывать количественные изменения органоидов с выходными переменными с помощью многомерных причинно–следственных моделей. Для ОИ потребуются новые разработки, интегрирующие искусственный интеллект/машинное обучение и как пространственно-, так и временнозависимое причинно-следственное моделирование.

Авторы отмечают, что в случае ОИ использовать напрямую подход с контролируемым обучением, применяемым в случае нейросетей, вряд ли возможно. Чтобы продвинутся в обучении ОИ придётся вернуться к решению некоторых фундаментальных проблем нейробиологии или, даже, физики неравновесных самоорганизующихся систем (ссылка).

Биологические нейронные сети производят функциональное преобразование (вычисление) входных сигналов в выходные в зависимости от многих переменных, главными из которых являются: 1) веса и смещения нейронов; 2) функции активации. Функция активации как в нейросетевых ИИ, так и в ОИ, считается существенно статичной (т.е. данный узел в данное время активируется только при достижении определённого порога). Ключевое отличие ОИ от ИИ состоит в том, что в ОИ веса и смещения динамически меняются, что ведёт к (пока неочевидным для исследователей) изменениям в функционале нейросети.

Объем данных и необходимость в соответствующей обработке значительно возрастут благодаря многочисленным электрофизиологическим сигналам из систем ОИ. Основным аспектом нашей стратегии хранения данных является разработка схемы, напоминающей эксперимент на Большом адронном коллайдере в ЦЕРН, где для обнаружения событий в режиме реального времени используются сложные триггеры, и сохраняются только события с потенциальной ценностью обнаружения, что значительно снижает поток данных для хранения. Мы предполагаем аналогичный событийный способ анализа данных: мы будем посылать отдельные стимулы органоидам мозга, искать скоординированные реакции по многим каналам и сохранять только отдельные события, относящиеся к интересующим интервалам.

Исследователи ОИ собираются использовать многочисленные наработки в области исследования мозга и уже созданные информационные ресурсы для обмена нейроданными: ресурс OpenNeuro (бесплатная открытая платформа для верификации и обмена данными МРТ, ПЭТ, МЭГ, ЭЭГ, в настоящее врем содержит свыше тысячи общедоступных наборов данных); архив DANDI (архив BRAIN Initiative для публикации и обмена нейрофизиологическими данными, включая электрофизиологические, оптофизиологические и поведенческие временные ряды, а также изображениями из экспериментов по иммуноокрашиванию. ); библиотека Brain Image Library (BIL, общедоступный ресурс, позволяющий исследователям хранить, анализировать, добывать, делиться большими наборами данных изображений мозга и взаимодействовать с ними) и многие другие.

Создание крупномасштабного стандартизированного набора экспериментальных данных может быстро улучшить инструменты обработки, обеспечить теоретическое понимание и сгенерировать гипотезы для будущих экспериментов. Интересным модельным подходом является проект Human Connectome Project, в котором использовались стандартизированные подходы к магнитно-резонансной томографии высокого разрешения для создания набора данных золотого стандарта для развивающейся области коннектомики человека. Аналогичные данные и инфраструктура для сообщества ОИ могли бы дать бесценную информацию.

Подводя итог, экосистема больших данных, необходимая для изучения ОИ, потребует:

● Стандартизации экспериментальных данных и метаданных на основе существующих стандартов, таких как BIDS или NWB

● Надежных, воспроизводимых и стандартизированных конвейеров обработки, масштабируемых до больших наборов электрофизиологических данных.

● Эффективного, доступного и открытого хранилища данных, возможно, с использованием существующих облачных архивов, таких как OpenNeuro или DANDI.

● Потенциально, развития мультимодальных наборов данных ОИ

● Создания стандартных справочных наборов данных для сообщества разработчиков

Оптимизированные алгоритмы для взаимодействия органоидов с in silico

Реализация потенциала ОИ требует большего, чем просто сопряжение компьютера с органоидом. В системе ОИ органоид может взять на себя роль воплощенного агента, который взаимодействует с окружающей средой через интерфейс "органоид-in-silico". Для этого потребуются оптимизированные алгоритмы взаимодействия органоид-in-silico, а также исследование теоретических основ обучения и адаптации органоидов на основе литературы по теоретической нейробиологии. Жизнеспособность ОИ зависит от оптимизированных алгоритмов взаимодействия органоидов с in-silico, в дополнение к описанным выше быстрым способам хранения и извлечения данных.

Существует две широкие среды, в которых ОИ может работать: разомкнутый или замкнутый контур:

● Разомкнутый цикл включает подачу информации в клетки и измерение реакции.

● Замкнутый цикл расширяет среду разомкнутого цикла, включая обратную связь с нейронными системами о результате деятельности системы.

Исследование, применение и уточнение эмпирически подтвержденных теорий о том, что в основе своей управляет обучающимся интеллектом, является критическим фактором. К настоящему времени было предложено множество теорий, объясняющих, как на фундаментальном уровне нейронные системы обрабатывают информацию и реагируют на нее.

Первая ветвь теорий фокусируется на том, как организованы нейронные системы, как структурно, так и функционально. Они предлагают рабочие процедуры для анализа органоидов мозга и взаимодействия с ними, предоставляя возможность для оптимизированного ввода и декодирования выходных данных.

Вторая категория теорий “оптимизации” обычно фокусируется на том, как система или агент работает для поддержания гомеостаза в динамичной среде. В целом, этого можно достичь либо за счет максимизации полезности или вознаграждения, либо за счет минимизации неожиданности или неопределенности. Недавно были предприняты попытки объединить эти теории путем изучения лежащих в их основе совместимостей, в первую очередь благодаря предложению принципа свободной энергии, когда система или агент могут делать активные «умозаключения» для построения генеративной модели внешней среды и действовать таким образом, чтобы свести к минимуму разницу между внутренней моделью и воспринимаемым внешним миром. В настоящее время трудно эмпирически проверить многие из этих теорий контролируемым образом, потому что in vivo организмы обладают компенсаторными механизмами, которые затрудняют интерпретацию результатов. ОИ предлагает путь к строго контролируемым экспериментам для эмпирической проверки этих теорий.

В дополнение к фреймворкам для обучения в нейронных системах сообществу ОИ потребуются методы для оценки воплощенного интеллекта; т.е. вычислительные подходы для понимания разумного поведения органоидов как в средах с разомкнутым контуром, так и в средах с замкнутым контуром. Ранее эксперименты in vitro продемонстрировали способность клеточных культур управлять как физическими роботизированными системами, так и моделируемыми видеоиграми. Сообщество специалистов по обучению с подкреплением ИИ разработало огромный ассортимент игр, сред моделирования и физических систем, которые можно адаптировать для оценки ОИ. Особый интерес для сообщества ОИ может представлять область непрерывного обучения или обучения на протяжении всей жизни, где воплощенные агенты оцениваются в процессе обучения, которое происходит в течение последовательности событий (часто называемых “пожизненным опытом”). Такие тестовые среды могут послужить сообществу ОИ, предоставляя важные ориентиры для понимания функциональной активности и обучения органоидов.

Включение сложных биологических входных сигналов в ОИ

В предыдущих разделах описано, как авторы идеи ОИ намерены взаимодействовать с органоидами и компьютерами. Объединение органоидов с различными типами более сложных интерфейсов ввода и вывода стимуляции и записи позволит понять потенциал управления в режиме реального времени. Последствия таких взаимосвязей можно исследовать, начав с двух органоидов мозга, одного со сложными входными и другого со сложными выходными соединениями. Орган чувств, такой как органоид сетчатки, может быть соединен с органоидом мозга. В конечном итоге сети органоидов будут взаимосвязаны для реализации более сложного ОИ. Органоид будет сопряжен с электрическими и жидкостно-чувствительными и простыми выходными устройствами, управляющими машинами посредством биологической обратной связи на клеточном уровне; т. е. давая мозгу контроль над органоидом путем возврата результатов его индуцированных действий.

Соединяя органоиды сетчатки и мозга, можно определить, могут ли сигналы передаваться между этими различными органоидами нейронов и как эта экзогенная биологическая сигнализация будет интерпретироваться органоидом мозга – устанавливая начальную основу межорганоидной коммуникации.

Оценка состояния и перспектив технологии ОИ

Под термин «биологические вычисления» пытаются подогнать самые разнообразные модели (например, ферментативный синтез ДНК для хранения цифровой информации). Под органоидным интеллектом (ОИ) подразумевается зарождающееся прямо сейчас направление, которое распространяет биокомпьютинг на ОИ-вычисления с эмуляцией работы мозга. В основе - самоорганизующаяся 3-х мерная структура из культур клеток мозга человека (органоидов мозга) для хранения и обработки информации, поступающей на её входы.

Гипотетически, биологические вычисления (или биокомпьютинг) могут быть быстрее, эффективнее и мощнее, чем вычисления на основе кремния и ИИ, и требовать лишь незначительной доли энергии. Однако, следует отчётливо понимать, что речь не идёт о полной эмуляции структуры человеческого мозга и его работы. Современные биотехнологии (главным образом, возможность получать из стволовых клеток любые специализированные клетки, в том числе, нейроны мозга) позволяют организовывать конгломераты нейронных (+вспомогательных) клеток – органоидов мозга – для осуществления, в потенциале, высокопроизводительных вычислений. Полная эмуляция, как её предлагал в одном их вариантов достижения сильного ИИ Ник Бостром , ещё долгое время будет за пределами возможностей современных биотехнологий. Сейчас культивирование достаточно примитивных органоидов мозга размером 3-5 мм занимает около года.

Само направление с эмуляцией работы мозга вызывает много вопросов. По сути, эмуляция мозга представляет собой синтез (вернее, компромисс) двух других стратегий достижения сильного ИИ - инструментальный (компьютерный) ИИ и евгеника, создание сверхчеловека (Человек 2.0). Как всякий компромисс, такой подход имеет как достоинства, так и очевидные недостатки.

Решения in-silico (основанные на кремнии компьютерные технологии) имеют вполне понятную логику развития и бурно прогрессирующие аппаратные и алгоритмические средства её реализации. Человек, в значительной степени, направляет и контролирует эти технологии. С другой стороны, работы по изменению природы человека, культивированию сверхспособностей, имеют международно-признанные ограничения (например, запрет на клонирование человека и редактирование его генома), которые периодически нарушались некоторыми изгоями . Так вот, работы по эмуляции мозга и представляют собой попытку взять лучшее из двух подходов, отбросив их ограничения и использовав преимущества.

Действительно, инструментальный ИИ почти всем хорош, за исключением низкой (в сравнении с человеком) энергоэффективности и неспособности (по мнению многих исследователей) стать по-настоящему сознательным (т.е. думать и чувствовать, как человек, иметь субъективные переживания). Если придерживаться физикалистской парадигмы ( уверенности в том, что сознание и мышление полностью определяется работой мозга), то использование синтетического мозга (лишённого индивидуальности конкретного человека) позволяет обойти этические ограничения, сохраняя надежду, что идентичная человеческой структура эмулированного мозга сохранит способность к «субъективным переживаниям».

Итак, идеальная схема использования эмулированного мозга такова: берём за основу продвинутый инструментальный ИИ, со всей разработанной для него периферией взаимодействия с внешним миром (сенсоры и актуаторы). Заменяем горы громоздких и энергозатратных блоков процессоров и памяти на маленький и экономичный синтетический «мозг» и получаем на выходе энергоэффективные сверхбыстрые вычисления + субъективный опыт в виде бонуса.

К этой идеальной схеме есть серьёзные возражения, которые ставят под сомнение заявленные радужные перспективы:

1. Эффективность замены компьютерных процессоров и блоков оперативной/долговременной памяти на органоидный мозг.

• Авторы ОИ-идеи почему-то уверены, что синтетический ОИ, пока лишь отдалённо напоминающий по строению реальный человеческий мозг, станет также быстро и эффективно обрабатывать и хранить информацию, как и «натуральный», причём, делать это предсказуемым образом именно так, как это делает человек. Причины такой уверенности абсолютно непонятны – учёные до сих пор имеют довольно смутное представление о том, как именно мозг «вычисляет», как в нём представлена информация, получаемая через сенсоры от внешнего мира, какие алгоритмы он (мозг) использует.

1. Применимость предлагаемой схемы биокомпьютинга с использованием ОИ для универсальных вычислений

• Предлагается простая схема, имитирующая работу человеческого мозга (в самом первом приближении) – на вход органоида через MEA (матрица микроэлектродов) подаются электроимпульсы, заставляющие ОИ генерировать массивные наборы выходных данных, которые должны быть проанализированы с помощью статистических методов, ИИ и машинного обучения. Сразу возникает вопрос - а что именно предполагается таким способом «вычислять»? У человека, как известно, в коре больших полушарий мозга обрабатываются, после ряда трансформаций в спинном мозге и функциональных отделах самого мозга (типа таламуса и т.п.), электрические импульсы (потенциалы действия), которые представляют собой информационные сигналы, генерируемые сенсорными системами пяти органов чувств . Эти сигналы прихотливым образом закодированы (по интенсивности (частота импульсов) и качеству (номер информационного канала)), давая сложную картину сенсорной области, которую мозг интерпретирует, позволяя нам воспринимать окружающий мир во всём его многообразии. В результате, мозг на основе полученной и переработанной информации выдаёт управляющие сигналы, которые просто интерпретировать лишь в самых тривиальных случаях – например, рефлекторно отдёрнуть руку, коснувшись горячей сковородки либо вскрикнуть, уколовшись шипом розы. Что происходит в мозге между моментом, когда через зрительный канал в него поступает условие написанной на доске задачи, и моментом, когда рука с карандашом записывает в тетради ответ на эту задачу, можно лишь догадываться. Современные методы исследования мозга (электроэнцифалограмма, томограммы на различных физических принципах) дают лишь общее представление об активности тех или иных областей мозга в процессе его функционирования. Да, создание различных нейроинтерфейсов к реальному человеческому мозгу (типа BMI – brain-machine interface, что продвигает Neuralink Илона Маска) уже сейчас позволяет, воздействуя на определённые участки мозга через вживлённый чип, управлять протезом руки или курсором на экране. Но это, как говорится, другое! Это, практически, третий путь – евгеника, создание пост-человека, а вовсе не эмуляция мозга. Здесь все этические проблемы, которых мы надеялись избежать, создавая синтетический мозг, остаются в полный рост! Можно ли, в принципе, создать «универсальный ОИ-вычислитель», типа нейросетевого ИИ, - вопрос, на который авторы идеи ОИ не дают ответа, подменяя его словоблудием насчёт обработки огромных массивов данных на основе машинного обучения. Видимо, авторы вполне осознают эту коллизию, поэтому, в качестве ближайших перспектив своих исследований они называют биомедицинские приложения (им в работе посвящён отдельный раздел), понимая, что, на данном этапе, речь идёт о некоем «протезе мозга», а вовсе не о заявленном перед инвесторами «универсальном вычислителе».

1. Принципиальные вопросы «эмуляции мозга»

Всё обсуждение выше строилось на безусловной основе физикализма – уверенности в том, что строение и физиология мозга полностью определяют его работу, в том числе мышление (и, как следствие, способность к вычислениям) и сознание. И что основной вопрос в рассматриваемой проблеме построения ОИ сводится к тому, как максимально адекватно воспроизвести работу мозга – чем точнее удастся эмулировать сам мозг, тем больше умений и возможностей настоящего мозга мы получим, вплоть до субъективного опыта.

Выводы

1. ОИ разрабатывается в надежде воспроизвести энергоэффективность и когнитивные (в том числе, вычислительные) способности человеческого мозга с использованием последних достижений биотехнологий.
2. Идеи и принципы реализации ОИ, максимально приближенного по функциональным возможностям к человеческому мозгу, понятны, пока, лишь в самых общих чертах. Их практическое воплощение, по мысли разработчиков, потребует усовершенствования существующих технологий и существенного увеличения финансирования работ.
3. Представляется, что, увлекшись техническими деталями воспроизведения строения и физиологии мозга, исследователи упускают из виду принципиальные вопросы, которые могут поставить под сомнение реалистичность всего проекта.
4. Один из таких вопросов связан с тем, а может ли ОИ не просто генерировать управляющие сигналы в ответ на входящие электроимпульсы (подобно тому, как это делает система «компьютер + нейроинтерфейс + человеческий мозг + манипулятор» в проектах И.Маска и не только), но и служить «универсальным вычислителем» подобно нейросетевому ИИ.
5. Вся концепция ОИ, очевидным образом, основана на физикализме, который не является единственным подходом к объяснению мышления и сознания. Если же эта концепция окажется в итоге неверной , то вся идея ОИ, как эмулированного мозга, в значительной мере теряет смысл. Уделом ОИ, в таком случае, окажутся биомедицинские приложения («протез мозга» в стиле И.Маска) и, возможно, сравнительно несложные вычисления, обеспечивающие этот функционал. Ни о каком внутреннем мире, образном мышлении или субъективном опыте говорить, в таком случае, не приходится.
6. На данный момент работы по эмуляции мозга находятся на начальном этапе, когда продвинутые биотехнологии уже позволяют показать инвесторам НЕЧТО и глубокомысленно рассуждать о перспективах, требуя щедрого финансирования