Литмир - Электронная Библиотека
Содержание  
A
A

Каждый нейрон связан с от 1 000 до 400 000 других нейронов. Это дает нам больше 8 квдрлн постоянно меняющихся соединений. Если рассматривать везикулы[5] как транзисторы, то наш мозговой компьютер содержит 400 квдрлн транзисторов. (См. приведенную ниже иллюстрацию.)

Наш мозг представляет собой супер-супер-суперкомпьютер или, точнее говоря, миллиарды микрокомпьютеров, соединенных в сложнейшую сеть, состоящую из сетей, которые в свою очередь состоят из сетей, и т. д. Каждая нервная клетка сама по себе функционирует как маленькая сеть. Чтобы сохранить новую информацию или навык, нам не нужны новые нейроны – достаточно создать новые соединения. И значительная часть процессов по созданию новых, разрыванию ненужных и восстановлению поврежденных соединений происходит у нас во время сна.

До недавнего времени считалось, что эти соединения во многом похожи на медные провода, которые передают электрические сигналы между клетками быстро (со скоростью около 400 км/ч), но пассивно. Однако оказалось, что эти «провода» функционируют вовсе не пассивно. Они регулируют поток сигналов, некоторые из них могут отправлять обратно и в целом активно участвуют в обработке информации{9}. Это делает общую, совокупную вычислительную мощность нашего мозга и вовсе непостижимой для нашего ума (извините за парадокс!). В таблице ниже приведены основные численные характеристики этой удивительной сети.

Мозг освобожденный. Как предотвратить перегрузки и использовать свой потенциал на полную мощь - i_002.png
Мозг освобожденный. Как предотвратить перегрузки и использовать свой потенциал на полную мощь - i_003.png

Для тех, кому интересно, коротко расскажу, как клетки мозга передают друг другу информацию. В ходе этого объяснения также станет понятно, каким образом нейрон способен функционировать одновременно как компьютер и как химическая фабрика. Нейроны получают информацию, обрабатывают ее и передают другим нейронам. Сигнал, производимый нейроном, передается другому нейрону через аксон (от греческого слова «ось»). Сигнал проходит по аксону как электрический ток. Аксоны могут иметь длину от нескольких микрометров, если соединяют близлежащие нейроны, до полутора метров, как те, которые доставляют информацию в большой палец ноги. Аксон разветвляется на конце, чтобы соединиться с дендритами (от греческого слова «дерево», поскольку по виду они действительно напоминают ветвящуюся крону дерева) других нейронов.

Места контактов между нейронами называются синапсами (от греческого слова «застежка»). Однако кончики аксонов и дендритов прилегают друг к другу не вплотную, между ними имеется узкое пространство – синаптическая щель. Поступающий по аксону электрический сигнал воздействует на пузырьки-везикулы, расположенные на кончиках отростков, и запускает в них выработку химических веществ (нейромедиаторов). Когда этот процесс завершается, везикулы открываются и выбрасывают эти вещества в синаптическую щель. Химические вещества достигают противоположной мембраны и поглощаются ее рецепторами. Там они запускают различные виды химических реакций, которые вызывают либо возбуждение, либо торможение нейрона. Этот нейрон, в свою очередь, может выработать свой электрический сигнал, чтобы передать информацию другим нейронам.

Таким образом, протекающий в синапсах процесс никак не является пассивной передачей электрического импульса, как это происходит на стыке двух медных проводов. Каждый синапс преобразует электрический сигнал в химический и обратно. Он функционирует как система сложных передатчиков, которая активно влияет на сигнал: усиливает или ослабляет его – в том числе и под влиянием других сигналов, исходящих от соседних нейронов. Синапс также может посылать сигналы обратной связи к телу нейрона. И весь этот процесс занимает около миллисекунды.

Короче говоря, каждый синапс похож на микросхему, состоящую из множества транзисторов-передатчиков. Тысячи синапсов-микросхем функционируют как микропроцессорная система, которая вместе с другими компонентами клетки превращает каждый нейрон в настоящий компьютер.

Нейроны тоже не передают сигналы пассивно. В зависимости от специализации нейрона, поступающие на его рецепторы химические вещества могут запускать различные виды биохимических реакций. В конечном итоге эти реакции могут порождать новый электрический сигнал и передавать его по аксону сети других нейронов.

Все 160 млрд клеток головного мозга находятся в активном рабочем режиме. Вместе они выполняют десятки тысяч задач одновременно, без какого-либо центрального контроля и даже без сознательного участия с нашей стороны. В этой гигантской сложнейшей сети нет центрального пункта управления, где принимались бы все решения. Частично такую функцию выполняют так называемые «биологические часы», которые синхронизируют триллионы операций. Это то, что ИТ-специалисты называют распределенными вычислениями, только с таким уровнем сложности, который при современном уровне развития техники кажется недостижимым.

Еще одна потрясающая особенность нашего мозга – его удивительная надежность: он практически безотказен. Мы можем потерять множество клеток в результате естественного старения или из-за травмы. Но это не нанесет ущерб всей системе. Возможно, такая способность объясняется тем, что наш мозг непрерывно программирует и перепрограммирует себя, создает новые связи и перестраивает старые. Благодаря этому он способен изменять и исцелять себя сам, особенно когда мы спим. Эти процессы происходят постоянно в масштабах отдельных клеток или групп клеток, но даже большие части мозга могут брать на себя функции других его частей. Это тоже пока недостижимая мечта для ИТ-специалистов. Ведь один неисправный транзистор в компьютере может вывести из строя весь микропроцессор{10}.

Если вы хотите узнать больше об этой особенности нашего мозга, прочитайте увлекательную книгу Нормана Дойджа «Пластичность мозга» (The Brain That Changes Itself){11}.

Короче говоря, наш главный рабочий инструмент – головной мозг – это самый фантастический компьютер, который только можно себе представить. Его возможности настолько ошеломительны, что их пока что не под силу осознать самому человеческому мозгу. В таблице я привожу для сравнения данные по нейронному компьютеру SpiNNaker, самому продвинутому симулятору мозга на нынешний момент. Невероятно, но факт: создатели компьютера, моделирующего на самом примитивном уровне не более 1 % нашего мозга, гордятся, что разработанные по индивидуальному заказу микросхемы потребляют всего 1 Вт электроэнергии каждая, и что весь компьютер в законченном виде будет потреблять всего 50 000 Вт. Вес же его – чуть больше 400 кг{12}. Следовательно компьютер, примитивно моделирующий человеческий мозг, должен быть размером с огромный ангар, весить 40 000 тонн и потреблять столько мегаватт электроэнергии, сколько вырабатывают три мощные АЭС. А заключенный в нашей черепной коробке комок мозгового вещества, обладающий несоизмеримо большей вычислительной мощностью, весит чуть больше килограмма и потребляет всего 30 ватт. Согласитесь, человеческий мозг – поистине удивительный и уникальный феномен!

3.2. Мозг – это не машина, состоящая из отдельных частей, а сложнейшая сеть из множества сетей и подсетей

Сегодня у исследователей есть современные методы нейровизуализации (такие как магнитно-резонансная томография, компьютерная томография и др.), позволяющие наблюдать за активностью мозга живого человека. Раньше, когда такой возможности не было, ученые рассматривали головной мозг как машину, состоящую из отдельных частей, каждая из которых выполняет конкретную функцию. Естественно, они пытались определить, за что отвечает та или иная часть мозга. Например, 175 лет назад Поль-Пьер Брока обнаружил, что у людей, страдавших афазией (нарушением понимания и генерации речи), был поврежден конкретный участок коры головного мозга, который впоследствии был назван центром Брока.

вернуться

5

Маленькие внутриклеточные пузырьки, защищенные мембраной, в которых запасаются или транспортируются питательные вещества. – Прим. ред.

вернуться

9

Nonlinear dendritic integration of sensory and motor input during an active sensing task. Ning-long Xu, Mark T. Harnett, Stephen R. Williams, Daniel Huber, Daniel H. O’Connor, Rarel Svoboda & Jeffrey C. Magee; Nature 492. 247–251 (13 December 2012).

Dendrites. Yuh-Nung Jan and Lily Yeh Jan. Genes & Dev. 2001. 15: 2627–2641.

Dendritic computation. Michael London and Michael Häusser. Annual Review of Neuroscience. Vol. 28: 503–532.

Active dendrites: colorful wings of the mysterious butterflies, Daniel Johnston, Rishikesh Narayanan, Trends in Neurosciences. Volume 31. Issue 6. June 2008, pp. 309–316.

Dendritic spikes enhance stimulus selectivity in cortical neurons in vivo. Spencer L. Smith, Ikuko T. Smith, Tiago Branco & Michael Häusser. Nature. Letter 27 October 2013.

Orientation and Direction Selectivity of Synaptic Inputs in Visual Cortical Neurons: A Diversity of Combinations Produces Spike Tuning, Cyril Monier, Frédéric Chavane, Pierre Baudot, Lyle J. Graham, Yves Frégnac, Neuron. Volume 37, Issue 4. February 20 2003, pp. 663–680.

Wave Propagation Along Spiny Dendrites. Paul C. BressloffWaves. Neural Media. Lecture Notes on Mathematical Modelling in the Life Sciences 2014, pp. 101–136.

вернуться

10

Machine, heal thyself, Build yourself a brain, Paul Marks, New Scientist. February 16, 2013.

вернуться

11

Paul Marks, Computer that heals itself uses nature’s randomness to work. New Scientist, Volume 217, Issue 2904, 16 February 2013, p. 21.

вернуться

12

SpiNNaker: A 1-W 18-Core System-on-Chip for Massively-Parallel Neural Network Simulation. S.B. Painkras, E.; Plana, L.A.; Garside, J.; Temple, S.;Galluppi, F.; Patterson, C.; Lester, D.R.; Brown, A.D.; Furber, Solid-State Circuits, IEEE Journal of, Issue Date: Aug. 2013, http://ieeexplore.ieee.org/xpls/icp.jsp?arnumber=6515159.

Power analysis of large-scale, real-time neural networks on SpiNNaker. Evangelos Stromatias, Francesco Galluppi, Cameron Patterson and Steve Furber. 2013. neuromorphs.net. https://www.neuromorphs.net/nm/raw-attachment/wiki/2013/uns13/Power_analysis_of_large_scale_real_time_neural_networks_on_SpiNNaker.pdf

Improving the Interconnection Network of a Brain Simulator. Jonathan Heathcote. 2013 http://jhnet.co.uk/misc/phdFirstYearReport.pdf

SpiNN aker: A 1-W 18-Core System-on-Chip for Massively-Parallel Neural Network Simulation. Painkras, E.; Plana, L.A.; Garside, J.; Temple, S.; Galluppi, F.; Patterson, C.; Lester, D.R.; Brown, A.D.; Furber, S.B. Solid-State Circuits, IEEE Journal of, Issue Date: Aug. 2013.

6
{"b":"272793","o":1}