Подобная математическая проблема оптимизации решается с помощью так называемого линейного программирования, позволяющего наилучшим образом использовать ограниченные ресурсы (в нашем случае – ограниченное число распознающих модулей) для представления всех примеров, на которых отрабатывалась модель. Метод линейного программирования был разработан для систем с одноразмерными входными параметрами, и это еще одна причина, по которой она оптимально подходит для описания линейной последовательности входных сигналов. Мы можем использовать этот математический подход для создания компьютерных программ, и хотя реальный мозг ограничен имеющимися физическими связями, которые он распределяет между распознающими модулями, метод тем не менее очень похожий.

Важным результатом подобной оптимизации является то, что постоянно встречающиеся образы распознаются, но не приводят к возникновению стойких воспоминаний. На утренней прогулке я пережил множество впечатлений, распознаваемых на всех иерархических уровнях, – от простых видимых углов и теней до более сложных объектов, таких как фонарные столбы, почтовые ящики, люди, животные и растения. Скорее всего, ни один из них не был уникален, и распознанные мной образы уже давно достигли оптимального уровня избыточности. В результате у меня не осталось практически никаких воспоминаний об этой прогулке. Те немногие детали, которые я запомнил, по-видимому, были вытеснены записанными поверх них новыми образами, зарегистрированными мозгом во время следующих прогулок, а эту конкретную прогулку я запомнил лишь по той причине, что написал о ней в книге.

Один важный аспект касательно функционирования нашей новой коры и попыток ее моделирования заключается в трудности одновременного постижения образов, относящихся сразу ко многим понятийным уровням. Вообще говоря, мы можем одновременно осваивать один, максимум два уровня. Если процесс обучения проходит стабильно, мы можем переходить на следующий уровень. Мы можем продолжать более тонкую настройку нижних уровней, но сфокусированы на следующем более высоком уровне абстракции. Это справедливо как в самом начале жизни, когда новорожденный ребенок осваивает основные формы и предметы, так и впоследствии, когда мы осваиваем новые материи – один уровень сложности за раз. То же самое можно сказать и о компьютерном моделировании новой коры. Если машине представлять материал в порядке увеличения абстрактности – за один раз один уровень, машины способны обучаться точно так же, как обучается человек (хотя пока не воспринимают такого множества понятийных уровней).

Выходные сигналы от каких-то распознающих модулей могут идти обратно к образам более низкого уровня или возвращаться к тем же самым образам, что объясняет мощную рекурсивную способность человеческого мозга. Отдельный элемент образа может быть точкой принятия решений для другого образа. Это особенно полезно для списков, в состав которых входят действия: например, нужно взять новый тюбик зубной пасты, если закончился старый. Такие условные зависимости существуют на всех уровнях. Каждый, кто пытался создать компьютерную программу, знает, что условные зависимости – обязательный элемент для описания последовательности действий.

Чтобы суммировать все то, что мы узнали о функционировании новой коры, вернитесь, пожалуйста, к диаграмме «Распознающий модуль новой коры» в начале данной главы (см. рис. 8).

А. Дендриты входят в модуль, распознающий конкретный образ. Даже если образы кажутся двумерными или трехмерными, они представляются в виде одномерных последовательностей сигналов. Чтобы произошло распознавание, образ должен быть представлен в виде такой последовательности. Каждый дендрит связывается с одним или несколькими аксонами распознающих модулей более низкого понятийного уровня, распознавших более простые образы, являющиеся частью данного образа. Для каждого входного сигнала может существовать несколько модулей более низкого уровня, способных генерировать сигналы. Необходимое для распознавания образа пороговое значение вероятности может быть достигнуто даже в том случае, если получены не все входные сигналы. Модуль рассчитывает вероятность присутствия образа, за распознавание которого он отвечает. Этот расчет основан на параметрах «значимости» и «величины» сигналов (см. ниже).

Обратите внимание, что одни дендриты передают сигналы в модуль, а другие – из модуля. Если все дендриты, входящие в распознающий модуль, сигнализируют о том, что распознаны все образы более низкого уровня, за исключением одного или двух, распознающий модуль отправит нисходящие сигналы в модули, ответственные за распознавание этих оставшихся неузнанными образов, с указанием высокой вероятности того, что образ скоро будет распознан и что эти модули более низкого порядка должны быть к этому готовы.

Б. Когда распознающий модуль узнаёт соответствующий образ (на основании активации всех или большинства входных дендритов), активируется выходной аксон этого распознающего модуля. Этот аксон, в свою очередь, может сообщаться со всей сетью дендритов, ведущих ко многим распознающим модулям более высокого порядка, для которых данный образ является входным сигналом. Сигнал и его величина учитываются распознающими модулями следующего уровня.

В. Если распознающий модуль более высокого уровня получает положительные сигналы ото всех или от большинства составляющих образов, за исключением сигнала от данного конкретного распознающего модуля, распознающий модуль более высокого уровня может послать нисходящий сигнал этому модулю, указывая на большую вероятность «ожидания» соответствующего образа. Этот сигнал заставляет распознающий модуль понизить пороговые параметры, в результате чего он с большей вероятностью передает по своему аксону положительный сигнал (что означает, что соответствующий образ распознан), даже если некоторые из входных сигналов отсутствуют или сомнительны.

Г. Ингибирующие сигналы снизу понижают вероятность распознавания модулем соответствующего образа. Это может происходить в результате распознавания на более низком уровне образов, несовместимых с образом, за который отвечает данный распознающий модуль (например, распознавание усов снижает вероятность того, что увиденное мной лицо принадлежит «моей жене»).

Д. Ингибирующие сигналы сверху тоже могут снижать вероятность распознавания образа соответствующим модулем. Это может происходить при распознавании образа более высокого порядка сложности, который несовместим с образом, распознанным данным модулем.

Е. Каждому сигналу соответствует ранее определенный набор параметров, таких как значимость, ожидаемая величина и ожидаемая вариабельность. Распознающий модуль рассчитывает общую вероятность присутствия образа на основании значений всех этих параметров для входных сигналов. Оптимальный математический метод решения данной задачи называется методом скрытых моделей Маркова. Если такие модели организованы иерархическим образом (как в новой коре или в математических моделях, воспроизводящих ее функции), мы называем их иерархическими скрытыми моделями Маркова.

Распознавание корой одних образов запускает распознавание следующих. Частично распознанные образы посылают нисходящие сигналы, полностью распознанные образы – восходящие сигналы. Эти распознанные новой корой образы являются языком мышления. Как и разговорный язык, язык мышления имеет иерархическую структуру, но не является «языком» в обычном понимании. Поначалу наши мысли не выражены словами, однако, поскольку речь тоже формируется в новой коре в виде иерархических образов, у нас бывают и мысли, основанные на языковых образах. Однако по большей части мысли выражаются неязыковыми образами.