Гонсало де Полавьеха, нейробиолог: «Мы склонны следовать за немногими, кто принимает четкие решения, как среди данио-рерио, так и среди людей».

Гонсало де Полавьеха (56 лет, Мадрид) встревожен легкомыслием, с которым многие люди высказывают своё мнение по любому вопросу, не ведая, что делают. Нейробиолог, получивший образование в Оксфорде и Кембридже, имеющий докторскую степень по квантовой физике и постдокторантуру по математической нейробиологии, он находится в отпуске в CSIC и руководит Лабораторией математики поведения и интеллекта в Фонде Шампалимо в Лиссабоне, где исследует организацию групп животных, включая людей. Он говорит осторожно, стараясь избегать ошибок, применяя ту же дисциплину, с которой изучает нейронные цепи. После интервью он задаётся вопросом, были ли его ответы адекватны темам, в которых он не чувствует себя экспертом.

В недавнем докладе на летних курсах Международного университета Менендеса Пелайо (UIMP) в Сантандере под названием « Применение ИИ в нейронауке и поведении » он представил свою работу с данио-рерио ( Danio rerio ) – животной моделью, которая всё чаще используется в биомедицине и нейронауке. Прозрачность данио-рерио на ранних стадиях развития позволяет нам наблюдать за работой мозга; его нервная система, состоящая примерно из 100 000 нейронов, достаточно проста для комплексного изучения и имеет более 80% общих генов с человеческими. Всё это делает его ценным инструментом для понимания того, как нейронная активность преобразуется в наблюдаемое поведение, такое как обучение, исследование и принятие решений.

Вопрос: Что вас воодушевило во взаимодействии нейронауки и искусственного интеллекта (ИИ)?

Ответ: Моя карьера началась с квантовой химии , но меня всегда привлекала биология. Поскольку у меня проблемы с запоминанием, я увлекся математикой, которая позволяет мне сжимать информацию. Во время постдокторской работы в Кембридже я смог сделать шаг в сторону нейронауки и с тех пор пытаюсь понять её с помощью простых математических моделей.

Проблема в том, что в биологии задачи очень сложны, и именно здесь ИИ полезен , хотя и рискует предложить вам решения, которые вы не понимаете. Для меня главное, чтобы наука не просто решала конкретную задачу, но и позволяла вам обдумывать следующие эксперименты. Именно поэтому мы используем ИИ в задачах, где понимание не является обязательным, например, для отслеживания животных. Но когда дело доходит до понимания процессов, нам нужна более прозрачная математика. Я годами размышлял над тем, как этого добиться.

В. Разве не парадоксально пытаться разгадать хитросплетения работы мозга, используя ИИ , который мы не до конца понимаем ?

A. Традиционный ИИ предсказывает, но не объясняет. Чтобы помочь нам понять, его нужно упростить. В моём случае я преобразую нейронные сети [цифровые алгоритмы, моделирующие работу биологических нейронов] в более интерпретируемые модули и проверяю, продолжают ли они предсказывать таким же образом. Моделирование означает понимание, а это требует абстракций: мы ищем не копию мозга, а скорее представления, позволяющие нам мыслить о нём.

Эта простота стратегическая, а не реальная, но это единственный способ продвинуться в понимании столь сложных систем.

В. Помогает ли использование данио-рерио в качестве модели для исследования в этом упрощении?

A: Да, у этого есть много преимуществ. В личиночном состоянии их мозг прозрачен, и мы можем регистрировать его активность, не вскрывая животное , в нормальных физиологических условиях, что невозможно практически ни у одного другого вида. Более того, их геном секвенирован, что позволяет нам разрабатывать датчики для визуализации нейронной активности. Всё это позволяет нам очень хорошо изучать их поведение. Ранее я работал с беспозвоночными, такими как муха дрозофила , но я всегда ищу простейшую модель для понимания проблемы. Понять мозг очень сложно, и единственный способ — максимально его упростить.

В. Что вы узнали о том, как данио-рерио ведут себя в группах?

A. В очень простых ситуациях рыбы, как правило, выбирают путь туда, где больше особей, но в естественных условиях этого почти никогда не случается; поведение гораздо сложнее . При анализе с помощью моделей и методов отслеживания мы обнаружили, что они не обязательно следуют за большинством, а скорее за несколькими особями (обычно одной, двумя или тремя), которые опережают их и движутся с большей уверенностью или скоростью. Другими словами, группой обычно руководит небольшая, очень решительная подгруппа. Чтобы прийти к такому выводу, мне пришлось положиться на ИИ, спроектированный так, чтобы быть интерпретируемым, чтобы он не только предсказывал поведение, но и помогал мне понять лежащие в его основе правила.

В. Можно ли применить эти модели к групповому поведению млекопитающих, таких как люди?

О: Да. Хотя мы проводили эксперименты с данио-рерио, мы разработали общие модели, не специфичные для этого вида, и обнаружили, что они работают также для муравьёв и людей. В сопоставимых ситуациях (например, когда группе приходится выбирать между простыми вариантами без использования языка) действуют те же правила: особи склонны следовать за теми немногими, кто принимает чёткие решения. Прелесть этих простых моделей в том, что, когда они работают, они обычно применимы ко многим видам.

В. Что-то вроде «следуй за лидером» ?

О. Да, но не всё так просто. «Лидер» — это тот, кто проявляет наибольшую убеждённость и действует быстро, даже если это происходит из неправильных побуждений, а остальные следуют за ним, потому что эта стратегия сработала для них в ходе эволюции.

В. Вы имеете в виду, что данная особь, будь то данио-рерио или человек, воспринимается как надежная в своих решениях?

А. Именно. В модели есть параметр, который точно отражает надёжность ваших подписчиков.

В. Какие перспективные области применения ИИ для нейронауки вы видите сегодня, и какие принципы нейронауки могли бы, в свою очередь, улучшить алгоритмы ИИ?

A. Очень интересное направление исследований — это так называемые фундаментальные модели, построенные на данных об активности мозга конкретного вида (мыши, данио-рерио и т. д.) в различных ситуациях. Они служат общей основой, которую другие исследователи могут адаптировать, даже частично заменяя эксперименты. Что касается обратного влияния, многие открытия в области нейронауки могли бы улучшить ИИ , но их перенос идёт медленно: проверка того, как на самом деле работает нервная система, занимает много времени, в то время как ИИ развивается головокружительными темпами. Тем не менее, этот перенос уже принёс плоды и, вероятно, продолжится в будущем.

В. Какой потенциал имеют квантовые вычисления в развитии нейронауки и искусственного интеллекта?

О. Насколько мне известно, квантовые компьютеры превосходят конкурентов только в очень узком наборе алгоритмов; они не выполняют автоматически всё, что классические вычисления уже решают лучше или быстрее. Поэтому нет гарантии, что ИИ выиграет от этого повсеместно. Мы увидим разницу только в том случае, если кто-то найдёт алгоритм, в котором квантовые вычисления дадут реальное преимущество.

В. Что вас особенно увлекает в исследованиях в области ИИ?

A. Вместе с Фернандо Мартином Марото, ещё одним исследователем в моей команде, мы разрабатываем совершенно иной подход к нейронным сетям, основанный на абстрактной алгебре . Идея заключается в создании ИИ, который эффективно обучается, но, в отличие от существующих моделей, прозрачен и понятен на каждом этапе. Он основан не на минимизации ошибок, как нейронные сети, а на алгебраических свойствах, гарантирующих сходимость к базовому правилу данных. Сейчас главная задача — превратить эту многообещающую математическую основу в практическую систему, которая будет столь же эффективна, как существующие модели, и в то же время будет гораздо более интерпретируемой для человека.