Прогнозирующий мозг

222

Когнитивная нейронаука сегодняшнего дня все больше склоняется к взгляду на мозг, как на «инструмент предсказаний», а не на машину, действующую по принципу стимул-реакция. Подразумевается, что постоянное прогнозирование динамики окружающей среды и оценка последствий решений позволяют животным и человеку быть «впереди времени», а не только реагировать на представленные в конкретный момент времени стимулы. Способность к предсказанию, разумеется, покрывает широкий спектр событий. Это и те решения, принятие которых занимает доли секунды (как, например, выбор пересечь загруженную улицу), так и долгосрочные решения (например, определение карьерного пути).

Исследования последних свет проливают свет на нейробиологическую природу различных проявлений прогнозирования. К примеру, литература на тему сенсомоторного контроля подчеркивает важность моделей, которые мозг использует для планирования движений, их точности. Более того, было показано, что эти модели используются не только в домене моторики, но и в более сложных когнитивных заданиях, таких как узнавание действия, а не его прямое осуществление. В этом ключе также широко изучаются восприятие и навигация. Показано, что нейронная динамика в гиппокампе грызунов может служить планированию ориентации в пространстве. А именно, активность нейронов гиппокампа грызунов перед принятием решения является предиктором траекторий в лабиринте, которые будут выбраны грызунами впоследствии. Было даже предложено – пока спекулятивно, — что способность симулировать динамически развивающиеся события, особенно в гиппокампе, может служить таким сложным когнитивным функциям как умственные путешествия во времени.

Одна из наиболее известных теорий «предсказательного мозга» называется принципом свободной энергии. Она предполагает, что мозг – статистическая машина, которая методом минимизации ошибок учит модель динамики внешнего мира и использует ее для предсказаний. Особенно это касается изменений внешнего мира как функции от действий агента. Принцип свободной энергии базируется на предпосылке о том, что сознание зависит от взаимодействия нисходящих и восходящих сигналов, то есть, от тех, что идут от мозга к частям тела и наоборот. Первые отвечают за предсказания, вторые – за ошибки предсказаний. Минимизация ошибок в предсказаниях лежит в основе и восприятия, и действия. Этот принцип также применяется для изучения планирования последствий решений: считается, что у агента есть модель, которую он строит на основе своих знаний о связях действий и явлений внешнего мира и использует для того, чтобы симулировать и оценить собственные планы заранее.

Так, идея о «прогнозирующем мозге» (predictive brain) становится доминирующей в когнитивной нейронауке. Далее будут рассмотрены возможности развития технологий, которые могли бы улучшить эту ключевую функцию мозга. Конечно, давно используются инструменты для предсказания погоды или динамики финансовых рынков, но здесь пойдет речь о технологиях, которые могли бы быть внедрены напрямую в принятие решения в реальном времени. В ближайшем будущем нам могут быть доступны интерфейсы, позволяющие, например, улучшить предсказания насчет движения объектов в пространстве. О планировании долгосрочных, фундаментальных решений, таких как карьера и семья, пока речи не идет.

Области выбора, где предсказания можно улучшить

Несмотря на то, что человеческое сознание работает с решениями, которые характеризуются различной длиной временного горизонта, и, в теории, технологии могли бы улучшить любые из них, речь пойдет о краткосрочных, моторных движениях в реальном времени, совершаемыми человеком ежесекундно. Например, нажать ли на тормоз и когда сделать это? Рискую ли я столкнуться с пешеходом?

Важно различать два последствия улучшения предсказаний: прямое и косвенное. Прямым результатом улучшения предсказаний в ситуации, когда вратарь желает поймать мяч, будет ожидаемая траектория предмета. Например, технология может помочь спортсмену, используя обширные статистические данные о прошлых пенальти и движениях атакующего. Так, прямым последствием улучшения предсказаний будет являться способность человека к более точным прогнозам. С другой стороны, более косвенным результатом внедрения технологии окажется помощь в принятии решения. В случае вратаря, ему может быть предложено действие, которое максимизирует шанс поймать мяч с учетом ранее предсказанной траектории.

Другой пример – решение, когда пересечь загруженную дорогу. Это задание, успешное выполнение которого на самом деле подразумевает интеграцию множества факторов: и эскплицитных знаний вроде правил дорожного движения, и обстоятельств вроде местонахождения, скорости и вектора движения машин. Кроме того, для такого решения будет полезным не одно, а несколько предсказаний разного рода: куда движется машина, остановится ли она на светофоре, когда окажется рядом с пешеходом. В таких случаях технологии могут помочь, например, если человек страдает от расстройств восприятия, памяти, внимания, скорости реакции.

Как может быть реализована такая технология? Отправной точкой для рассуждений может служить понятие аффорданс («affordance»), происходящее из экологической психологии. Это интуитивно понятное свойство объекта, указывающее на то, как с ним нужно взаимодействовать. В нашем случае, например, загруженная дорога не привлекательна для пересечения, в то время как пустая дорога – наоборот. В более общем случае, можно думать о наборе аффорданс, распределённых во времени и пространстве и меняющихся в зависимости от динамики окружающей среды и наших действий. Если говорить о пересечении дороги и приближающейся машине, то она меняет градиент «пересекаемости» дороги по мере того, как время до встречи с ней идет: когда машина далеко, дорога «пересекаема», но чем она ближе – тем дорога все менее подходит для успешного пересечения.

 

Аффорданс и пересечение дороги: A) Пешеход собирается перейти дорогу. B) Как технология могла бы улучшить ситуацию: линии перед машиной указывают на возможные будущие направления, а цвет – за возможность успешного пересечения дороги в этом месте, аффорданс. C) Та же ситуация, но с запрещающим дорожным знаком, влияющим на привлекательность дороги для пересечния. D) Здесь технология может симулировать возможные будущие сценарии, то есть показывать, как распределение аффорданс в пространстве будет меняться через 200, 400 и 600 мс. Иллюстрация из Pezzulo, Giovanni, Alessandro D’ausilio, and Andrea Gaggioli. «Predictive Technologies: Can Smart Tools Augment the Brain’s Predictive Abilities?.» Frontiers in neuroscience 10 (2016).

Другим примером является выбор пути до супермаркета. Это уже не будет улучшением мгновенных, зачастую неосознаваемых агентами решений и может быть сравнимо с функционалом карт Гугл, которые в результате интеграции многих факторов (длина, размер улиц, трафик на данный момент) предлагают наилучший маршрут. Предсказательные технологии могут расширить количество и контекстуальных, и индивидуальных факторов, учитываемых при выборе маршрута. Например, возраст человека и то, будут ли на предложенном пути лестницы, которые могут быть нежелательны для пожилого человека. В таком случае, в отличие от предыдущего примера с пересечением дороги, технология не только позволит предсказывать (маршрут машины, например), но и предложит пути решения.

Третьим примером может быть специализированный выбор: поведение пилота во время ведения самолета. В каждый момент времени этот человек решает, на какие показатели из множества посмотреть, на такие рычаги и как сильно нажать и так далее. Такие решения стоят сотен жизней. Предсказательная технология может помочь пилотам предсказать результат маневра, вовремя привлечь внимание к индикаторам, которые могут быть наиболее важными в случае критической ситуации.

Примеры выше иллюстрируют, что технологии могут быть гибко встроены в процесс принятия решения и улучшить предсказательные способности человека за счет предоставления предсказаний, предложения путей решений или направления внимания.

Технологии сегодня

Однако, реальное внедрение обсуждавшихся улучшений пока остается за пределами возможностей сегодняшнего дня. Безусловно, существует ряд технических и этических препятствий, которые должны быть решены. Тем не менее, уже существуют технологии, которые могли бы быть предвестниками интерфейсов, улучшающих предсказания.

Многие компании (Гугл, Тесла) занимаются сегодня разработкой самоуправляемых машин, которые в очень скором времени уже могут поступить на рынки. Они уже используют многие технологии, которые в будущем могут применяться и в предсказтельных интерфейсах. Например, сенсоры, такие как лазерные камеры и радары. Кроме того, на уровне программного обеспечения эти машины используют предсказание для контроля и планирования маршрута. Например, для того, чтобы избегать столкновений с другими движущимися машинами и пешеходами. Некоторые из таких программных решений также могут быть применены для технологий, примеры которых приводились ранее.

Несмотря на то, что самоуправляемые машины используют ряд различных разработок, многие из них заимствованы из робототехники. Например, определение собственного положения в пространстве, планирование пути, интеграция и сбор данных, предсказание траектории. Большая часть таких задач решается с помощью вероятностных методов предсказания, статистики. Механизмы, направленные на предсказание, особенно такие из них, которые находят оптимальное соотношение между скоростью принятия решения и его точностью, широко фигурируют и в робототехнике, и у самоуправляющихся машин.

Другой пример технологии, которая изначально была разработана для улучшения роботов и может быть использована в предсказательных механизмах для человека, это «внутренняя модель мира» («internal world model»). Она используется известным роботом Рипли. Базовым принципом является применение данных получаемых от механизма робота вместе с законами физики для обновления информации о том, как робот повлиял на окружающий мир. Например, если он толкнул мяч, то, даже не смотря на него, он «знает» куда и с какой скоростью катится этот мяч. Так, «внутренняя модель» робота обновляется в соответствии с его действиями, законами физики и данными, полученными насчет окружающего мира. Ту же модель он может симулировать, не совершая действия, для того, чтобы рассчитать, какое действие и как совершить лучше всего. Принцип физически реалистичного мира также применяется в компьютерных играх. Конечно, на данном этапе развития такие технологии не могут симулировать все и с такой точностью, которая может потребоваться для некоторых применений. Так что релевантность использования «внутренней модели мира» должна быть оценена от случая к случаю.

Возвращаясь к понятию аффорданс, можно отметить, что «аффорданс градиент» применяется и у роботов: он описывает, что можно сделать с предметом, для того, чтобы достичь цели, то есть, позволяет воспринимать окружающий мир не статичным, а поддающимся акторству и предсказуемым в динамике.

Эти примеры демонстрируют, что многие разработки, которые могут пригодиться для улучшения предсказательных способностей человека, существуют уже сегодня. Однако, они все еще неполны и нуждаются в улучшениях, особенно если речь идет о мгновенных решениях в реальном времени. Так, главным направлением будущих исследований в этой отрасли должны стать интеграция и расширение этих моделей.  Другая проблема – сделать предсказательные технологии применяемыми, удобными и релевантными для решений.

Представление информации

Одна из основных проблем предсказательных технологий – представление информации о будущих событиях. Дополненная реальность может быть удобным решением. Она позволяет добавить в реальном времени к привычному виду окружающего мира дополнительные элементы, которые могли бы способствовать принятию лучших решений. Это может быть сделано с помощью смартфона или специальных очков или другого прибора, который было бы удобно носить на голове. Сегодня системы дополненной реальности позволяют пользователю взаимодействовать с миром и дополняющими его элементами одновременно, отдавая команды, записывая аудио, видео.

Информация о предсказаниях может быть интегрирована в дополненную реальность с различными уровнями абстракции. Например, как могла бы быть представлена траектория мяча? Это может быть аналоговая репрезентация, где будет показан гипотетический мяч, идущий впереди реального. Или может быть использована символическая репрезентация, например, с помощью стрелки. Ключевым здесь будет являться временное ограничение принимаемого решения. Для восприятия сложного элемента информации может потребоваться слишком много времени. Это затруднит, а не улучшит решение. Например, проще показать направление движения, чем описывать его словами. Так, должны учитываться когнитивные ограничения и особенности агента и выбор между информативностью предсказания и усилием, которое должно быть потрачено на его расшифровку.

Стимуляция мозга

Мы обсудили идею использования технологии для того, чтобы улучшить способность людей предсказывать будущие события. Предоставление подсказок к действию в реальном времени может служить более эффективным перцептивным процессам, принятию решения и осуществлению действий. В основном, такие технологии будут опираться на существующие уже сегодня разработки в робототехнике и машинном обучении. Однако, подсказки извне – не единственная возможность. Гораздо более амбициозный проект – улучшение способностей мозга за счет стимуляции областей, которые отвечают за симуляцию и точность предсказания будущих событий. Ряд исследований показал, что существует возможность модулировать и иногда улучшать когнитивный процессы, связанные с рабочей памятью и вниманием. Например, планирование может быть улучшено с помощью транскраниальной магнитной стимуляции. Такой подход может быть оправдан в целях реабилитации.

По мере того, как развивается понимание когнитивных процессов, задействованных в предсказании будущих событий, должны развиваться и исследования возможностей улучшения этих процессов. Области применения таких технологий поистине значимы: предсказание угрозы для обеспечения безопасности, поведение в экстремальных ситуациях, оптимизация командной работы в трудных условиях, улучшение качества жизни людей с отклонениями в планировании, памяти или дефицитом внимания.

Текст: Мария Азанова

 Pezzulo, Giovanni, Alessandro D’ausilio, and Andrea Gaggioli. «Predictive Technologies: Can Smart Tools Augment the Brain’s Predictive Abilities?.» Frontiers in neuroscience 10 (2016).

Источник: http://neuronovosti.ru

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *