Глава 9 По следу

Глава 9

По следу

Есть древнегреческий миф о царе Миносе, решившем не приносить в жертву прекрасного белого быка, а оставить его себе. Боги, разгневавшись на его жадность, покарали Миноса, вселив в его жену безумную страсть к этому быку. В результате царица произвела на свет Минотавра – чудовище с двумя ногами и двумя рогами. Минос заточил свою неверную жену и ее отродье в Лабиринт, систему запутанных ходов, весьма хитроумно выстроенную великим инженером Дедалом. В конце концов из Афин прибыл герой Тесей и благополучно убил Минотавра. Чтобы найти дорогу из Лабиринта, он следовал за нитью, которой снабдила Тесея его возлюбленная Ариадна, дочь царя Миноса.

Коннектомика чем-то напоминает мне это сказание. Подобно Лабиринту, мозг вынужден иметь дело с последствиями разрушительных эмоций, таких как жадность или похоть. Но при этом он способен побуждать к изобретательности и воспламенять любовь. Вообразите, как вы бродите среди аксонов и дендритов, подобно Тесею, отыскивающему путь по извилистым проходам Лабиринта. Может быть, вы – молекула белка, усевшаяся на молекулярный автомобиль, мчащийся по молекулярному шоссе. Вас везут далеко-далеко: от тела клетки, того места, где вы родились, к пункту вашего назначения – дальнему концу аксона. Вы смирно сидите и наблюдаете, как мимо проносятся стенки аксона.

Если вас заинтересовала перспектива такого путешествия, давайте рискнем проделать его виртуально – не по собственно мозгу, а по его изображениям. Можно проследить путь аксона или дендрита благодаря набору снимков, полученных с помощью устройств, которые описаны в главе 8. Это необходимо для отыскания коннектомов. Чтобы составить карту связей в мозгу, нужно увидеть, какие нейроны соединены синапсами. А это невозможно сделать, не зная, куда идут «провода».

Но чтобы найти весь коннектом, придется исследовать каждый коридор мозгового лабиринта. Для построения карты лишь одного кубического миллиметра мозга придется пропутешествовать через целые мили нейритов, пробраться через петабайт изображений. Столь трудоемкий и тщательный анализ жизненно необходим: поверхностный взгляд на эти снимки ничего вам не даст. Такой способ проведения научных исследований кажется очень далеким от того, чем занимался Галилей, мельком заметивший спутники Юпитера, или Левенгук, немного понаблюдавший за сперматозоидами.

Сегодня наше представление о науке как об умении увидеть, по сути, доведено до предела – благодаря современным технологиям. Более того, в наше время никакой отдельный человек не в состоянии вникнуть во все изображения, получаемые с помощью автоматизированных приборов. Но если технология породила проблему, то, быть может, технология сумеет ее решить? Возможно, компьютерам удастся проследить пути всех аксонов и дендритов благодаря этим снимкам. Если наши машины сделают за нас основную часть работы, мы все-таки сумеем увидеть коннектомы.

Проблема обработки колоссальных объемов информации стоит не только перед коннектомикой. Самый масштабный научный проект в мире, Большой адронный коллайдер (БАК), представляет собой кольцевую трубу, залегающую под землей на стометровой глубине, внутри двадцатисемикилометрового туннеля между Женевским озером и швейцарской частью Юрских гор. Коллайдер (ускоритель) разгоняет протоны до огромных скоростей и сталкивает их друг с другом: это делают, чтобы изучить силы, определяющие взаимодействие между элементарными частицами. На одном из участков этого кольца располагается гигантский аппарат – Компактный мюонный соленоид. Он способен детектировать до миллиарда столкновений частиц в секунду. Одна сотая часть этих столкновений отбирается компьютерами, которые в автоматическом режиме просеивают поступающие данные. Записываются лишь «интересные» события, однако информация течет стремительным и мощнейшим потоком, ведь каждое событие (столкновение) дает больше мегабайта данных. Отобранную информацию затем передают для анализа в сеть суперкомпьютеров, разбросанных по всему миру.

Чтобы находить в мозгу млекопитающих целые коннектомы, нам понадобятся микроскопы, способные делать снимки с такой скоростью, что поток поступающих данных окажется помощнее, чем у БАК. Сумеем ли мы анализировать эти данные с должной оперативностью? Ученые, составлявшие коннектом червя C. elegans, уже столкнулись с этой проблемой. К их большому удивлению, анализировать изображения оказалось труднее, чем получать.

* * *

В середине шестидесятых годов прошлого века Сидней Бреннер, биолог родом из ЮАР, увидел возможность применения серийной электронной микроскопии для построения карты всех связей в сравнительно небольшой нервной системе. Тогда еще не придумали термин «коннектом», и Бреннер говорил о задаче «воссоздания (реконструкции) нервной системы». Он работал в кембриджской лаборатории молекулярной биологии при Совете по медицинским исследованиям. В то время он, как и его коллеги по лаборатории, осваивали C. elegans в качестве стандартного подопытного для генетических исследований. Позже червь стал первым представителем фауны, чей геном удалось полностью расшифровать. В наши дни представителей этого вида червей изучают тысячи биологов.

Бреннер полагал, что C. elegans способен помочь нам понять и биологические основы поведения живых организмов. Червь проделывает самые обыкновенные вещи – питается, совокупляется, откладывает яйца. Кроме того, он дает фиксированный отклик на определенные раздражители. Скажем, если прикоснуться к его головке, он отдернет ее и уползет. А теперь представьте, что вы обнаружили червя, неспособного на какое-то из этих стандартных проявлений. Если его потомство унаследует ту же проблему, можно предположить, что причиной этого стал некий генетический дефект, и попытаться определить, какой именно. Подобные исследования могут пролить свет на связь между генами и поведением, что само по себе было бы очень ценно. Но еще более ценные сведения можно получить, исследуя нервную систему таких червей-мутантов. Не исключено, что удалось бы выявить определенные нейроны или нервные пути, поврежденные из-за воздействия аномального гена. Перспектива всестороннего изучения червя на всех уровнях: гены, нейроны, поведение, – казалась весьма заманчивой. Но осуществление этого плана зависело от одной мелочи: у Бреннера попросту не было карты нервной системы нормального червя. А без нее трудно понять, чем отличается от нее нервная система червя-мутанта.

Бреннер знал об исследованиях немецко-американского биолога Рихарда Гольдшмидта: в начале XX века тот пытался составить карту нервной системы другого вида червей – Ascaris lumbricoides. Но у оптического микроскопа Гольдшмидта не хватило разрешающей способности для того, чтобы ясно показать отростки нейронов или выявить синапсы. Бреннер решил испробовать на C. elegans похожую методику, но с использованием более совершенной техники – электронного микроскопа и ультрамикротома.

Длина C. elegans – всего один миллиметр, этот червь гораздо меньше аскариды, которая способна вырастать до фута в человеческих внутренностях, где она иногда обитает. Чтобы нашинковать крошечную сосисочку C. elegans на слои, достаточно тонкие для электронной микроскопии, требуется сделать несколько тысяч разрезов. Николь Томсон, сотрудник Бреннера, поняла, что всего червя не удастся нарезать без ошибок и погрешностей – процесс нарезки тогда еще не был автоматизирован и представлял немалые технические трудности. Но ученым все же удалось обработать большой фрагмент червя. Бреннер решил скомбинировать изображения, полученные от сегментов нескольких разных червей. Разумная стратегия, ведь нервная система червя довольно-таки стандартизирована (мы говорили об этом раньше).

Томсон кромсала червей, пока не получила срезы для каждой области тела животного. Затем эти срезы один за другим поместили под электронный микроскоп и сделали их снимки (см. рис. 32). Благодаря этому трудоемкому процессу, в конце концов удалось получить набор снимков, представляющий всю нервную систему C. elegans. На снимках были запечатлены все синапсы червя.

Рис. 32. Срез C. elegans

Думаете, Бреннер и его команда остановились на этом? Ведь коннектом – просто совокупность всех синапсов данного существа, разве нет? На самом деле Бреннер с коллегами лишь начали с этого свою работу. Хотя синапсы оказались на виду, их организация по-прежнему оставалась скрытой от глаз человека. В сущности, ученые получили пока лишь мешок с беспорядочной кучей синапсов. Чтобы найти коннектом, следовало выяснить, к каким нейронам относятся те или иные синапсы. По одиночному снимку это сказать нельзя, ведь он показывает лишь двухмерные срезы нейронов. Однако, изучая целую последовательность изображений, показывающих поперечные сечения единичного нейрона через заданные промежутки времени, можно определить, какие синапсы принадлежат данному нейрону. И если это удастся проделать для всех нейронов, то мы как раз и отыщем коннектом. Иными словами, команда Бреннера желала узнать, какие нейроны с какими нейронами соединены.

Опять-таки, представим себе червя миниатюрной сосисочкой. Но на сей раз вообразим, будто сосиска нашпигована спагетти. Эти макаронные нити – нейроны червя, и наша задача – проследить путь каждого из них. Мы не обладаем рентгеновским зрением, поэтому придется разрезать сосиску на множество ломтиков. А потом мы разложим их рядом друг с другом и проследим за каждой нитью, сравнивая ее место на срезах – от одного среза к другому.

Чтобы хоть как-то обезопасить себя от ошибок при таком сравнении, нужно делать чрезвычайно тонкие срезы – меньше, чем диаметр макаронины. Срезы C. elegans должны быть тоньше нейронных отростков, чей диаметр порой не превышает 100 нм. Николь Томсон делала срезы толщиной около 50 нм – как раз достаточно, чтобы с уверенностью проследить путь большинства нейронных ветвей.

Джон Уайт, по образованию инженер-электрик, пытался компьютеризировать анализ получающихся снимков, однако применяемая им технология оказалась слишком примитивной. Уайту и лаборантке Эйлин Саутгейт пришлось обрабатывать снимки вручную. Поперечные сечения одного и того же нейрона помечались одним и тем же номером или буквой (см. рис. 33). Чтобы в полной мере проследить за отдельным нейроном, исследователи ставили одно и то же обозначение на поперечном сечении данного нейрона, различимом на длинной череде последовательно сделанных снимков. (Вспомним, как Тесей постепенно разматывал нить Ариадны, двигаясь в глубь Лабиринта.) А когда удалось проследить нейронные пути, исследователи, вернувшись к синапсам, определили, какие нейроны к ним относятся. Так постепенно стал вырисовываться коннектом червя C. elegans.

В 1986 году опубликованный командой Бреннера коннектом занял целый номер журнала The Philosophical Transactions of the Royal Society of London, издающегося тем самым Королевским научным обществом, которое несколько столетий назад с радостью приняло в свой состав Левенгука. Статья вышла под заглавием «Строение нервной системы нематоды Caenorhabditis elegans», однако в ее колонтитулах стояло более сжатое и выразительное название: «Ум червя». Текст самой статьи – лишь 62-страничный аперитив. Главное блюдо – 277 страниц приложений, где описывались 302 нейрона червя, а также их синаптические связи.

Рис. 33. Выявление маршрутов нейронных отростков путем сравнения их поперечных сечений в последовательно сделанных срезах

Как и надеялся Бреннер, коннектом червя C. elegans помог лучше понять нейронную подоснову различных форм поведения животного. Так, ученые сумели выявить нейронные пути, играющие важную роль в таких моделях поведения, как уже упоминавшееся стремительное уползание червя после касания его головки. Впрочем, лишь небольшая часть амбициозных планов Бреннера сбылась. И не из-за нехватки снимков: Николь Томсон собрала их множество, ибо ей удалось разрезать огромное количество червей. Она даже получила изображения срезов для червей с генетическими дефектами, но задача анализа этих снимков для выявления возможных отклонений в коннектомах этих червей-мутантов оказалась слишком трудоемкой. Бреннер начинал свои исследования, желая проверить гипотезу, согласно которой «умы» червей отличаются, поскольку отличаются их коннектомы, но он не смог этого сделать, поскольку его группа обнаружила лишь один-единственный коннектом, к тому же принадлежащий нормальному червю, а не мутанту.

Впрочем, отыскание даже одного коннектома уже стало великим достижением. Анализ полученных снимков занял у Бреннера и его коллег больше двенадцати лет. Куда меньше труда ушло на то, чтобы делать сами срезы и их снимки. Дэвид Холл, еще один пионер подобных исследований C. elegans, выложил снимки в Сеть на всеобщее обозрение. Это поистине впечатляющее хранилище информации о любимом нейробиологами черве. (Подавляющее большинство данных и сейчас еще не проанализировано.) Тяжкая работа, проделанная группой Бреннера, многими учеными была воспринята как предупреждение: «Ребята, не пытайтесь повторить это дома».

Правда, положение слегка улучшилось в 1990-е годы, когда компьютеры стали дешевле и мощнее. Так, Джон Файэла и Кристен Харрис разработали программу, облегчавшую «ручную» реконструкцию формы нейронов. Компьютер выводил изображения на экран, и оператор мог проводить на них линии с помощью мыши. Эти простенькие функции, знакомые каждому, кто рисовал с помощью компьютера, затем удалось значительно усовершенствовать. Теперь исследователь мог проследить за одним и тем же нейроном, появляющимся во всем наборе снимков: следовало лишь провести границу вокруг каждого поперечного сечения этого нейрона. По мере работы оператора каждый снимок в стопке постепенно покрывался множеством таких границ. Компьютер же следил за всеми границами, принадлежавшими тому или иному нейрону, и выводил результаты трудов оператора в виде окрашенных зон внутри этих линий. Каждый нейрон закрашивался своим цветом, так что пачка снимков походила на трехмерную книжку-раскраску. Компьютер мог также представлять части нейритов в трех измерениях, как показано на рис. 34.

Такой процесс позволил ученым делать свою работу гораздо эффективнее, чем это получалось у группы Бреннера, исследовавшей C. elegans. Теперь изображения аккуратненько складировались на жестком диске, так что больше не приходилось возиться с тысячами фотопластинок. К тому же управляться с компьютерной мышью куда сподручнее, чем с маркером, которым раньше вручную помечали бесчисленные нейроны. Однако анализ снимков по-прежнему требовал участия человеческого разума и по-прежнему занимал массу времени. Применяя свою программу в ходе реконструкции крошечных кусочков гиппокампа и неокортекса, Кристен Харрис и ее коллеги выяснили множество интереснейших фактов об аксонах и дендритах. Однако анализируемые кусочки оказались слишком маленькими, они содержали только миниатюрные фрагменты нейронов. Коннектомы с их помощью найти нельзя.

Рис. 34. Трехмерное представление фрагментов нейрита, реконструированных вручную

Используя опыт этих исследователей, можно путем несложного подсчета заключить: на то, чтобы воссоздать лишь один кубический миллиметр коры головного мозга, потребуется примерно миллион человеко-часов – куда больше, чем ушло бы на получение соответствующих снимков с помощью электронного микроскопа. Это астрономическая цифра. Она дает нам понять, что будущее коннектомики в огромной степени зависит от технологий автоматического анализа изображений.

* * *

В идеальном случае все границы вокруг нейронов на снимках должен прочерчивать не человек, а компьютер. Как ни удивительно, даже современные компьютеры не очень-то хорошо умеют определять, где проходит граница, – даже такая, которая выглядит для нас совершенно очевидной. Компьютеры вообще не очень-то удачно справляются с визуальными задачами. Роботы в фантастических фильмах, привычно оглядевшись, тут же могут опознать все предметы вокруг себя, однако специалисты по искусственному интеллекту (ИИ) по-прежнему бьются за то, чтобы наделить компьютеры хотя бы начатками зрительных способностей.

Рис. 35. «Иллюзорные контуры» треугольника Канижа

В 1960-е годы исследователи в попытках создать первые системы искусственного зрения подключали к компьютерам фотоаппараты. Компьютер старались запрограммировать так, чтобы он превращал фотоизображение в рисунок: такое может легко проделать любой карикатурист. Ученые предполагали, что это будет легко – распознавать объекты на таком рисунке по очертаниям их границ. Тут-то и стало ясно, насколько плохо компьютер умеет видеть края. Даже если фотографировали простые объекты вроде штабелей детских кубиков, компьютеры с большим трудом распознавали границы отдельных кубиков.

Почему эта задача оказалась для электронных устройств почти непосильной? Некоторые тонкости распознавания границ становятся ясны, если обратиться к известной оптической иллюзии – треугольнику Канижа (рис. 35).

Большинство людей видят на картинке белый треугольник на фоне треугольника из черных линий и на фоне трех черных кругов. Однако есть основания считать, что белый треугольник – лишь оптический обман. Если вы посмотрите на один из его углов, заслонив остальную часть картинки ладонью, то увидите частично съеденный пирог (или Пакмана, если вы помните эту видеоигру, очень популярную в 1980-х), а не черный круг. Если вы посмотрите на одну из букв V, закрыв остальную часть рисунка обеими руками, то вы не увидите никакой границы там, где раньше отлично различали сторону белого треугольника. Причина в том, что основная часть длины каждой стороны белого треугольника совпадает по цвету с фоном, не отличаясь от него по яркости. Ваше сознание само достраивает недостающие части сторон треугольника – и воспринимает несуществующий белый треугольник на переднем плане – лишь потому, что рядом присутствуют другие подходящие объекты, которые и формируют нужный контекст.

Рис. 36. При определении границ важен контекст

Этот оптический обман может показаться каким-то чересчур искусственно выстроенным, вряд ли он пригоден для описания самых обычных ситуаций зрительного восприятия. Так или нет? Как выясняется, даже для образов реальных объектов контекст оказывается весьма важен, когда речь идет о точном восприятии границ. Первое изображение на рис. 36 – увеличенный снимок группы нейронов, сделанный при помощи электронного микроскопа. Особых признаков каких-то границ здесь не видно. Дальнейшие изображения характеризуются большим числом пикселей, и граница в центре становится очевидной. Обнаружение этой границы позволяет корректно интерпретировать снимок (предпоследняя картинка). Если же не заметить эту границу, можно ошибочно «смешать» два нейрита (последняя картинка). Такие ошибки как раз и называются «погрешностью смешения». Так бывает, когда ребенок замалевывает одним и тем же карандашом две соседние области на рисунке в книжке-раскраске. В свою очередь, «погрешность расщепления» (на иллюстрации не показана) – это как использование двух карандашей разного цвета для закрашивания одной области.

По счастью, такая путаница все-таки происходит сравнительно редко. Та, что нашла отражение на иллюстрации, произошла из-за того, что красителю не удалось проникнуть в один из участков биологической ткани, которую изучали под микроскопом. Однако для основной части рисунка, даже при большом увеличении, вполне очевидно, где идет граница, а где никакой границы нет. На этих легких участках компьютеры способны точно определять границы, однако на трудных они спотыкаются, поскольку хуже, чем люди, умеют осваивать информацию о контексте.

Детектирование границ – не единственная визуальная задача, которую компьютерам следует научиться решать эффективнее, если мы хотим с их помощью находить коннектомы. Еще одна задача включает в себя распознавание. Многие современные цифровые фотоаппараты достаточно смышлены, чтобы найти лица в области съемки и сфокусироваться на них. Но иногда они ошибочно фокусируются на каком-то постороннем предмете, расположенном на заднем плане, а значит, пока не могут распознавать лица так же хорошо, как это делают люди. Желательно, чтобы компьютеры, которые применяются в коннектомике, выполняли похожую задачу, притом безупречно: они должны, просмотрев набор снимков, найти на них все синапсы.

Почему же пока не удается создать компьютеры, видящие так же хорошо, как люди? По-моему, причина в том, что очень уж мы хорошо видим. Первые исследователи ИИ сосредоточились на том, чтобы наделить электронные машины способностями, которые требуют от человека немалых усилий. В частности, их пытались научить играть в шахматы или доказывать математических теоремы. Как ни удивительно, оказалось, что электронному устройству не так-то сложно освоить такие вещи: в 1997 году суперкомпьютер Deep Blue разгромил Гарри Каспарова, чемпиона мира по шахматам. По сравнению с шахматами зрение кажется чем-то по-детски простым. Мы открываем глаза и тут же видим окружающий мир. Возможно, именно из-за этой кажущейся легкости первые исследователи ИИ не ожидали, что научить машину видеть окажется столь трудным делом.

Иногда люди, умеющие что-то делать лучше остальных, оказываются худшими учителями. Сами они выполняют задание бессознательно и бездумно, а если их спросить, как они это проделывают, они лишь недоуменно покачают головой и не смогут ничего объяснить. Все мы – виртуозы зрения. Мы с рождения умеем видеть и не понимаем, как кто-то (или что-то) может этого не уметь. Поэтому из нас получаются такие паршивые учителя зрения. К счастью, нам никогда и не приходится никому преподавать этот предмет. За исключением того случая, когда наши ученики – компьютеры.

В последние годы некоторые исследователи вообще решили оставить попытку обучить машину зрению. Пускай она учится сама. Соберите огромное количество примеров визуальных задач, выполняемых людьми, и запрограммируйте компьютер так, чтобы он имитировал эти примеры. Если ему это удастся, значит, он «научится» выполнять задачу безо всяких прямых инструкций со стороны человека. Этот метод называется машинным обучением и представляет собой важную область компьютерной науки. Именно благодаря ему появились цифровые фотоаппараты, умеющие автоматически фокусироваться на лицах. Ему мы обязаны и многими другими успехами ИИ.

В мире существуют лаборатории (включая и мою собственную), где с помощью машинного обучения пытаются сделать так, чтобы компьютер наконец сумел увидеть нейроны. Начинаем мы с программ, подобных тем, которые разработали Джон Файэла и Кристен Харрис. Люди вручную реконструируют очертания нейронов. Эти очертания служат для компьютера примерами, которые он должен воспроизвести. Вирен Джейн и Шрини Турага (в начале нашей работы они были моими докторантами) придумали методы цифровой оценки успехов компьютера, определяя, насколько получаемые им результаты совпадают с человеческими. Компьютер учится видеть форму нейронов на примерах, и оценка его работы постепенно повышается. Когда его достаточно натаскают, ему подсовывают снимки, которые человек еще не реконструировал вручную. На рис. 37 показана компьютерная реконструкция нейронов сетчатки. Пока метод находится в стадии разработки, но уже дает беспрецедентную точность.

Рис. 37. Изображение нейронов сетчатки глаза, автоматически реконструированное компьютером

Но даже после таких усовершенствований компьютер все-таки допускает ошибки. Я уверен, что дальнейшее применение машинного обучения будет и дальше снижать долю этих погрешностей. Однако по мере развития коннектомики машинам будут поручать анализ всё более обширных изображений, и абсолютное количество ошибок все-таки останется большим, даже если их доля будет убывать. В ближайшем будущем, которое мы еще как-то можем предсказать, анализ таких снимков никогда не станет полностью автоматизированным: на каком-то его этапе всегда понадобится участие человеческого разума. Тем не менее этот процесс наверняка значительно ускорится.

* * *

Идею взаимодействия с компьютером при помощи мыши придумал легендарный изобретатель Дуглас Энгельбарт (1925–2013). Потенциал этого изобретения в полной мере осознали только в 1980-е годы, когда мир захлестнула техническая революция, связанная с массовым производством персональных компьютеров. Но Энгельбарт придумал компьютерную мышь еще в 1963 году, когда руководил исследовательской группой в Стэнфордском институте – калифорнийском инкубаторе идей. В том же году Марвин Минский (р. 1927) основал на другом краю Америки, в Массачусетском технологическом институте, свою Лабораторию искусственного интеллекта. Ее сотрудники оказались в числе первых ученых, взявшихся за проблему обучения компьютеров зрению.

Бывалые хакеры обожают рассказывать историю (возможно, апокрифическую) о встрече двух этих гениев. Минский гордо заявил: «Мы наделим машину разумом! Мы научим ее ходить и говорить! Мы вселим в нее сознание!» Энгельбарт парировал: «И всё это вы сделаете для компьютеров? А что же вы тогда сделаете для людей?»

Свои идеи Энгельбарт изложил в своего рода манифесте под названием «Расширение человеческого интеллекта», где он вводил понятие о новом направлении исследований – усилении интеллекта (УИ). По целям УИ несколько отличалось от традиционных разработок в области искусственного интеллекта. Минский стремился сделать машину умнее; Энгельбарт же хотел, чтобы машина сделала умнее человека.

Исследования, которые велись в моей лаборатории по части машинного обучения, принадлежали к сфере ИИ, тогда как программа, разработанная Файэлой и Харрис, стала прямой наследницей идей Энгельбарта. Ее нельзя назвать ИИ, поскольку у нее не хватает смышлености, чтобы самостоятельно различить границы. Вместо этого она усиливает человеческий интеллект, расширяет его возможности, помогая людям более эффективно анализировать снимки, полученные с помощью электронного микроскопа. Сейчас сфера УИ играет всё более важную роль в науке, ведь теперь становится возможным путем интернет-краудсорсинга привлекать к выполнению научных задач огромное количество людей по всему миру. К примеру, проект «Зоопарк галактик» («The Galaxy Zoo») приглашает всех желающих помочь астрономам классифицировать галактики по их наблюдаемым в телескоп очертаниям.

Впрочем, на самом-то деле ИИ и УИ не соперничают друг с другом, ведь оптимальный подход – их комбинация. Именно этим сейчас и занимаются в моей лаборатории. ИИ должен стать частью любой УИ-системы. ИИ будет брать на себя все легкие решения, а трудные оставлять человеку. Лучший способ добиться эффективной работы людей – свести к минимуму то время, которое они тратят на выполнение элементарных задач. К тому же УИ-система – идеальная платформа для сбора примеров, которые можно использовать для того, чтобы усовершенствовать ИИ путем машинного обучения. Венчание УИ и ИИ дает систему, которая с течением времени делается всё умнее, тем самым всё больше и больше усиливая интеллект человека.

Некоторые пугаются перспективы развития ИИ, насмотревшись фантастических фильмов, где умные машины делают человека ненужным. А ученых иногда вводят в заблуждение многообещающие свойства ИИ, и они тщетно пытаются целиком автоматизировать задачи, которые более эффективно выполнять путем сотрудничества человека и машины. Вот почему не следует забывать, что наша конечная цель – это УИ, а не ИИ как таковой. Идея Энгельбарта по-прежнему весьма актуальна для вычислительных задач коннектомики.

Прогресс в сфере анализа изображений впечатляет и вдохновляет, однако насколько быстро коннектомика будет развиваться в будущем? При собственной жизни мы уже почувствовали на себе результаты невероятных технологических прорывов, особенно в компьютерной области. Сердце настольного компьютера – кремниевый чип, который называется микропроцессором. Первые микропроцессоры, выпущенные в 1971 году, содержали всего по несколько тысяч транзисторов. С тех пор компании, выпускающие полупроводниковые устройства, соревнуются друг с другом, пытаясь впихнуть на компьютерную плату как можно больше транзисторов. Скорость этого движения ошеломляет. Цена одного транзистора каждые два года падает вдвое. Можно взглянуть на это под другим углом: каждые два года удваивается количество транзисторов в микропроцессоре заданной стоимости.

Стабильное удвоение такого рода – пример экспоненциального роста. Экспоненциальный рост сложности компьютерных микросхем описывается так называемым законом Мура. Дело в том, что Гордон Мур еще в 1965 году, в своей статье для журнала Electronics, предвидел такое развитие событий. Через три года при его участии была основана компания Intel, ныне – крупнейший в мире производитель микропроцессоров.

Благодаря экспоненциальному развитию компьютерный бизнес отличается едва ли не от всех остальных. Спустя много лет после того, как его прогноз начал сбываться, Мур шутливо заметил: «Если бы автомобильная промышленность развивалась теми же темпами, что и полупроводниковая, “роллс-ройс” проезжал бы полмиллиона миль на одном галлоне бензина[16], и дешевле обошлось бы бросить его, чем припарковать». Производители компьютеров убеждают нас каждые несколько лет выбрасывать компьютер и покупать себе новый. Обычно так делают не из-за того, что компьютер сломался, а из-за того, что он уже считается устаревшим.

Любопытно: геномика тоже прогрессирует с экспоненциальной скоростью, чем напоминает скорее полупроводниковую отрасль, чем автомобильную. Более того, геномика несется вперед даже стремительнее, чем развитие компьютеров. Ведь стоимость расшифровки одной буквы в цепочке ДНК падает вдвое за более короткий срок, чем цена одного транзистора.

Будет ли и коннектомика, подобно геномике, развиваться по экспоненте? В долгосрочной перспективе нельзя сказать наверняка, останется ли вычислительная мощь наших машин основным сдерживающим фактором при поиске коннектомов. Так или иначе, в исследовании червя C. elegans анализ снимков занял куда больше времени, чем их получение. Иными словами, коннектомика до поры до времени будет скакать на плечах компьютерной промышленности. Если закон Мура будет выполняться и дальше, коннектомику действительно ждет экспоненциальный рост, но никто пока точно не знает, проявит ли себя в будущем этот закон. С одной стороны, рост количества транзисторов на единичной микросхеме начал несколько замедляться: признак того, что закон Мура скоро окажется нарушен. С другой стороны, этот рост можно поддержать – или даже усилить – благодаря новой компьютерной архитектуре или наноэлектронике.

Если коннектомику ждет устойчивый экспоненциальный рост, тогда нахождение коннектомов человека станет легкой задачей еще до конца нынешнего столетия. Пока же мы с коллегами заняты преодолением технических барьеров, мешающих нам увидеть коннектомы. Но что будет, когда мы добьемся успеха? Что мы станем делать с этими коннектомами? В ближайших нескольких главах я покажу вам некоторые захватывающие перспективы, в числе которых создание более подробных карт мозга, раскрытие тайн памяти, выяснение глубинных причин мозговых недугов и даже использование коннектомов для того, чтобы отыскать новые способы их исследования и применения.

Данный текст является ознакомительным фрагментом.