От натурфилософии к нейропсихологии 9 страница



активация на выходе



выходной слой


тренируемые связи


скрытый слой


входной слой


О О О


активация на входе


136


Рис. 2.10. Однонаправленная (feedforward) коннекционистская сеть, включающая скры­тый слой элементов


восходит к классическим идеям проторения путей павловской физиоло­гии и клеточных ансамблей Дональда Хэбба (см. 1.4.2).

В «Организации поведения» Хэбб (Hebb, 1949) предположил, что по­вторная стимуляция тех же рецепторов постепенно ведет к функцио­нальному объединению нейронов ассоциативных областей мозга, так что этот клеточный ансамбль может сохранять активацию после окон­чания стимуляции и вновь возбуждаться при возникновении похожего узора стимуляции. В нейроинформатике используется следующее прави­ло Хэбба: между всеми одновременно (синхронно) активированными ней­ронами (то есть элементами сети) снижаются пороги синаптических связей (повышаются весовые коэффициенты активационных связей). В результате многократных повторений распространение активации при возникновении на входе той же ситуации происходит быстрее, группа элементов, «ансамбль», активируется как целое, и, что важно, эта активация происходит даже при изменениях ситуации, например, выпадении каких-то компонентов изображения, а равно «отмирании» части «нейронов» самой сети. Тем самым удается моделировать особен­ности целостного восприятия, описанного гештальтпсихологией (см. 1.3.1). Подобная терпимость (graceful degradation) к искажениям на вхо­де и к нарушениям механизма обработки информации разительно кон­трастирует с хрупкостью обычных символьных программ, где лишний пропуск или неправильно поставленная запятая способны остановить работу программы и даже самого компьютера. Кроме того, пластичность синаптических связей, лежащая в основе формирования ансамблей, по­зволяет дать физиологическое объяснение процессам обобщения (кате­горизации) отдельных стимульных ситуаций.

Недостатком описанного механизма самоорганизации нейронных связей является его чрезвычайно медленный, требующий сотен и тысяч повторений характер. В 1981 году немецко-американский нейрофизио­лог К. фон дер Мальсбург предположил, что для объяснения одноразо­вого обучения должны существовать быстрые синапсы, меняющие свои характеристики в ответ на однократное возникновение некоторой, обычно новой или значимой ситуации. Мальсбург назвал их «хэббов-скими синапсами». Такие синапсы действительно были обнаружены в последнее время и по предложению Нобелевского лауреата по биологии Фрэнсиса Крика иногда называются теперь «мальсбургскими». Мы под­робнее остановимся на обсуждении этих нейрофизиологических меха­низмов в последующих главах, посвященных сознанию и памяти (см. 4.4.3 и 5.3.2).

Примером более эффективного компьютерного алгоритма обучения в самой нейроинформатике служит предложенный канадским информа­тикой Джеффри Хинтоном и его коллегами метод обратного распрост­ранения ошибки (backpropagation of error). В этом случае сети предъявля­ется некоторая конфигурация, а затем ответ на выходе сравнивается с идеальным, желаемым ответом. Результат подобного сравнения того, что должно быть (Sollwert), с тем, что есть (Istwert), вычисляется и пропуска­ется затем в обратном направлении: от выхода сети к ее входному слою, причем на каждом промежуточном этапе осуществляются некоторые


коррекции весовых коэффициентов связей элементов с целью последу­ющей минимизации рассогласования. Телеологизм этих процессов и не­обходимость эксплицитного надсмотра за обучающейся сетью порожда­ют, с одной стороны, множество смутных психологических аналогий, а с другой стороны, известный скептицизм в оценке «обратного распрос­транения» как подходящего средства моделирования когнитивных про­цессов. Дело в том, что «контролируемая минимизация рассогласова­ния» оставляет сильное впечатление произвольного подбора желаемого результата15.

Ряд коннекционистских моделей использует обратные связи для повторного пропускания продуктов обработки через нейронную сеть. Это свойство, называемое рекуррентностью, позволяет обрабатывать конфигурации на входе в контексте предыдущих событий («прошлого опыта»). Два варианта рекуррентных сетей, использовавшихся для мо­делирования синтаксического анализа речи, показаны на рис. 2.11. Су­ществует практически открытое множество других вариантов коммута­ции элементов, а также возможность соединения коннекционистских моделей с традиционными символьными архитектурами в рамках гиб­ ридных моделей, включающих как символические, так и коннекцио-нистские компоненты. Так, в литературе интенсивно обсуждается воз­можность существования разных нейролингвистических механизмов для работы с регулярными и нерегулярными глаголами (Pinker, 2000). В случае регулярных глаголов, склоняемых по определенным фиксиро­ванным правилам, в памяти могла бы сохраняться лишь корневая мор­фема, по отношению к которой осуществляются традиционные сим­вольные трансформации (скажем, добавление «-ed» при переходе к прошедшему времени в английском языке). Работа с нерегулярными глаголами, напротив, требует заучивания индивидуальных паттернов (как в случае грамматических форм английского глагола «to be»: am, are, is, was, were). При моделировании такого, скорее механического, заучи­вания могли бы помочь нейронные сети (см. 7.1.3).

Коннекционизм не мог не вызвать острых научных дискуссий. Они возникли прежде всего с представителями символьного и модулярного подходов (Fodor & Pylyshin, 1988), для которых подобное применение идеи параллельности ведет слишком далеко, вплоть до отказа от основ­ных принципов переработки символьной информации, выделенных к началу 1980-х годов. В самом деле, в распределенных архитектурах не выполняются основные логические требования к символьной записи информации, а следовательно, к коннекционистским репрезентациям не применимы средства исчисления предикатов (см. 2.3.3). Поэтому,

15 Вне психологии — нейроинформатика, компьютерное зрение и роботика — широ­ко используются алгоритмы обучения нейронных сетей, не требующие внешнего над­смотра. Речь идет прежде всего о разновидности разработанных финским информатикой 138   Т. Кохоненом самоорганизующихся карт (self-organizing maps).



 


- контекстные нейроны ''

Рис. 2.11. Рекуррентные нейронные сети, применяющиеся для (А) моделирования пост­роения форм прошлого времени английских глаголов и (Б) предсказания грамматичес­кой категории следующего слова в предложении (по: Cooper, 1996).

кстати, сами коннекционисты говорят об изучении субсимвольных про­цессов. Для некоторых видных психологов и лингвистов (например, Levelt, 1990) попытки моделирования познания с помощью обучаю­щихся искусственных нейронных сетей представляют собой лишь слег­ка осовремененную редакцию упрощенных ассоцианистских взглядов. Интересно, что слабые и сильные стороны более традиционных символьных и относительно новых коннекционистских моделей разли­чаются между собой. Символьные программы относительно удобны при реализации эксплицитных правил и практически беспомощны в облас­ти интуитивных достижений, таких как разделение сцены .на фигуру и фон в процессах зрительного восприятия (см. 1.3.1 и 4.3.3). Искусствен­ные нейронные сети, напротив, впервые позволили легко смоделиро­вать эффекты перцептивной организации и, скажем, эффекты ассоциа­тивного обучения и запоминания, но они плохо, путем многочисленных повторных приближений справляются с выделением, казалось бы, со­всем простых правил. Это позволяет предположить, что наиболее веро­ятным будущим в области моделирования познавательных возможнос­тей человека и животных станет использование интегральных или гибридных архитектур, сочетающих достоинства символьного и субсим­вольного подходов (и, будем надеяться, свободных от их недостатков!).


Одним из самых первых примеров интегрального подхода, заполня­ющего брешь между субсимвольными и символьными репрезентациями,


139


являются работы ученика Румелхарта Пола Смоленского (Smolensky, 2005). Использовав математический аппарат тензорного исчисления, он доказал принципиальную возможность построения коннещионистско- символъных когнитивных архитектур (ICS = Integrated Connectionist/ Symbolic), в которых свойства символьных преобразований реализуются

1                                                                       на макроуровне описания, тогда как на микроуровне ментальные репре-

зентации описываются как массивно-параллельные процессы распрос­транения волн активации по нейронным сетям. Этот подход был приме­нен Смоленским и его коллегами в области теоретической лингвистики, где они, прежде всего, попытались объяснить разнообразные феномены маркированности — использование специальных лингвистических средств для выражения относительно нетипичных (или «менее гармо­ничных») в данном контексте языковых конструкций (см. 7.3.2 и 8.1.2). Несмотря на то, что их реализация осуществляется посредством нейро-сетевых механизмов, подобные «гармоничные грамматики» способны, по мнению Смоленского, полностью заменить генеративные граммати­ки при описании общих принципов функционирования языка. Процесс порождения речевых звуков (модель относится пока преимущественно к сфере фонологии речи — Prince & Smolensky, 1997) описывается при этом как оптимизация решения, удовлетворяющая нескольким гетеро­генным правилам, таким как запрет на возникновение последовательно­стей из большого числа согласных звуков (см. 7.1.1).

В столь динамичной области, как когнитивная наука, трудно предсказывать будущее развитие событий. В рамках работ по вычисли­ тельной нейронауке (нейроинтеллекту) и эволюционному моделированию в последнее время начинают рассматриваться более реалистичные, с биологической и биофизической точки зрения, альтернативы искусст­венным нейронным сетям (такие как самоорганизующиеся карты, кле­точные автоматы и, в отдаленной перспективе, квантовые компьюте­ры — см. Doyle, 2003; O'Reilly & Munakata, 2003). При увеличении объе­ма мозга в процессе эволюции исходный сетевой принцип «всё связано со всем» перестает выполняться, возникают элементы модулярной макроорганизации (Striedter, 2004). Кроме того, при моделировании познания до сих пор практически никак не учитывалась роль нейро- трансмиттеров, химических передатчиков сигналов между нейрона­ми и модуляторов их активности. Диффузное, не ограниченное одним лишь преодолением синапсов действие нейротрансмиттеров может, ле­жать в основе регуляции эмоциональных состояний и интеграции ней­ронов в сложные самоорганизующиеся системы. Последнее представ­ляется очень существенным — ведь целостный мозг демонстрирует не только способности решения тех или иных узкопознавательных задач, но и множество других биологически и социально необходимых функ­ций, в частности, связанных с эмоциями и мотивированным поведени­ем (см. 2.4.3 и 9.4.3).

140


2.4 Усиливающееся влияние нейронаук

2.4.1 Интерес к нейропсихологическим данным

Глобальная тенденция, ярко выступившая в течение последнего десяти­летия 20-го века, связана с ростом интереса к мозговым механизмам — реальной архитектуре познавательных процессов. Возникновение ког­нитивного подхода многие психологи восприняли первоначально как освобождение от (пусть часто лишь декларируемой) необходимости ин­тересоваться мозговым субстратом и возможными нейрофизиологичес­кими механизмами тех или иных познавательных процессов. Если упо­добить психику компьютерным программам, то очень важно, что одна и та же программа может быть запущена на разном «хардвере» — на раз­личных реализациях машины Тьюринга. Есть, следовательно, известная независимость программного обеспечения, или «софтвера», от машин­ного субстрата. Суть ранней компьютерной метафоры состояла в пред­положении о том, что психика относится к мозгу так же, как программа относится к машинному субстрату. Компьютерные программы в каче­стве психологической теории позволяют интерпретировать наблюдае­мые в исследованиях эффекты, «не дожидаясь — по словам Найссера — пока придет нейрофизиолог и все объяснит» (см. 2.3.2).

В 1982 году Дэвид Марр (Магг, 1982), изучавший сенсорные меха­низмы зрительного восприятия и координации движений, сформулиро­вал альтернативный методологический принцип, предполагающий од­новременный анализ как биологических, так и искусственных систем переработки информации на трех уровнях их описания:

1) общий функциональный анализ решаемых системой задач;

2) алгоритмическое описание выполняемых операций;

3) анализ воплощения этих алгоритмов на конкретном субстрате, или
«хардвере».

В последующие годы с появлением множества нестандартных ар­хитектур в коннекционизме и, в особенности, в связи со спекуляциями о мозговой локализации тех или иных «когнитивных модулей» есте­ственно стал возникать вопрос о том, как эти гипотетические механиз­мы реализованы на самом деле. Требование Марра к доведению анализа до уровня нейрофизиологического «воплощения» постепенно стало если не необходимым, то во всяком случае желательным элементом лю­бого претендующего на научную полноту когнитивного исследования.

Все это, наряду с наметившимися трудностями проверки формаль­ных моделей (см. 9.1.2), привело к настоящему всплеску интереса к ней­ропсихологическим данным о нарушениях и мозговых механизмах по­знавательных процессов. Изменился и сам характер когнитивных исследований, которые в значительной степени опираются сегодня на данные нейропсихологических и нейрофизиологических работ. Поэто­му общие очертания многих моделей познавательных процессов в нача-



 


Рис. 2.12. Новая метафора когнитивных исследований: А. Левое полушарие коры с обо­значением долей: (1) фронтальных, (2 теменных, (3) затылочных и (4) височных; Б. Про­дольный разрез мозга, позволяющий увидеть некоторые субкортикальные структуры, такие как таламус и средний мозг.

ле 21-го века напоминают рис. 2.12. Напротив, начиная с 1990-х годов ослабло влияние собственно компьютерной метафоры и машинных (или машиноподобных) моделей. В связи с этим развитием в психоло­гических работах стали использоваться анатомо-физиологические тер­мины, в частности, для обозначения локализации возможных мозговых механизмов: антериорные (передние), постериорные (задние), дорзаль-ные (расположенные в верхней части коры), вентральные (в нижней ее части), латеральные (на боковой поверхности), медианные (вблизи раз­деляющей кору на два полушария продольной борозды). Типичным ста­ло и упоминание долей коры головного мозга: фронтальных (лобных), темпоральных (височных), париетальных (теменных), окципитальных (затылочных), а также и более локальных их областей16.

Традиционным нейропсихологическим подходом является выде­ление разнообразных синдромов — систематического сочетания от­дельных симптомов нарушения поведения и работы мозга. Значение синдромного анализа двояко. Во-первых, он позволяет относительно упорядочить материал клинических наблюдений, главным образом, поведенческих коррелятов локальных поражений мозга. Во-вторых, он дает возможность, хотя бы в самом первом приближении, опреде-


142


16 В этой книге при упоминании различных долей коры используются принятые в рус­скоязычной литературе термины с одним исключением — вместо термина «лобные доли» мы вынуждены чаще использовать международный термин «фронтальные доли». Это свя­зано с тем, что вслед за упоминанием общего региона сегодня часто приходится вводить дальнейшие уточнения локализации, такие как «префронтальные» или «фронтополяр-ные» структуры (см. 4.4.2). Соответствующих производных от прилагательного «лобные» не существует.


лить области мозга, ответственные за те или иные функциональные проявления — речь (синдромы афазии), память {амнезия), восприятие (агнозия), программирование и реализацию действий (апраксия) и т.д. Некоторые из числа наиболее известных синдромных нарушений при­ведены в таблице 2.1.

Таблица 2.1. Наиболее известные синдромы клинической нейропсихологии

 

Синдром Область нарушений

Речевые процессы (см. 7.1.3 и 7.3.3)

Афазия Брока Произношение и грамматическая правильность речи
Афазия Вернике Понимание речи, использование подходящих слов
Проводниковая афазия Повторение услышанных (и понятых) слов и предложений
Аномия Нахождение слова в памяти
Словестная глухота Узнавание слова на слух и его повторение
Алексия/Дислексия Чтение, понимание и повторение написанного
Аграфия Различные аспекты навыка письменной речи

Другие символические координации

Акалькулия Математические способности, счет в уме

Восприятие и сенсомоторные процессы (см. 3.3.1 и 3.4.2)

Агнозия Узнавание предметов в той или иной модальности
Прозопагнозия Зрительное узнавание лиц
Апраксия Произвольные движения и сенсомоторные навыки

Внимание (см. 3.4.2 и 4.4.3)

Синдром Балинта Интеграция локальных впечатлений в целостный образ
Игнорирование полупространства Внимание к предметам, латерализованным в пространстве

Память (см. 5.1.1 и 5.3.2)

Амнезия Процессы произвольного припоминания и узнавания

Мышление и планирование деятельности (см. 4.4.2, 5.2.3 и 8.1.3)

Лобный/Дезэкзе-кутивный синдром Произвольный контроль действий, достижение целей, а также их смена в случае изменения обстоятельств

Несколько иная стратегия исследований связана с анализом от­ дельных случаев, когда в первую очередь подчеркивается индивидуаль­ная картина нарушения и личности пациента, а не то общее, что роднит данный случай с множеством аналогичных, как при описании обобщен­ных синдромов. Настоящим мастером анализа отдельных случаев был А.Р. Лурия. Этот жанр чрезвычайно распространен и в современной ког­нитивной науке, особенно в работах известного американского нейро-психолога Оливера Закса (например, Sacks, 1995). Наконец, третья стра­тегия исследований, называемая методом двойных диссоциаций, состоит в поиске таких пар отдельных случаев (или, если повезет, синдромов), которые представляют собой как бы зеркальную картину друг друга.


Дата добавления: 2019-07-17; просмотров: 108; Мы поможем в написании вашей работы!

Поделиться с друзьями:






Мы поможем в написании ваших работ!