Представление о том, что мозг работает посредством нейронов и синапсов – так называемую нейронную доктрину, – сформулировал чуть больше века назад испанский ученый Сантьяго Рамон-и-Кахаль[237]. Он был одним из гениев нейробиологии и в 1906 г. получил Нобелевскую премию по физиологии[238]. Исследователь окрашивал мозговую ткань и изучал ее срезы под микроскопом, таким образом он смог отследить сложные переплетения нейронов и получить первое истинное представление о том, как работает мозг[239]. Информация течет от нейрона к нейрону через их тончайшие дендриты и терминали. Движение информации управляется синапсами между нейронами. Где-то они останавливают поток, где-то пропускают, направляют по определенным путям и сетям в мозге – это происходит на всех этапах прохождения информации: от входных данных через внутреннюю обработку к результату на выходе. В общих чертах представление испанского ученого не отличается от того, которым пользуются современные нейробиологи[240]. Изящные рисунки Кахаля, на которых изображены отдельные клетки мозга, до сих пор приводятся в учебниках.

Вдохновившись нейронной доктриной, инженеры и ученые создали искусственные нейроны и соединили их в обширные сети, чтобы посмотреть, насколько обучаемой и умной окажется имитация нервной системы[241]. Эта технология перевернула наш мир. Искусственные нейронные сети оказались невероятно адаптивными и обрели огромную мощь. Поисковые системы в интернете, цифровые помощники, которые будто бы понимают речь, беспилотные автомобили, алгоритмы торгов на бирже Уолл-стрит, начинка вашего смартфона – все эти ставшие обыденными элементы нашего времени работают в том числе на искусственных нейронных сетях.

Сантьяго Рамон-и-Кахаль – не только отец современной нейробиологии, но и (чего никто не мог предположить) основоположник сегодняшней технологической революции.

Лежащий в основе нейронных сетей принцип состоит в том, что каждый отдельный нейрон предельно прост, но, когда громадное их количество соединяется вместе, они становятся огромной вычислительной мощью. По сути нейрон всего лишь посылает сигнал. Предположим, нейрон А соединен синапсом с нейроном Б. Когда А активируется, он посылает электрический сигнал, который идет по всей его длине, доходит до синапса, перескакивает дальше с помощью химического переносчика и воздействует на Б. Если это возбуждающий синапс, то сигнал усилит имеющуюся активность нейрона Б, для которого тогда повысится вероятность послать свой собственный сигнал. Если это тормозной синапс, то сигнал, перескочивший по нему, утихомирит активность нейрона Б, для которого тогда понизится вероятность послать свой собственный сигнал. Также синапсы могут различаться по силе воздействия – некоторые передают более мощные сигналы, позволяя нейрону А сильнее воздействовать на нейрон Б, а некоторые слабее, и тогда нейрон А почти не влияет на нейрон Б. На самом упрощенном уровне все, что происходит, – это синаптическое влияние нейрона А на нейрон Б, повторенное триллионы раз в огромной интерактивной сети. Каждый нейрон получает сигналы от 100 000 других нейронов. И ему нужно подсчитать входные сигналы и принять решение с учетом всего шквала входящей информации, всей возбуждающей и тормозной трескотни, всех “да” и “нет”, сыплющихся в данный конкретный момент, – кто побеждает, “за” или “против”? И если “за”, то нейрон посылает свой собственный сигнал, чтобы воздействовать на более обширную сеть. Задача каждого нейрона – снова и снова принимать это единственное решение. Из кажущегося хаоса повторяющихся простых действий возникают сложные модели.

Нейронные сети, биологические или искусственные, прекрасно обучаются решению сложных задач. К примеру, если вы хотите научить искусственную нейросеть распознавать лица, то давайте ей входящую пиксельную информацию о лице с цифровой камеры, а нейросеть в ответ будет выдавать вам информацию о том, чье оно. Между входом и выходом данных – лабиринт нейронов и синапсов, по которому течет информация. Вначале нейросеть плохо справляется с задачей, связывая лица с конкретными именами наобум. Но с каждой попыткой она получает обучающий сигнал. По мере обучения она вносит изменения в то, какой нейрон куда передает сигнал, насколько крепка каждая из связей и тормозит она или возбуждает. В итоге, оттачивая настройку синаптической схемы, нейросеть научается тому, что должна делать. Увидев лицо Джима – в тени или на свету, улыбающегося или хмурого, – машина свяжет входящую зрительную информацию с нужной исходящей и скажет вам: “Это Джим”. Никто заранее не знает, как должна выглядеть подходящая схема синапсов. Невозможно спроектировать качественное устройство распознавания лиц во всех подробностях. Система обучается методом проб и ошибок, пока не возникнет схема связей, позволяющая успешно справляться с задачей.

Учитывая последние сто лет работы с биологическими нейронами и недавние успехи искусственных нейросетей, большинство нейробиологов сегодня полагают, что суть мозга кроется в схеме связей между его нейронами. С этой точки зрения, если бы мы могли измерить все нейроны в мозге какого-то человека, расписать, какие из них с какими связаны, и описать синапсы между ними, – мы бы получили сущность этого человека. Описанная гипотетическая карта всех нейронов и их синаптических связей называется “коннектом”[242] – причем слово, похожее на “геном”, выбрано не случайно. И вот почему: если ученым удалось картировать человеческий геном (достижение, которое когда-то считалось невозможным), то они смогут осилить и еще более сложную технологическую задачу – картировать человеческий коннектом. У каждого человека есть свой уникальный коннектом, определяющий уникальный разум.