Чтение онлайн

Заявление Тьюринга удивительно. В самом начале эры цифровой информации один из ее основателей уже понимал, что возможности компьютеров ограниченны. Наверное, еще больше шокирует осознание того, что в то время Тьюринг уже убедился в значительном превосходстве вычислительной способности человеческого мозга над способностью созданного им вычислительного инструмента. Как он отмечал, «класс проблем, которые может решить машина, весьма специфичен. Это те проблемы, которые могут быть решены конторским служащим, действующим по заданным правилам и без понимания» и, как выясняется, без ограничения в количестве бумаги. Придя к этому выводу, Тьюринг непреднамеренно положил начало развитию направления гиперкомпьютерных (сверхтьюринговых) вычислений.

Однако я должен подчеркнуть, что сам Тьюринг никогда не предполагал, что нечто вроде оракула может быть построено; он многократно настаивал на том, что в каждом элементе математического мышления присутствует интуиция (человеческое свойство из разряда невычислимых функций). Говоря это, он фактически подтверждал вывод Гёделя, отразившийся в его теоремах. По мнению Гёделя, при наличии формализованного математического доказательства интуиция проявляется на тех этапах, где математик видит справедливость ранее недоказанного утверждения. Однако Тьюринг не делал никаких предположений по поводу того, что мозг делает физически в момент принятия интуитивного решения.

Через много десятилетий после появления идеи машины с оракулом Грегори Хайтин, работавший с бразильскими коллегами Ньютоном Карнейро Аффонсо да Коста и Франсиско Антонио Дориа, выдвинул сходную идею о том, что «аналоговые, а не цифровые устройства могут решать некоторые нерешаемые арифметические выражения». Это возможно по той причине, что аналоговые вычислительные устройства осуществляют вычисления физическим образом, что означает, что они производят вычисления, просто подчиняясь законам физики, а не следуя заранее заданному алгоритму в рамках формальной системы. Иными словами, в аналоговых компьютерах не существует разделения между аппаратной и программной частью, поскольку конфигурация первой отвечает за осуществление вычислений и может модифицировать саму себя. Это именно то, что мы ранее назвали интегральной системой.

По мнению Хайтина, да Косты и Дориа, аналоговые устройства могут служить основой гиперкомпьютеров, или «устройств из реального мира, справляющихся с вопросами, которые не могут быть решены машиной Тьюринга». Эти авторы также предполагают, что возможность создания прототипа такого гиперкомпьютера путем сопряжения машины Тьюринга с аналоговым устройством зависит лишь от уровня развития соответствующей технологии. Это означает, что вся задача может сводиться к инженерной проблеме. Теперь вы понимаете, зачем мы в лаборатории активно проверяем эту гипотезу, создавая рекурсивное аналого-цифровое вычислительное устройство, нейромагнитный реактор, вдохновленные основными постулатами моей релятивистской теории мозга, – чтобы проверить некоторые из этих идей.

В этом теоретическом контексте не приходится удивляться тому, что такие интегральные системы, как мозг, действительно преодолевают вычислительные ограничения машины Тьюринга. На самом деле само существование мозга у животных можно использовать для опровержения «физической версии» гипотезы Чёрча – Тьюринга. Если рассматривать в таком аспекте человеческий мозг, его можно квалифицировать как гиперкомпьютер. Аналогичным образом, связывая мозг с машиной через интерфейс «мозг-машина», можно создать другой тип гиперкомпьютера, мозгосеть, в которой множество мозгов будут связаны между собой (см. главу 7).

Есть и другие математические проблемы, влияющие на вычислимость биологических функций. Например, в начале XX века Анри Пуанкаре показал, что сложные динамические системы (сущности, индивидуальные компоненты которых сами являются сложными взаимодействующими элементами) нельзя описать с помощью интегрируемых функций, т. е. производных функций, которые можно интегрировать, чтобы представлять себе связь между параметрами. Такие динамические системы характеризуются кинетической энергией составляющих их частиц, к которой нужно добавить потенциальную энергию взаимодействия между этими частицами (элементами). На самом деле именно этот второй член является причиной нелинейности и неинтегрируемости подобных функций. Пуанкаре не только продемонстрировал неинтегрируемость функций, но и предложил ее объяснение – резонанс (взаимодействие) между степенями свободы (числом частиц).

Это означает, что богатство динамического поведения сложных систем нельзя отразить разрешаемым набором простых дифференциальных уравнений, поскольку их взаимодействия в большинстве случаев приводят к появлению бесконечных членов. Бесконечные члены – постоянный кошмар математиков, поскольку они вызывают массу проблем при попытках аналитического решения уравнений.

Как мы видели ранее, мозг животного сформирован сложными, отдельными самоадаптирующимися (пластичными) нейронами, замысловатые связи и функциональная интеграция которых с миллиардами других клеток создают множество дополнительных уровней сложности нервной системы в целом. Более того, поведение каждого нейрона в конкретной сети нейронов на разных уровнях наблюдения нельзя понять в отрыве от общей картины активности мозга. В таком контексте даже самый примитивный мозг животного соответствует критериям Пуанкаре и должен рассматриваться в качестве сложной динамической системы с резонансом между разными уровнями организации или составляющими биологическими элементами (нейронами, глией и т. д.). Поэтому можно сказать, что вероятность нахождения интегрируемого математического описания активности мозга в целом весьма невысока.

Кроме того, если жизненно важные вычисления мозга (в сущности, те самые, что ответственны за его эмерджентные свойства) хотя бы отчасти происходят в аналоговом режиме, как предполагает релятивистская теория мозга, то процесс оцифровки не позволяет ни аппроксимировать физиологическое поведение мозга в конкретный момент времени, ни предсказать его эволюцию в ближайшем будущем.

Пуанкаре также показал, что сложные динамические системы могут быть очень чувствительными к начальным условиям и проявлять нестабильное и непредсказуемое поведение, которое в наши дни называют хаосом. Иначе говоря, чтобы с помощью цифровой машины предсказать поведение изменяющейся во времени аналоговой системы Пуанкаре, нужно точно знать исходное состояние системы и иметь интегрируемую вычисляемую функцию, которая рассчитывает предсказание для будущего состояния. Никакие из этих условий не соблюдаются, когда мы говорим о мозге.

Иными словами, критическая и неразрешимая проблема, с которой сталкивается любой создатель модели, нацеленной на воспроизведение поведения мозга животного с помощью цифровой симуляции, заключается в том, что из-за динамического поведения нервной системы невозможно точно оценить исходное состояние миллиардов нейронов на разных уровнях организации; при каждом новом измерении начальные условия изменяются. Кроме того, большинство уравнений, выбранных для описания динамического поведения мозга, представляют собой неинтегрируемые функции.

В свете этих ограничений типичные симуляции на машине Тьюринга, даже если это современный суперкомпьютер с тысячами микропроцессоров, скорее всего, не выявят каких-либо существенных физиологических свойств реального мозга. Важно, что такие симуляции, вероятно, будут отклоняться от динамического поведения реального мозга еще на самых первых этапах расчетов, что сделает их результаты абсолютно бессмысленными для понимания каких-то новых аспектов функционирования мозга.

При симуляции активности мозга на цифровой машине также приходится сталкиваться с многочисленными случаями неразрешимости. Разрешимость в цифровых вычислениях связана с числом циклов вычислений, необходимых для завершения конкретного расчета, а также с другими физическими ограничениями, такими как доступная память или энергетические ресурсы. Поэтому, даже если алгоритмическое представление математической функции для описания природного явления будет найдено, время симуляции по такому алгоритму может оказаться неприемлемым с практической точки зрения: оно может превышать время жизни всей вселенной. Проблемы такого рода называют неразрешимыми. Поскольку универсальная машина Тьюринга может решить любую задачу, которую может решить другая машина Тьюринга, просто повышение мощности или скорости компьютера не превращает неразрешимую проблему в разрешимую – лишь позволяет получить более качественную аппроксимацию за данный отрезок времени.

Давайте рассмотрим пример неразрешимой проблемы. Встроенные в мембраны нейронов белковые структуры, называемые ионными каналами, играют важнейшую роль в передаче информации между клетками мозга. Для нормального функционирования белки должны принимать оптимальную трехмерную конфигурацию. Окончательная трехмерная структура белков, возникающая в так называемом процессе фолдинга, является критическим фактором для нормального функционирования нейронов. Этот процесс включает в себя растяжение, сворачивание, скручивание и изгиб аминокислотной цепи, определяющей первичную структуру белка. В каждом отдельном нейроне экспрессируется до 20 тысяч разных генов, кодирующих белки, а также десятки тысяч последовательностей некодирующей РНК. И поэтому белки являются частью интегральной системы мозга, генерирующей информацию. Давайте рассмотрим простой белок, образованный линейной последовательностью примерно ста аминокислот, и предположим, что каждая из них может принимать одну из трех различных конформаций. В соответствии с моделью минимума энергии, которую обычно используют для анализа трехмерной структуры белков, для получения конечного результата нам нужно изучить 3100 или 1047 возможных состояний. Поскольку число решений в нашей модели фолдинга белка растет экспоненциально с увеличением числа аминокислот и возможных конформаций, данная проблема становится неразрешимой. Если белок принимает нативную конформацию путем случайного подбора, пробуя каждое состояние на протяжении 1 пикосекунды, общее время поиска может превысить нынешний возраст вселенной.