Чи зможе штучний інтелект розгадати таємниці мозку? Несподівані відкриття дослідження на мишах
Того самого тижня, коли у Вашингтоні проходить щорічна конференція Товариства нейронауки, де вчені сперечаються: чи може штучний інтелект (ШІ) справді пояснити, як працює мозок, інше скромне дослідження на мишах, очевидно, дало принципово важливу відповідь.
Дослідницька команда, яка навчила один із найбільших нейронних ШІ-моделей на базі мозкових даних гризунів - 3,1 мільйона нейронів, 73 миші, 150 мільярдів нейронних сигналів - виявила несподівану річ: збільшення кількості параметрів моделі не покращувало її результати. Натомість ключовим став обсяг даних. Це абсолютно суперечить головному припущенню сучасних нейромереж.
Ризикована ставка у світі нейронаук
Сьогодні нейронаука перебуває у центрі великої ставки. Застосування фундаментального підходу з великими модельними мережами, що революціонізував обробку природної мови, починає проникати і в дослідження мозку. Це ідея: навчити велику мережу на масиві нейронних даних, а потім конкретизувати її під певні задачі.
Логіка зрозуміла: якщо модель, навчену на величезному масиві мозкових записів, вдається точно спрогнозувати, як новий мозок реагуватиме на новий стимул, можливо, вона відкрила фундаментальні принципи роботи мозку.
- Meta пожертвувала 15 мільйонів доларів на проєкт у Стенфордському університеті, щоб накопичити 15 тисяч годин високоякісної функціональної МРТ.
- Їхня модель TRIBE v2 уже вміє робити нульовий “шот” прогноз: бачить новий стимул і передбачає реакцію мозку без додаткового навчання.
- Інше дослідження з Baylor College of Medicine та Allen Institute прогнозувало та підтвердило сприйняття ультрафіолету у корі мозку - на основі даних, без теорії.
Де терпить поразку традиційна ідея масштабування
І ось з’явилася модель OmniMouse, яка навчалась на неймовірному наборі: 3,1 млн нейронів, 73 миші, 323 сесії запису, більше 150 млрд даних. Вона мала перевірити, чи працює класична формула ШІ “більше параметрів = краща продуктивність”.
Однак результати були шокуючі:
- Продуктивність моделі підвищувалася із збільшенням обсягу даних.
- Але додавання параметрів понад певний рівень не давало жодних переваг.
- Традиційна закономірність у ШІ, що росте разом із розміром моделі, тут не спрацювала.
Це означає, що електрична активність нейронів організована радикально інакше, ніж дані мови чи зображень. Статистичні закономірності, які так вигідно використовують мовні моделей для масштабування, просто-напросто відсутні у нейронних сигналах у знайомому вигляді.
Для прикладу: інша велика модель BrainLM, навчена на 6700 годинах функціональної МРТ, показала: більша модель з 650 млн параметрів працює гірше за меншу з 111 млн. Водночас прості лінійні моделі, що базуються на функціональній конективності, перевершують складні глибокі нейромережі.
Два “мозки”, які не розуміють одне одного
Бінг Вен Брунтон з Вашингтона підкреслює: передбачення результату роботи мозку - це не те саме, що пояснення причин такої роботи.
Модель може точно вгадати, як ваш візуальний мозок відреагує на червоне яблуко, але не скаже, чому саме це яблуко викликало певну реакцію. Вона просто виявила статистичний патерн між вхідними даними та відповіддю.
Джон Кракавер з університету Джонса Гопкінса називає такі моделі “другим мозком, якого треба розуміти”, тобто вчені опиняються перед двома “чорними скриньками”: справжнім біологічним мозком і моделлю, натренованою на нього. Обидві залишаються загадками.
Брунтон вказує, що мозок - це не просто машина для формування візерунків у даних, а система контролю, що сформована тілом. Тобто модель, навчена на нейронних даних, зібраних під час перегляду мишами відео, не може збагнути, навіщо мозок потрібен - без фізичного тіла, рухів і соціального середовища.
Для ілюстрації: навіть якщо повністю перенести всі нейронні зв’язки хробака у роботизоване тіло, це не створить живого хробака. Частини є, а поведінки - ні.
Погляд з іншого боку: шлях до оптимізму
Патрік Мінео з фонду Amaranth наголошує - ще поки рано ставити крапку.
Мовні моделі починали з критики за те, що вони просто прогнозують наступне слово, не розуміючи мову. Проте із ростом масштабів з’явились несподівані можливості, які раніше здавались неможливими.
Саме дослідні відкриття, як прогноз ультрафіолетової чутливості, свідчать, що інструменти працюють і вже приносять наукову користь. На думку деяких експертів, це лише початок, а не остаточне рішення.
Університет Нью-Йорка додає, що існуючі бенчмарки перевіряють виключно обмежені області мозку і не враховують весь нейронний спектр. Стенфордські нейрофахівці вважають, що поєднання моделей, що вчаться виконувати конкретні завдання, із великими даними, може відкрити нові горизонти.
Практичне значення суперечки
Ця дискусія не відбувається у вакуумі - від цього залежить ефективність лікувань. Нейростимуляція при хворобі Паркінсона та інших розладах потребує тривалого налаштування. Якщо вдасться спрогнозувати реакції мозку на різні стимули, цей процес можна значно прискорити.
Подібна ситуація і з психіатричними препаратами, де моделі, що точно передбачають вплив ліків на нейронні мережі, можуть скоротити час клінічних досліджень і зменшити вартість.
Але моделі мають не лише передбачати реакції, а й бути готовими до складних реальних умов: рухів, емоцій, змін зовнішнього світу. І тут аргумент, що мозок - це система, вкорінена в тілі та середовищі, стає особливо критичним для практичних застосувань.
Що чекає на нас у неділю?
15 листопада на конгресі SfN у Вашингтоні двоє провідних учених - Брунтон і Мінео - зіткнуться у відкритому дебаті перед тисячами колег. Вони обговорять, чи призводять сучасні ШІ-моделі до справжнього розуміння мозку, чи лише дають все кращі алгоритмічні передбачення без пояснень.
Питання стоїть так: чи маркуємо ми шлях до механістичного розкриття таємниць мозку, чи продовжуємо вдосконалювати “чорні скриньки”, які, як таблиці припливів, передбачають реакції без втручання у глибинні причини.
Результати дослідження OmniMouse свідчать, що природа мозку відрізняється від звичних статистичних структур, які легко масштабувати у ШІ. Наступний прорив може вимагати абсолютно нового підходу - не просто більше даних і параметрів, а нових уявлень про те, як працює мозок.
Стаття базується на “Dual Perspectives” у The Journal of Neuroscience (Vol. 46, Issue 45) та матеріалах щорічного з’їзду Society for Neuroscience, що проходить 14-18 листопада 2026 року у Вашингтоні.
