Другая критика теории направлена на ее аксиоматическую основу. Согласно этому аргументу, аксиомы, выбранные Тонони, не являются единственными, на которых можно построить теорию сознания. И его способ отображения этих аксиом на математику, очевидно, тоже не единственный и не лучший. Проблема в том, что если основы IITпроизвольны, то как мы можем доверять выводам, которые из них следуют, особенно если они нас удивляют
Неофициальный опрос ученых, изучающих сознание, проведенный в 2018 году, показал, что IIT не является предпочтительной теорией среди экспертов (она заняла четвертое место после двух других теорий и общей категории "другое"). Но в том же опросе выяснилось, что среди неспециалистов IIT оказалась лучше: фактически, она заняла первое место среди той части неспециалистов, которые посчитали, что обладают достаточными знаниями, чтобы ответить. Некоторые авторы опроса подозревают, что это может быть результатом пиара IIT. Со стороны теория выглядит вполне обоснованной хотя бы потому, что за ней стоит авторитет строгой математики. И больше, чем большинство научных теорий сознания, IIT была представлена в популярной прессе. В том числе в работах Кристофа Коха, выдающегося нейробиолога, который стал соратником Тонони и публичным защитником IIT. В своей книге "Сознание: Confessions of a Romantic Reductionist" Кох описывает свой личный путь в научном изучении сознания, включая работу с лауреатом Нобелевской премии Фрэнсисом Криком, и свои взгляды на IIT. Такие популярные статьи могут быть эффективны для донесения теории до широкой аудитории, но не обязательно убедят знающих ученых.
Даже те ученые, которые не верят в силу IIT, все равно склонны аплодировать этой попытке. Сознание, как известно, трудноуправляемая концепция, поэтому попытка IIT подчинить его упорядоченному научному исследованию - это шаг в правильном направлении. Как написал в своем блоге ярый критик IIT физик Скотт Ааронсон: "Тот факт, что интегральная теория информации неверна - явно неверна, по причинам, которые лежат в ее основе, - ставит ее примерно в 2 процента от всех когда-либо предложенных математических теорий сознания. Почти все конкурирующие теории сознания, как мне кажется, были настолько расплывчатыми, пушистыми и податливыми, что они могут только стремиться к ошибочности".
* * *
ГУТ могут быть скользкой штукой. Чтобы быть великими и объединяющими, они должны делать простые утверждения о невероятно сложном объекте. Почти любое утверждение о "мозге" гарантированно содержит исключения. Поэтому, если сделать ГУТ слишком грандиозным, он не сможет объяснить много конкретных данных. Но если слишком сильно привязать ее к конкретным данным, она перестанет быть великой. Будучи непроверяемыми, непроверенными или проверенными и провалившимися, ГУТ мозга, пытаясь объяснить слишком много, рискуют не объяснить вообще ничего.
В то время как для нейробиологов, стремящихся к GUT, это представляет собой нелегкую задачу, в физике это не так сложно. Причина такого различия может быть проста: эволюция. Нервные системы развивались на протяжении веков, чтобы удовлетворить потребности ряда конкретных животных в конкретных местах, сталкивающихся с конкретными проблемами. Изучая такой продукт естественного отбора, ученые не имеют права на простоту. Биология выбрала любой путь, необходимый для создания функционирующих организмов, не обращая внимания на то, насколько понятной будет та или иная их часть. Поэтому нет ничего удивительного в том, что говорится о том, что мозг - это просто сборная солянка из различных компонентов и механизмов. Это все, что нужно для его функционирования. В общем, нет никаких гарантий - и, возможно, даже нет убедительных причин ожидать, - что мозг можно описать простыми законами.
Некоторые ученые предпочитают принять этот беспорядок. Вместо того чтобы сократить мозг до самых простых элементов, они строят некую "большую единую модель", которая соединяет все части воедино. В то время как традиционные модели GUT по простоте напоминают стейк, приготовленный с добавлением соли, эти модели больше похожи на большую кастрюлю супа. И хотя они не такие изящные и элегантные, как GUT, они могут быть лучше оснащены для выполнения работы.
Одним из примеров такого более инклюзивного подхода является сверхдетальное моделирование, созданное в рамках проекта Blue Brain Project, о котором говорилось в главе 2. Эти исследователи извлекли бесчисленное количество деталей о нейронах и синапсах с помощью серии кропотливых экспериментов. Затем они собрали все эти данные в сложную вычислительную модель небольшого участка мозга. Такой подход предполагает, что каждая деталь ценна и что мозг не понять, если их отбросить. Это искреннее принятие всех нюансов биологии в надежде, что, собрав все воедино, мы получим более полное представление о том, как работает мозг. Однако проблема здесь заключается в масштабах. При восходящем подходе к восстановлению мозга можно работать только с одним нейроном за раз, а значит, до создания полной модели еще далеко.
Семантическая архитектура указателей (Semantic Pointer Architecture Unified Network), более известная как SPAUN, подходит к делу с совершенно другой стороны. Вместо того чтобы фиксировать все тонкости нейробиологии, SPAUN, разработанная командой под руководством Криса Элиасмита в Университете Ватерлоо (Онтарио, Канада), направлена на создание работающей модели мозга. Это означает, что мы получаем те же сенсорные входы и имеем те же двигательные выходы. В частности, SPAUN получает на вход изображения и управляет симулированной рукой для создания выходных данных. Между этими входами и выходами находится сложная сеть из 2,5 миллионов простых модельных нейронов, расположенных таким образом, чтобы в общих чертах имитировать структуру всего мозга. Благодаря этим нейронным связям SPAUN может выполнять семь различных когнитивных и моторных задач, таких как рисование цифр, запоминание списков объектов и составление простых узоров. Таким образом, SPAUN отказывается от элегантности в пользу функциональности. Конечно, человеческий мозг содержит в десятки тысяч раз больше нейронов и может выполнять гораздо больше, чем семь задач. Смогут ли принципы утилитарности и масштабирования, благодаря которым SPAUN достигла своей цели, довести ее до полноценной модели мозга - или нужно будет добавить еще больше нюансов работы нейронов - пока неизвестно.
Истинные ГУТ стремятся к конденсированию. Они переплавляют разнообразную информацию в компактную и легко усваиваемую форму. Благодаря этому GUT кажутся удовлетворительными, потому что они дают ощущение, что работу мозга можно полностью охватить одним взглядом. Такие модели, как SPAUN и симуляция Blue Brain Project, однако, являются экспансивными. Они привлекают множество источников данных и используют их для построения сложной структуры. Таким образом, они жертвуют интерпретируемостью ради точности. Их цель - объяснить все, включив в себя все, что можно объяснить.
Хотя, как и в случае со всеми другими моделями, даже эти, более обширные, все равно не являются идеальными копиями. Создателям этих моделей все равно приходится выбирать, что включать, а что не включать, что объяснять, а что игнорировать. Если стремиться к чему-то сродни ГУТ, всегда хочется найти простейший набор принципов, способный объяснить наибольший набор фактов. С таким плотным и запутанным объектом, как мозг, этот простой набор может оказаться довольно сложным. Заранее знать, какой уровень детализации и какой масштаб потребуется для отражения соответствующих особенностей работы мозга, невозможно. Прогресс в этом вопросе возможен только благодаря построению и тестированию моделей.
В целом, нейронаука поддерживает очень плодотворные отношения с более "тяжелыми", количественными науками. Она получила множество подарков от таких наук, как физика, математика и инженерия. Эти аналогии, методы и инструменты изменили представление обо всем - от нейронов до поведения. А изучение мозга дало ответную отдачу, став источником вдохновения для искусственного интеллекта и полигоном для испытания математических методов.
Но нейронаука - это не физика. Она не должна играть роль младшего брата или сестры, пытаясь в точности следовать по стопам этой более старой дисциплины. Принципы, которыми руководствуется физика, и стратегии, которые привели ее к успеху, не всегда будут работать, если применить их к биологии. Поэтому вдохновение следует воспринимать с осторожностью. При создании моделей разума эстетика математики не является единственным путеводным маяком. Скорее, это влияние должно всегда взвешиваться с уникальными реалиями мозга. При правильном балансе хитросплетения биологии можно свести к математике таким образом, чтобы получить истинное понимание и не подвергнуться чрезмерному влиянию других областей. Таким образом, изучение мозга прокладывает свой собственный путь к использованию математики для понимания мира природы.
Математическое приложение