Подобное производимое мозгом моделирование имеет важное значение для понимания того, на что способна технология, связывающая одно сознание с другим. Образы знакомых человеку объектов или имеющие к ним отношение воспоминания (например, животные, автомобили, здания) могут быть легко переданы другому лицу. С принципиально новыми объектами дело обстоит гораздо сложнее, поскольку с ними сложившиеся внутренние модели, которые мозг мог бы вызвать из памяти, еще не ассоциированы. Как уже упоминалось ранее, перцепции нельзя вызвать из глубины сознания так, как если бы они были подобны цифровым фотоснимкам, – сам механизм наших воспоминаний работает по-другому. Однако если два мозга разделяют некие общие представления, то возбуждение нейронов в одном из них может быть определено и адекватно передано в соответствующий участок другого.

Многое из того, что связано с сознанием, хранится в закодированном виде в мозге и, следовательно, может быть легко расшифровано и приведено в активное состояние. Мы узнаем мелодии независимо от тональности или инструментальной обработки. Для нас при этом важны не абсолютная высота звука или тембр, а музыкальная схема, которой соответствуют проигрываемые звуки. Мы узнаем лица людей независимо от уровня освещенности, расстояния или угла зрения. Узнаем речь, несмотря на акцент, ритм или громкость. Многие нейроученые полагают, что мозг человека хранит инвариантные репрезентации каждого подобного явления, позволяющие нам улавливать суть – какими бы ни были ее поверхностные разновидности. Для активирования этих репрезентаций требуется совсем немного. Например, когда вы видите вспышку молнии, мозгу, чтобы идентифицировать последнюю, не нужно много времени для анализа ее размера, формы, цвета, положения в пространстве и так далее. Ему достаточно ухватить ее часть – общую форму, которая и служит ключом к восприятию. Зрительный сигнал, относящийся к частичному образу объекта, возбуждает несколько нейронов, с которыми связана вся группа, отвечающая за инвариантную репрезентацию, – и вся цепь нейронов активируется полностью. Это явление называется автоассоциацией (auto-association): возбуждение части блока памяти активирует весь блок.

Разобраться в этом механизме помогает теория Дональда Хебба (Hebbian learning). Как мы уже поняли, совместно возбуждающиеся нейроны тесно связаны между собой и расположены в непосредственной близости друг от друга (neurons that fi re together wire together). Далее, каждый объект представляется в мозге специфической конфигурацией нейронов и их синаптических связей. Поскольку у каждого нейрона есть тысячи синапсов, для хранения знаний существует огромный объем – посредством ассоциирования каждого объекта с уникальной конфигурацией синапсов в группе нейронов.

Тем не менее, не стоит уподоблять человеческий мозг почтовому отделению, в котором приходящие сообщения раскладывают исключительно по абонированным ящикам. В концепциях не все столь уж красиво разложено по полочкам. Нейроны, участвующие в создании инвариантных репрезентаций, частично накладываются друг на друга. Один и тот же может служить частью многих воспоминаний и концепций. Более того, они могут соотноситься друг с другом иерархически. Допустим, наш мозг имеет нейронную цепь, ассоциированную с общим представлением о собаке, – концепцию «собака». Однако он располагает и цепями, относящимися к столь концептуальным представлениям, как «немецкая овчарка» и «чихуахуа». Каждое из трех представлений четко отличается от всех прочих, однако многие нейроны в них используются, так сказать, совместно. Существует такое множество взаимно накладывающихся и взаимодействующих нейронных цепочек, что использовать для их выявления алгоритм соответствия паттерну (pattern-matching algorithm) просто невозможно. Не говоря уже о том, что между этими цепочками имеются и смысловые взаимосвязи, также требующие выявления.

Компьютеры весьма слабо справляются с дедуктивными задачами и необходимостью приходить к определенным заключениям о сложившихся отношениях. Разработчик программ Джефф Хокинс аргументированно утверждает, что требовать от машин выполнять подобные операции – ошибочный путь. «Правильные» компьютерные программы ведут анализ, следуя принципу «от общего к частному» (top-down analysis), и пытаются соотносить объекты, опираясь на их заданную классификацию в иерархическом порядке. Мозг человека, напротив, выводит свои заключения об отношениях очень быстро и эффективно: незнакомый объект сравнивается с наиболее соответствующим ему прообразом, который уже «записан» в нейронных цепях. Например, собака незнакомой породы быстро распознается нами именно в качестве собаки, поскольку нейронная репрезентация собачьих свойств и признаков в нашем мозге – собирательный образ – может быть легко ассоциирована с любым объектом собаковидной формы.

Мозг может быстро находить в памяти точные или ближайшие соответствия, потому что нейроны тесно переплетаются массовым образом. Вообразите огромный танцевальный зал, наполненный тысячами людей. Вдруг один из них падает, и окружающие зовут доктора. Распорядитель достает мобильный телефон и звонит доктору – приятелю упавшего. Врач немедленно устремляется к пострадавшему из другого конца помещения. Люди понимающе кивают головами и говорят: «Мир тесен!» Фактически, нейронная геометрия мозга являет собой схемы (паттерны), весьма напоминающие человеческие социальные сети. Социологи установили, что сообщение может быть доставлено к заинтересованному в нем получателю – в каком бы месте мира тот ни находился – с помощью цепочки, состоящей, в среднем, всего лишь из шести человек [135] . Мозг устроен похожим образом. Некоторые нервные клетки «общаются» с ближайшими соседями, другие же протягивают нити своих аксонов достаточно далеко, достигая иных областей. Подобные устремленные вдаль соединения служат залогом того, что любая поступающая извне сенсорная информация имеет все шансы быстро дойти до тех нейронов, которые должны ее идентифицировать [136] .

В сущности, так называемые малые сети (small-world networks) – это выражение используется в наши дни как математический термин – стали вездесущими. Даже 302 нейрона простейшего существа C. elegans (свободноживущая нематода, круглый червь. – Прим. пер. ) – образуют ту же малую сеть [137] . Благодаря им мозг может легко отыскивать ближайшие соответствия, что помогает быстро устанавливать отношения между объектами и их ментальными представлениями. Поиск взаимосвязей и отношений объектов ведет нас и к поиску аналогий. Создавая их между двумя объектами, вы акцентируете фундаментальные признаки сходства и принимаете во внимание частные различия.

Таким образом, чтобы правильно интерпретировать активность мозга, нужно создать компьютер, который бы мыслил как мозг. Подобно ему, такая машина должна иметь множество блоков памяти, организованных в соответствии с принципом малых сетей. Должна уметь строить инвариантные репрезентации и, используя их, вызывать автоассоциации. И наконец, уметь предвидеть и сравнивать свои прогнозы с сенсорной информацией, поступающей благодаря непосредственному опыту общения с окружающей средой. Прогнозирование подобного рода должно служить основой для формирования воспоминаний и перцептивных моделей, а также для деятельности высшего уровня. То есть для создания гипотез и объяснения того, каким образом складываются взаимосвязи между нейронами в соответствующих цепочках. Кроме того, компьютер будущего, который мы имеем в виду, должен, основываясь на анализе проводимых в течение определенного времени наблюдений и с учетом требований постоянной самокоррекции, уметь создавать самые сложные и изощренные модели ментальной деятельности.