Smegenų evoliucija: laidų taktika vietoje sluoksnių

Senas tavo smegenų vaizdinys kaip tvarkingas sluoksnių krūvelė - senoviniai instinktai apačioje, šiuolaikinis mąstymas viršuje - griūva. Tai skambėjo tvarkingai. Atrodė intuityvu. Tačiau nauji Džordžijos technologijos instituto (Georgia Tech) darbai sujaukia tą paveikslą ir kelia kitą klausimą: o jeigu evoliucija mažiau apie sluoksnius, o labiau apie laidų struktūrą ir kompromisus?

Tyrėjai, vadovaujami Nabil Imam, priėmė palyginimo metodą, tirdami smegenų struktūrą 182 rūšyse ir išbandydami idėjas dirbtiniuose neuroniniuose tinkluose. Rezultatas, paskelbtas žurnale Science Advances, perkuria pagrindines smegenų dalis ne kaip atskirus modulius, o kaip konkuruojančias laidų strategijas, kurios plečiasi ir traukiasi kartu, kai rūšys prisitaiko prie aplinkos.

Pamirškite neokorteksą kaip kruopščiai nubrėžtą žemėlapį. Greta esančios kūno dalys ir jutiminiai įėjimai užima gretimas žievės teritorijas. Toks žemėlapio tipo išdėstymas puikiai tinka regai, klausai ir lytėjimui - užduotims, kuriose erdviniai ryšiai yra esminiai. Priešingai, grandinės, kurias mes apibendriname kaip limbinę sistemą, elgiasi mažiau kaip žemėlapiai ir labiau kaip brūkšninių kodų raštai: išdėstyti modeliai, išsiskleidžiantys tinkluose, tinkami atpažinti kvapus, saugoti sudėtingas atmintis ar užkoduoti navigacijos signalus.

Voverinės beždžionės smegenų (kairėje) ir devynių juostų armadilio smegenų (dešinėje) skerspjūviai iliustruoja, kaip skirtingos neuronų sistemos tarp rūšių plečiasi arba traukiasi kartu. Labai vizuali voverinė beždžionė turi didesnį neokorteksą (mėlyna), o kvapams pasikliovęs armadilis turi didesnį uoslės kompleksą (violetinė) ir atminties centrą (žalia). 

Šie skirtumai yra svarbūs. Tarp gyvūnų limbinio tinklo dalys kartu kyla ir leidžiasi. Kai viena limbinė sritis išsiplečia, jos partnerės paprastai taip pat auga, tuo tarpu neokortikalės sritys dažnai traukiasi. Pavyzdžiui, devynių juostų armadilis stipriai remiasi uosle ir turi santykinai išplėstą limbinį aparatą. Voverinė beždžionė, turinti vizualiai turtingą gyvenimą, turi smegenis, kurias dominuoja žemėlapiškos žievės struktūros. Tai ne atsitiktinis žaidimas. Tai koordinuotas poslinkis.

Tačiau vien tik koreliacija būtų tik vilionė. Norėdami ištirti priežastis ir pasekmes, Imam ir kolegos sukūrė dirbtines smegenis, kurios pradėjo nuo skirtingų laidų brėžinių. Tinklai su lokalizuotais, erdviniais ryšiais ypač gerai sekėsi regai ir klausai. Modeliai, sujungti išsklaidytai, netopografiškai, geriau tvarkėsi su uoslėmis ir atmintimi. Trumpai tariant: architektūra nulemia funkciją. Taip pritaikymas ne tik buvo įtikinamas. Jis buvo prognozuojantis.

Koncepcinė iliustracija dviejų tyrime nustatytų laidų strategijų. Erdvės tvarka organizuotos grandinės neokortekse (kairėje) išlaiko žemėlapiškus ryšius, o išskaidyti tinklai limbinėje sistemoje (dešinėje) sujungia informaciją tarp vietų, kuriant kompromisą, galintį formuoti smegenų evoliuciją. 

Kodėl evoliucija būtų linkusi rinktis vieną laidų stilių už kitą? Smegenys yra brangios. Audiniai reikalauja energijos, o kaukolė turi ribotą vietą. Natūrali atranka, atrodo, perskirsto tą erdvę. Jei rūšis priklauso nuo kvapo išlikimui, išskaidytos limbinio tipo tinklos plečiasi, o žemėlapio tipo žievės sritys susitraukia. Jei svarbiausia yra rega, vyksta atvirkščias procesas. Studijos simuliacijos, kuriose dvi sistemos konkuravo dėl ribotos talpos, atkartojo šiuos poslinkius: paskatink uoslės užduotį ir išskaidyti tinklai išsiplečia; paskatink regą ir žemėlapiška žievė užima viršų.

Šis atradimas keičia mūsų supratimą apie limbinę sistemą. Ji nėra atsitiktinė senų funkcijų krūva; jos komponentai veikia kaip koordinuotas ansamblis, kartu kintantys per evoliucinį laiką. Emocijos, atmintis, uoslė ir navigacija nėra atsitiktinai susietos - jos dalijasi laidų logika, kuri teikia pirmenybę išskaidymui, o ne erdviniam gretimumui.

Yra pamoka ir dirbtiniam intelektui. Šiuolaikiniai DI paprastai mokosi iš kalnų duomenų be daug įgimtos struktūros. Biologinės smegenys, priešingai, atsiranda su architektūromis, kurios nukreipia mokymąsi link naudingų reprezentacijų. Ar DI galėtų įgyti efektyvumo pasiskolinus tokį iš anksto užprogramuotą principą? Imam teigia, kad taip - pritaikius architektūrą informacijai, kurią sistema turi apdoroti, galima sumažinti duomenų poreikį ir pagreitinti mokymąsi.

Ne tvarkingas senų prieš naujas dalių sluoksnis. Vietoje to pragmatiška laidų ekonomika: žemėlapiai ir brūkšniniai kodai keičiasi vieta pagal ekologijos reikalavimus. Smegenų istorija nėra apie sluoksnius, o apie pasirinkimus - ir tie pasirinkimai gali išmokyti mašinas mokytis šiek tiek elegantiškiau.