Може ли компютърен специалист да изгради мозък?

Илюстрация: Svetni.me

Как един биологичен мозък успява да се самоконструира, започвайки от една-единствена клетка, използвайки само информацията, кодирана в неговия геном? В теоретичен препринт [1] изследователите Стан Керстиенс и Антъни М. Задор от лабораторията Cold Spring Harbor поставят този въпрос като чисто инженерен проблем: как да напишем програма, която една клетка изпълнява, за да изгради сама себе си до сложен мозък. Тази задача е фундаментална за пресечната точка между невронауката и развитието на изкуствения интелект, тъй като съвременните модели за машинно обучение и сложните невронни мрежи се сблъскват с подобни проблеми при мащабирането на информацията. Анализът разкрива, че алгоритмичните ограничения пред изграждането на биологични мрежи съвпадат по поразителен начин с действителните стратегии, които еволюцията е избрала.

Инфографика: Трите теоретични стратегии за изграждане на невронни връзки, анализирани от Керстиенс и Задор. / Svetni.me

Информационната пропаст: Границите на генома

За да разберем мащаба на проблема, трябва да погледнем към т.нар. „информационна пропаст“ (the information gap). Човешкият мозък съдържа приблизително n ≈ 10¹⁰ неврона, всеки от които образува средно по m ≈ 10⁴ синаптични връзки, което води до общо около 10¹⁴ синапса. Ако се опитаме да запишем тази структура като проста матрица на съседство, ще ни бъдат необходими около 10²⁰ бита данни. Дори при по-икономично кодиране чрез списък от адреси за всеки неврон, изискването за пространство възлиза на милиарди гигабайти.

В същото време геномът съдържа само около 3 × 10⁹ базови двойки, което съответства на приблизително 6 × 10⁹ бита (или максимум 10¹⁰ бита теоретичен лимит, ако изключим всякаква излишност и приемем, че целият геном е посветен изцяло на мозъчното свързване). Този капацитет е почти константен за различните видове — геномът на мухата, мишката и човека се различават с по-малко от порядък, докато размерите на мозъците им обхващат цели осем порядъка. Това налага извода, че всяка успешна стратегия за окабеляване на мозъка трябва да се мащабира сублинейно спрямо броя на невроните [1].

Стратегия 1: Специфичната идентичност и нейният алгоритмичен провал

Най-интуитивният подход към изграждането на мрежа е т.нар. „подход на идентичността“ (Identity Approach). Този модел е вдъхновен от класическата хипотеза за химическия афинитет на Роджър Спери, предложена в средата на XX век. Според нея всеки неврон носи уникален молекулярен маркер и неговият растежен конус (growth cone) намира целевия си партньор чрез директно разпознаване на съответстващия му маркер.

От гледна точка на компютърните науки обаче този метод се сблъсква с две непреодолими бариери:

• Времева сложност: Без пространствена структура растежният конус трябва да претърсва пространството на сляпо, посещавайки клетка след клетка, докато намери съвпадение. При n неврона това търсене има сложност O(n). За човешки мозък това би означавало, че един неврон трябва да генерира, провери и окастри стотици километри аксони — физически невъзможно действие в рамките на ембрионалното развитие.
• Пространствена сложност: Тъй като геномът се съдържа във всяка клетка по идентичен начин, той трябва да пази пълния списък с целевите адреси за всички n неврона. Необходимият обем памет се мащабира като O(n * m * log n) бита. За човешкия мозък това изисква около 3 × 10¹⁵ бита — хиляди пъти над лимита на човешкия геном.

Въпреки че молекулярната биология открива огромно разнообразие от идентифициращи молекули (като Dscam1 при дрозофилата или протокадхерините при гръбначните), невронауката днес показва, че те служат по-скоро за локално избягване на самоприпокриване, а не за глобално насочване на аксоните [1].

Стратегия 2: Методът на ориентирите (Guidepost) и цената на компромиса

Вторият подход, който компютърният специалист би предложил, е използването на последователност от ориентири или „пътни знаци“ (Guidepost Approach). Вместо да търси сляпо, аксонът се насочва от един локален молекулярен маркер към друг, докато стигне крайната цел.

Този модел значително намалява дължината на пътя. Тъй като невроните са разположени в триизмерно пространство, разстоянието между тях в насочен ход е пропорционално на кубичния корен от броя им — O(³√n). Аксонът се движи по директна траектория, което решава проблема с времето за растеж.

Но този подход има скрита цена. Всеки ориентир е специфичен за конкретната изходна точка. Ако за всяка връзка са необходими k на брой ориентира, геномът трябва да съхранява информация със сложност O(n * m * k * log n) бита. По този начин стратегията на ориентирите решава проблема с дължината на аксона (времето), но влошава проблема с информационния капацитет (пространството), изисквайки още по-голям геном от предходната стратегия. В биологията ориентирите съществуват физически, но те не могат да бъдат кодирани ад хок и независимо един от друг [1].

Стратегия 3: Йерархични координати, генерирани от клетъчното делене

За да се разреши противоречието между пространство и време, изследователите предлагат трета стратегия: Подходът на координатната система (Coordinate Approach), изграден върху вътрешна йерархия.

Външна декартова координатна система (x, y, z) е неприложима в биологията, тъй като клетките нямат абсолютна отправна точка отвън. Но клетъчното делене предоставя елегантно решение. Всяко разделяне на клетката предшественик (прогенитор) създава две дъщерни клетки. Ако при всяко делене клетките добавят по един бит към своя „генеалогичен адрес“, след d = log₂ n деления всяка клетка ще притежава уникален двоичен адрес, съответстващ на нейното място в родословното дърво на тъканта.

Тъй като клетките, които са близки родственици, остават физически близо една до друга, това дърво огледално отразява пространствената структура на развиващия се мозък. Всеки бит в адреса кодира пространствена ос (например първото делене разделя лявата от дясната страна, второто — предната от задната, третото — горната от долната). Биологичният еквивалент на тези битове са комбинациите от транскрипционни фактори и молекулярни градиенти, които се разпределят диференциално при клетъчното делене.

Върху тази координатна система окабеляването може да се опише чрез прости математически правила (трансформации). Например правилото „свържи се с твоя огледален партньор в другото полукълбо“ се превежда просто като: „обърни първия бит от своя адрес“ (използвайки битова маска). Тъй като тези правила се споделят от цели клетъчни типове, информацията се записва веднъж за тип, а не за всеки отделен неврон. Информационната сложност на тази стратегия пада до O(t * m * log n) бита, където t е броят на клетъчните типове (около 10³). За човешкия мозък това изисква около 3 × 10⁸ бита, което е напълно в рамките на генома [1].

Ролята на биологичния шум и канализацията

Реалният свят обаче е шумен, а ембрионалното развитие не е напълно детерминистичен процес. Керстиенс и Задор отбелязват, че биологичният шум може да бъде както полезен ресурс, така и пречка.

От една страна, шумът опростява правилата. Вместо детерминирано да се изчисляват сложни некорелирани връзки, геномът може просто да зададе вероятностно правило: „свържи се с произволни 10 съседни неврона от тип Y с вероятност p“. Случайните термални и молекулярни флуктуации осигуряват разнообразието безплатно, спестявайки когнитивен и генетичен ресурс.

От друга страна, твърде много шум в ранните етапи може да бъде фатален. За да се справят с това, организмите използват принципа на „канализацията“, дефиниран за първи път от Конрад Уадингтън. Подобно на компютърната памет, която дискретизира аналоговите напрежения в 0 и 1, биологичното развитие насочва клетъчните съдби в дискретни „канали“. Докато флуктуациите не преминат границите на канала, крайният резултат остава непроменен. Изграждането на тези предпазни граници обаче също има своята цена в геномна информация [1].

Пластичност и учене: Отвъд границите на генома

След като първоначалните алгоритми на развитието приключат работа, мозъкът преминава към фаза на фина настройка чрез синаптична пластичност. Изследователите разделят този процес на два вида:

• Зависима от спонтанна активност (активност-независима от опита): Тя протича преди отварянето на сетивните органи (например ретиналните вълни в ембрионалното око). Този тип пластичност не внася нова информация отвън; тя просто действа като „изпълнител“, който доизкусурява детайлите на плана, сближавайки мрежата до целевото състояние, кодирано в генома.
• Зависима от опита (обучение): Тя внася нова информация от външния свят (език, лица, сетивни карти). Геномът не съдържа тази информация, но кодира алгоритмите (priors), които я правят лесна за усвояване.

Тази двуетапна система позволява на биологичния компютър да се развива адаптивно, съчетавайки вродени структури с придобита гъвкавост [1].

Урокът за изкуствения интелект

Възможно ли е да разберем как работи мозъкът, като просто анализираме готовия му коннектом? Известните мисловни експерименти на Лазебник („Може ли биолог да поправи радио?“) и Йонас/Кьординг („Може ли невроучен да разбере микропроцесор?“) показват, че опитите за дешифриране на сложни работещи системи от техните изходни данни често водят до задънена улица.

Днес изкуственият интелект се сблъсква със същия проблем в областта на „механистичната интерпретируемост“. Анализирането на милиардите тегла на една обучена голяма езикова мрежа е изключително трудно. Но докато обучението на изкуствените мрежи компресира огромни масиви от данни от интернет директно в тегла, биологичната еволюция е компресирала своя опит в много по-кратък и четим код — генома.

Анализирането на биологичното развитие като разгръщане на компактен алгоритъм предлага нов път: вместо да се опитваме да дешифрираме милиардите тегла на готовия мозък, може би е по-лесно да прочетем кратката програма, която го изгражда. Това разбиране може да даде старт на нова генерация алгоритми за машинно обучение, способни да генерират сложни и функционални архитектури от минимални първоначални инструкции [1].

Източници

[1]: Kerstjens, S. & Zador, A. M. Could a computer scientist build a brain? Cold Spring Harbor Laboratory (2026).