С помощью такой методики МРТ Майклу Грейциусу удалось в 2000 году показать, что обнаруженные функциональные взаимодействия в сети состояния покоя осуществляются по проводящим нервным путям. То есть помимо функциональной существует и структурная связь. Мы имеем дело с реальной нервной сетью, связывающей удаленные друг от друга области мозга и, таким образом, распределяющей память по всему объему головного мозга. Эти нервные пути упорядочивают изменчивую активность мозга в состоянии покоя так же, как модератор в интернете упорядочивает дискуссию, решая, когда ее можно продолжить, а когда ограничить мнением одного из участников.

С годами особое значение такого сетевого объединения, или, другими словами, связей внутри головного мозга, было выявлено еще более отчетливо, и теперь именно они стали предметом самого пристального внимания ученых, исследующих память. С 2010 года осуществляется проект «Коннектом» (Human Connectome Project). Подобно тому как в ходе осуществления проекта «Геном человека» ученые, работавшие в многочисленных учреждениях, совместными усилиями старались выяснить последовательность нуклеотидов в ДНК человеческих хромосом, ученые, исследующие мозг во многих научных центрах, поставили перед собой задачу выявить все связи, существующие в человеческом мозге. Для этого было выполнено магнитно-резонансное сканирование мозга 1200 человек, и данные этого исследования сделали доступными для всех заинтересованных исследователей. Уже появились первые публикации, в которых были использованы эти данные, и надо надеяться, что в ближайшие годы мы овладеем новыми знаниями, которые позволят лучше понять структуру внутримозговых связей и обнаруживать у больных отклонения от нормального их распределения.

Компьютеры, обучающиеся как люди?.. До сих пор мы сравнивали головной мозг с жестким компьютерным диском. Есть, однако, ученые, которые исходят из прямо противоположной посылки и пытаются сделать компьютеры способными к естественному, так сказать, природному обучению. Эти ученые ведут речь о нейронных сетях. Однако эти нейронные сети должны состоять отнюдь не из биологических нервных клеток. Речь идет даже не о том, чтобы, как в научно-фантастическом фильме «Матрица», вставить клетки мозга в компьютер. Вместо этого работа компьютера будет имитировать работу головного мозга. Эти работы преследуют двоякую цель: с одной стороны, улучшить конструкцию компьютеров, а с другой стороны, строя компьютеры, больше учиться у человеческого мозга. На осуществление Human Brain Project Европейский союз выделил миллиард евро, которые были распределены между сотней научно-исследовательских центров, чтобы как можно скорее разработать методы имитации работы большей части головного мозга. Это один из самых крупных проектов за всю историю науки. Однако проекты такого масштаба всегда навлекают на себя ожесточенную критику. В данном случае критика заключается в том, что мысль о создании компьютеров нового типа основана на идеях очень немногих ученых, и, кроме того, проведено слишком мало исследований по реальной работе мозга для того, чтобы строить на их основе новые модели компьютеров. Потребуется еще несколько лет, чтобы понять, насколько успешно продвигается это направление и чему оно нас научит. Последние сообщения говорят о том, что в 2015 году ученым удалось имитировать работу небольшой области коры мозга крыс, состоящей из 31 тысячи нейронов. В эксперименте этот искусственный частичный мозг ведет себя точно так же, как соответствующий участок крысиного мозга. Научиться чему-либо на основании этого достижения мы пока не можем, как справедливо указывают критики. Закончится ли этот проект созданием усовершенствованных тамагочи (цифровых животных, которые одно время были очень популярны среди любителей компьютерных игр) или нам все же удастся узнать что-то новое о работе мозга, покажет время.

Между тем применение в компьютерах нейронных сетей уже привело к познаниям совершенно иного рода. Известна ли вам настольная игра го? В Азии эту игру ценят очень высоко, и там даже есть профессиональные игроки. У нас эта игра приобрела широкую известность в начале 2016 года, после того как вопреки ожиданиям всех экспертов компьютерная программа, созданная специалистами отдела искусственного интеллекта компании Google, нанесла поражение чемпиону мира по го со счетом 4:1. В 1997 году компьютер Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, что вызвало большой шум в средствах массовой информации. Однако шахматы – это игра с простыми и ясными правилами, и все ходы можно просчитать и сравнить варианты позиций, после чего внести все эти данные в программу. Го намного сложнее, и поэтому многие специалисты считали, что только к 2025 году, а то и позже компьютеры станут настолько совершенными, что смогут побеждать мастеров го. Тем не менее специалистам Google удалось сделать это в 2016 году, причем не за счет увеличения скорости, а за счет применения нейронных сетей.

Эксперты го были немало удивлены некоторыми ходами компьютера, так как не считали их самыми удачными. В комментариях во время прямой трансляции специалисты говорили, что компьютер совершил ошибку, но немного позднее выяснялось, что именно этот конкретный ход в конце концов принес победу компьютеру. Нам это хорошо известно по замечаниям комментаторов футбольных матчей: «Фол! Фол! Это же одиннадцатиметровый! Куда он смотрит? Почему нет свистка? Вот же замедленный повтор! О, так касание ноги было! Какая симуляция фола!»

Таким образом, «Альфа-Го» играет как человек, а не как компьютерная программа, но это был пример обучения компьютера: с помощью нейронной сети с несколькими узлами соединений между уровнями компьютер изучил огромное количество партий профессиональных игроков в го. Компьютер сутками напролет играл в го сам с собой. Сделайте это, будучи человеком. Игроки в го высмеют вас и назовут чудаком.

В данном случае были использованы две параллельные нейронные сети. Одна сеть заучила правила и изыскивала на основании анализа уже сыгранных партий возможные ходы. Совокупностью введенных данных здесь является игровая доска. Исходом каждого допустимого по правилам хода является вероятность того, как сыграет человек в ответ на этот ход, – точно так же, как играет и человек. Испытания показали, что компьютер делает правильный ход в 57 % случаев. Это не слишком высокий показатель, так как при этом учитывается двести возможных ответных ходов, однако это довольно неплохой результат, который показывает, что и профессионалы в своей игре более предсказуемы, нежели они сами о себе думают.

Вторая сеть оценивает эти возможные ходы и в качестве выхода дает число: оценку вероятности победы. Эта сеть постоянно играет против самой себя, чтобы генерировать новые партии и самосовершенствоваться. Сюда же встраивается компонент случайности: вместо того чтобы все время делать самые вероятные человеческие ходы, машина их несколько варьирует. В большинстве своем такие ходы оказываются глупыми и неудачными, и эти варианты в конце концов отбрасываются, но в миллионах партий, которые программа разыгрывает против себя, открываются ходы и тактики, которые никогда не использовались людьми. В реальном поединке используются обе сети с их поисковыми стратегиями, к которым в конце добавляются и человеческие знания об игре, чтобы ограничить число возможных ходов и соблюсти необходимый темп игры.