машин еще не существовало в то время, когда проходили конференции Мэйси (конечно же, их нет и до сих пор), но, как и современные пророки от мира искусственного интеллекта, некоторые участники кибернетического движения, по-видимому, считали, что это был лишь вопрос времени и, главным образом, вопрос уровня развития технологии. В этом контексте возникло много исследовательских программ (в том числе программа «сильного искусственного интеллекта», которая не смогла реализовать предшествовавшие оптимистические предсказания), нацеленных на создание аналогичных мозгу машин или по меньшей мере на симуляцию физиологического поведения мозга животного с помощью суперкомпьютеров (такие проекты, как Brain Project компании IBM и Human Brain Project Европейского союза). В 1968 году руководитель лаборатории искусственного интеллекта в МТИ Марвин Минский заявил: «За одно поколение мы получим разумные компьютеры, как HAL в фильме „2001“». Понятно, что его предсказание не сбылось, и недавно Минский объявил, что программы по симуляции мозга имеют очень небольшой шанс на успех.

Как рассказывает Хейлс в своей книге, довольно интересно, что Клод Шеннон не был склонен экстраполировать свое довольно узкое определение информации на другие сферы, в которых происходит обмен информацией. Как показала история, эта осторожность Шеннона была абсолютно оправданна. Вообще говоря, его определение информации никоим образом не учитывало смысла, контекста, семантики или, если уж на то пошло, особенностей среды. Более того, основываясь исключительно на бинарной логике и жестком цифровом синтаксисе, что невероятно облегчало применение алгоритмов в цифровых машинах, Шеннон также отделил свою идею от богатых в семантическом плане и зависящих от контекста процессов человеческого мышления и функционирования мозга.

В целом нейробиологи полагают, что высшие неврологические функции и животных, и человека проистекают из сложных эмерджентных свойств мозга, хотя происхождение и природа этих свойств остаются спорными. Эмерджентными свойствами обычно называют общие признаки системы, не определяющиеся ее индивидуальными компонентами. Такие эмерджентные свойства встречаются в природе повсеместно — там, где элементы взаимодействуют и сливаются между собой с образованием единого целого, как стая птиц, косяк рыб или фондовый рынок. Такие системы называют сложными. Таким образом, изучение сложных систем стало центром внимания в широком диапазоне дисциплин — от естественных наук, таких как химия и биология, до общественных наук, включая экономику и социологию.

Мозг животного — пример архетипа сложной системы. Следовательно, поведение мозга определяется разными уровнями организации мозга: его молекулярным, клеточным и сетевым строением вплоть до всей нервной системы в целом. Поэтому для точного моделирования мозга конкретного животного мы должны включить в описание его сложности обмен между центральной нервной системой и внешними элементами, такими как окружающая среда и мозг других существ, поскольку все они также взаимодействуют с конкретным изучаемым мозгом и непрерывно его модифицируют.

Как мы видели в главе 4, мозг пластичен; в отношении человеческого мозга информация обладает причинной эффективностью, изменяя конфигурацию его структуры и функцию, постоянно рекурсивным образом интегрируя информацию в сгусток органического вещества, формирующего нашу центральную нервную систему. Именно по этой причине нейробиологи обычно называют такие системы, как человеческий мозг, сложными самоадаптирующимися системами. Важно, что характеристики сложной самоадаптирующейся системы определяют нашу способность точно предсказывать или симулировать ее динамическое поведение. Например, в начале XX века гениальный французский математик Анри Пуанкаре показал, что эмерджентные поведенческие реакции системы, состоящей всего из нескольких взаимосвязанных элементов (не говоря уже о десятках миллиардов чрезвычайно тесно связанных нейронов), невозможно формально предсказать путем анализа ее составляющих. В такой сложной системе, как мозг, отдельные элементы динамически взаимодействуют друг с другом, создавая новые поведенческие реакции системы в целом. В свою очередь, эмерджентные реакции напрямую влияют на различные элементы системы. И поэтому сложный мозг животных, включая наш собственный, необходимо рассматривать в качестве интегральной системы — определенного континуума, который обрабатывает информацию как единое целое, в котором невозможно отделить аппаратуру от программного обеспечения или память от процессора.

В одном из наиболее примечательных пассажей в своей книге Хейлс рассказывает о том, как на конференциях Мэйси британский ученый Дональд Маккей активно защищал идею о том, что получение информации изменяет образ мыслей получателя. В результате этого явления причинной эффективности, по мнению Маккея, адекватная теория информации не должна исключать роль смыслового фактора. Поэтому Маккей указывал на необходимость учитывать ментальное состояние получателя и количественное воздействие информации, о чем, по мнению Хейлс, мы до сих пор не можем даже мечтать.

Путь формирования, представления, сохранения и использования информации в мозге животного (см. главу 3) в значительной степени отличается от того, каким специалисты в области информатики обычно представляют себе путь, посредством которого различные материальные воплощения универсальной машины Тьюринга, такие как цифровые компьютеры, осуществляют вычисления с помощью алгоритмических программ, отделенных от аппаратурного комплекса. В этом новом контексте, когда действия мозга рассматриваются с математической и вычислительной точки зрения, эмерджентные поведенческие реакции не воспроизводятся полностью с помощью классических, синтаксически абстрагированных программных манипуляций на фиксированной аппаратуре. Иными словами, богатую динамическую семантику, характеризующую функции человеческого мозга, нельзя свести к ограниченному алгоритмическому синтаксису цифровых компьютеров. Это объясняется тем, что эмерджентные свойства и процессы, одновременно затрагивающие разные уровни физической организации мозга и протекающие со специфической координацией миллиардов нисходящих и восходящих взаимосвязанных событий, нельзя эффективно рассчитать в контексте тезиса Чёрча — Тьюринга. Их можно лишь временно аппроксимировать путем цифровой симуляции. И это очень важный момент, поскольку, если мы соглашаемся, что мозг ведет себя как интегральная и самоадаптирующаяся сложная система, цифровые аппроксимации немедленно отклоняются от естественного поведения реального мозга. Из-за этого отклонения, каким бы мощным ни было конкретное цифровое воплощение машины Тьюринга (даже в случае суперкомпьютера Tianhe-2 с его 55 квадрильонами операций в секунду), его внутренняя логика не позволяет с помощью стандартных стратегий моделирования полностью воспроизвести сложное динамическое богатство, обеспечивающее исключительные функции и способности живого мозга, включая человеческий.

В нашей с Рональдом Сикурелом монографии мы выдвинули еще несколько доводов против возможности сведения активности мозга к действию машины Тьюринга. Мы сгруппировали доводы против этой гипотезы в три основные категории: эволюционные, математические и вычислительные.

Эволюционный довод подчеркивает фундаментальное различие между организмом и механизмом, таким как цифровой компьютер. Этот момент часто игнорируют, хотя он является одним из важнейших в данной дискуссии. Механизмы проектируют и собирают в соответствии с заданным планом или шаблоном. Вот почему механизм можно закодировать алгоритмом, симулировать на машине и, следовательно, подвергнуть обратной разработке.

Организмы же возникают в результате прохождения огромного количества эволюционных этапов на многих уровнях организации (от молекул до целых организмов), которые не подчиняются какому-либо заранее заготовленному плану или продуманному шаблону. Скорее эти стадии реализуются в результате серий случайных событий. Таким