Как искусственный интеллект имитирует человеческий мозг: анализ зрительного восприятия

Введение в исследование сходства нейронных сетей и человеческого мозга

Глубокие нейронные сети (ГНС) стали мощным инструментом для прогнозирования ответов головного мозга в различных зонах зрительной иерархии. Тем не менее, существующие показатели соответствия не дают однозначного ответа на вопрос: отражает ли это сходство выученные моделью репрезентации, архитектурные индуктивные смещения, статистику низкоуровневых изображений или категориальную структуру? Понимание этих механизмов критически важно для развития когнитивных наук и нейробиологии.

В данном исследовании мы декомпозируем соответствие между глубокими нейронными сетями и мозгом (DNN-brain alignment) на четыре независимых источника. Для этого применяется метод секционирования дисперсии на основе анализа репрезентативного сходства (РСА — Representational Similarity Analysis). Данный подход позволяет детально изучить данные функциональной магнитно-резонансной томографии сверхвысокого разрешения (7Т фМРТ), полученные от восьми участников, которые просматривали около 10 000 натуралистичных изображений.

«Декомпозиция соответствия на его первоначальные источники является необходимым шагом прежде, чем любой показатель можно будет интерпретировать как доказательство конвергентной обработки информации».

Методология анализа репрезентативного сходства и фМРТ

Чтобы понять, как именно мозг обрабатывает визуальные стимулы в сравнении с компьютерными алгоритмами, ученые используют передовые методы сканирования мозговой активности. Функциональная магнитно-резонансная томография с напряженным магнитным полем в 7 тесла (7Т фМРТ) обеспечивает беспрецедентную детализацию коры головного мозга. Это позволяет исследователям наблюдать за реакцией отдельных участков зрительной системы на сложные визуальные паттерны.

Анализ репрезентативного сходства (РСА) выступает в роли моста между искусственными нейронными сетями и биологическими нейронами. РСА позволяет сопоставить геометрию пространства признаков модели с геометрией пространства ответов мозга. Однако простое измерение корреляции между ними может вводить в заблуждение, так как на результат влияют иные факторы: базовые свойства пикселей, геометрия изображений и архитектура самой модели до начала какого-либо обучения.

Смещение состава соответствия вдоль кортикальной иерархии

Результаты исследования показывают, что состав соответствия между искусственными и биологическими нейронными сетями систематически меняется по мере продвижения вверх по кортикальной иерархии зрительной системы:

• Первичная зрительная кора (V1): В этой зоне архитектурные особенности сетей и статистика низкоуровневых изображений (яркость, контраст, ориентация линий) объясняют до 46% общей объясненной дисперсии.
• Высокоуровневая зрительная кора: На верхних этажах иерархии доминируют специфичные для моделей выученные репрезентации. Например, в парагиппокампальной области мест (parahippocampal place area, PPA) этот показатель достигает 68%.

Такое распределение доказывает, что низшие зоны мозга больше настроены на базовые физические характеристики стимулов, в то время как высшие зоны оперируют сложными абстрактными концептами и семантическими категориями, которые успешно перенимают современные глубокие нейронные сети.

Роль языковых моделей и текстовых описаний в зрительном восприятии

Интересные результаты были получены при применении аналогичной структуры к языковым моделям, обрабатывающим текстовые описания изображений (подписи). Оказалось, что соответствие в этом случае крайне сильно зависит от конкретной архитектуры модели:

• Модель встраивания предложений (sentence embedding model) вносит вклад в виде 51% уникальной дисперсии в высшей зрительной коре.
• Авторегрессионная языковая модель вносит лишь около 4% уникальной дисперсии.
• Остальная часть дисперсии объясняется статистикой поверхностного текста и общей категориальной структурой данных.

Эти данные подчеркивают, что интеграция визуальной и текстовой модальностей в искусственном интеллекте должна учитывать различия в том, как разные типы языковых архитектур кодируют семантический смысл.

Сравнение различных архитектур нейронных сетей

В ходе масштабного эксперимента было протестировано девять различных моделей глубокого обучения. Анализ показал, что показатели соответствия существенно варьируются по своему внутреннему составу от одной модели к другой. Некоторые сети демонстрируют высокое сходство с мозгом исключительно за счет удачных архитектурных индуктивных смещений, тогда как другие действительно «учатся» распознавать образы способом, близким к человеческому.

Это открытие ставит под сомнение практику слепого использования показателей корреляции ГНС и мозга в качестве доказательства того, что искусственный интеллект «думает» или «воспринимает» точно так же, как человек. Без детальной декомпозиции дисперсии исследователи рискуют принимать желаемое за действительное, путая поверхностные статистические совпадения с глубоким функциональным сходством.

Практическое значение и перспективы для нейронауки

Разработанный метод секционирования дисперсии открывает новые горизонты для нейробиологии и компьютерных наук. Разделение источников сходства позволяет:

• Создавать более точные биомиметические искусственные нейронные сети.
• Глубже понимать механизмы работы человеческого зрения и познания.
• Избегать ложных выводов при сопоставлении машинного обучения и данных нейровизуализации.
• Разрабатывать новые терапевтические и диагностические подходы при нарушениях работы зрительной коры.

В будущем исследователи планируют расширить применение этого подхода на другие модальности, такие как слуховая кора и системы обработки речи, чтобы проверить универсальность обнаруженных закономерностей во всей нервной системе человека.

Заключение

Исследование наглядно демонстрирует, что прямое сравнение нейронных сетей и мозга требует комплексного подхода. Сопоставление данных 7Т фМРТ и глубоких нейронных сетей через призму анализа репрезентативного сходства доказывает: то, что кажется идеальным соответствием на первый взгляд, на самом деле складывается из совершенно разных компонентов — от простой статистики пикселей до сложных выученных концептов. Учет этих нюансов выведет исследования на стыке искусственного интеллекта и нейробиологии на совершенно новый уровень точности.