Начало >> Статьи >> Архивы >> Неопределенность в нервной системе

Ценность теоретических моделей - Неопределенность в нервной системе

Оглавление
Неопределенность в нервной системе
История аналогов нервной системы
Центральная нервная система как телефонная станция
Самоуправляющиеся системы
Универсальные вычислительные машины
Каналы с шумом
Вероятность в периферических системах
Вероятность и сенсорные нейроны
Непроизвольные движения глаз; физиологический нистагм
Методы статистического анализа
Анализ двоичных записей
Средняя частота
Кросскорреляционная функция и постстимуляционная гистограмма
Анализ интервалов
Автокорреляционная функция
Синхронная машинная обработка данных
Неустойчивость случайных нервных сетей
Случайные сети в нервной системе
Неустойчивость нервных сетей
Функция случайных сетей в нервной системе
Мозг в целом, рассматриваемый как нервная сеть
Мера предсказуемости
Неопределенная реакция корковых нейронов
Пространственное представительство внешней среды
Временное представительство внешней среды
Универсальный и специфический коды
Оптические иллюзии
Телеологический подход к проблеме кодирования сенсорной информации
Передача информации в мозгу
Устойчивость корковых нейронов
Теория обучающихся машин
Ценность теоретических моделей
Свидетельства длительных изменений синаптической проводимости в центральной нервной системе
Прямое измерение синаптического сопротивления
Дальнейшие шаги
Другие перспективные методики
Более простые нервные системы
Культура нервной ткани
Заключительные замечания

Тот факт, что условно-вероятностная машина может оказаться не в состоянии имитировать какую-нибудь сторону поведения млекопитающих, не должен обесценивать ее в наших глазах. Совершенных моделей не существует, а условно-вероятностная модель нервной системы, как и другие ее модели, предложенные за последние годы, во всяком случае, принесла в нейрофизиологию новый образ мыслей и новые гипотезы. Вместе с тем моделирование мозга часто осуждалось как пустая игра. Поэтому стоит вкратце рассмотреть достоинства и недостатки моделей обучающихся систем.
По мнению Янга [233], мы имеем право считать, что поняли систему только в том случае, если можем построить ее модель. Он пишет: «Какого мы ждем ответа, когда спрашиваем: "Как работает мозг?" Как мы узнаем, что нашли правильный ответ? Безусловно, существует какая-то связь между этим вопросом и словами инженера, говорящего "Я знаю, как она работает" о машине, собранной из частей, с устройством и связями которых он так хорошо знаком, что мог бы разобрать ее и вновь собрать. Хотим ли мы этим сказать, что можем надеяться проделать то же самое с мозгом? Я думаю, что в конечном счете это самый лучший критерий, и только если нам удастся осуществить подобную операцию с живой системой, мы сможем сказать, что поняли ее». Хотя это высказывание, несомненно, содержит элемент истины, оно заставляет думать, что для анатома «понимание» значит не совсем то же, что для физиолога. Я уверен, что любой методичный историк или философ сможет разобрать и снова собрать мой автомобиль, если только тщательно запишет, где должна быть каждая часть. Но эта канительная операция нисколько не приблизит его к пониманию того, как работает двигатель внутреннего сгорания.  Конечно, модель не может — и нечего ждать от нее этого— воспроизвести все свойства мозга; она вовсе не должна быть также осязаемой конструкцией из движущихся частей или электронных компонентов — это может быть всего лишь ряд математических уравнений. Но это должна быть система, построенная из частей, с которыми «знаком» ее создатель, и в то же время он должен понимать, какую долю вносит каждая часть в работу целого.
Тем не менее истинная ценность модели заключается вовсе не в ее способности имитировать природу. Польза модели состоит в том, что с ее помощью можно, исходя из некоторых гипотез, делать предсказания, которые без нее требовали бы большого труда или были бы невозможны. Она может быть ценной по той же точно причине, что и аналоговое вычислительное устройство, когда в нем запрограммировано воспроизведение некоторых известных свойств биологической системы. Такое аналоговое устройство бесполезно, если не служит для проверки какой-нибудь теории. Устройству могут быть приданы некоторые свойства системы, которую оно должно копировать, и, кроме того, в нем могут быть запрограммированы одно или несколько гипотетических свойств. Если в результате удастся предсказать еще какое-то свойство, истинность которого уже была известна или устанавливается впоследствии, то это даст некоторое подтверждение гипотезе. Точно так же предсказание свойств, которые не подтверждаются наблюдениями, ослабит веру в гипотезу. Именно в этом смысле модель очень полезна. Следовательно, модель хороша не тем, что она ведет себя как мозг. От хорошо построенной модели мы меньше всего ждем этого. Она становится полезной лишь в том случае, если ее поведение походит на поведение мозга больше, чем это было предусмотрено в первоначальном замысле.
Эти соображения не служат достаточным оправданием для конструирования электронных черепах и тому подобного. Однако надо признать, что создание таких научных игрушек сослужило по меньшей мере одну службу. Гомеостат Эшби [6] и ищущая цель искусственная черепаха Грея Уолтера [224] создали рекламу кибернетическим представлениям в нейрофизиологическом мышлении. Поговорка «лучше один раз увидеть, чем сто раз услышать» справедлива даже для самых искушенных умов.
Модели могут оказаться полезными в двух отношениях. Прежде всего они по необходимости заставляют биолога яснее формулировать понятия, которыми он оперирует, ибо невозможно построить работающую модель или вывести математическое уравнение, если исходные понятия определены недостаточно точно. Вряд ли можно сомневаться в том, что современной нейрофизиологической мысли часто мешает применение терминов с неопределенным значением. Чтобы убедиться в этом, достаточно вспомнить такие термины, как утомление, аккомодация, привыкание и рефрактерность или же потенциация, усиление и облегчение. Но построение модели может не только помочь определению связанных с ней понятий, но и способствовать отысканию количественных и математических соотношений между этими понятиями, — соотношений, которые потом могут быть экспериментально проверены и использованы. Таким образом, построение моделей обладает тем достоинством, что заставляет биолога быть немного точнее в своем мышлении и стремиться к более количественным методам исследования.
С этой точки зрения проведенное Аттли рассмотрение свойств условно-вероятностных машин оказалось неоценимым вкладом в исследование обучения у животных. Успешное или неудачное копирование этими машинами поведения животных—это лишь наименее важный аспект их научной ценности, и выше были указаны некоторые недостатки первоначальной условно-вероятностной машины. Работа Аттли показала, какие типы изменений могли бы происходить в синаптических соединениях между нервными клетками и могли бы объяснить некоторые стороны простого обучения. В результате возник ряд гипотез, которые можно проверить. Например: повышается ли проводимость синапса после того, как он многократно проводил возбуждение? Мы уже указывали, что условно-вероятностные машины успешнее воспроизводят некоторые стороны обучения у животных, если в них предусмотрены «синаптические соединения», проводимость которых возрастает в результате чего-то, что напоминает собой некоторую форму пресинаптического облегчения. Имеются ли в действительности физиологические данные об изменениях такого рода?



 
« Немецкая психиатрия   Неопухолевые хирургические заболевания пищевода, желудка и двенадцатиперстной кишки »