Нейронаука давно обращает внимание на удивительную структуру и функциональную организацию коры головного мозга, в частности на ее слоистую архитектуру. В коре выделяют несколько слоев, каждый из которых играет особую роль в восприятии и обработке сенсорных данных. Несмотря на активные исследования, основные принципы и алгоритмы, управляющие взаимодействиями между этими слоями, остаются загадкой. Однако последние достижения в области машинного обучения, особенно в самообучении с предсказанием, открывают новое понимание механизмов работы коры. Современные нейронные сети с самообучением на основе предсказания демонстрируют способность создавать внутренние представления окружающего мира, прогнозируя будущие входные данные на основе предыдущих.
Аналогично, в коре головного мозга слой 2/3 (L2/3) интегрирует прошлую сенсорную информацию, поступающую через слой 4 (L4), совместно с контекстуальной информацией, поступающей сверху. Результатом является предсказание следующих сенсорных стимулов, что позволяет мозгу эффективно реагировать на изменения и шумы в окружающей среде. Новаторская модель, основанная на принципах самообучения, детально описывает эти процессы. В ней L4 служит буфером, принимая текущие сенсорные данные и передавая их в L2/3 с некоторой временной задержкой. Эта задержка жизненно важна: она дает L2/3 возможность опираться на прошлую информацию при формировании прогнозов.
Одновременно L5 получает прямой сигнал от таламуса, несущий актуальную сенсорную информацию. Сравнение прогноза из L2/3 с реальными данными из L5 создаёт ошибку предсказания, выступающую в качестве обучающего сигнала и способствующую адаптации нейронной сети мозга. Идея двух параллельных сенсорных путей, направляющихся в разные слои коры — один в L4, другой напрямую в L5 — меняет классическое понимание нейроанатомии. Такая организация подразумевает, что мозг одновременно обрабатывает прошлую и текущую информацию, обеспечивая тем самым более точное предсказание будущих стимулов и усиленную устойчивость к искажениям и отсутствующим данным. Одно из существенных превосходств самообучающего предсказательного механизма — его способность подавлять шум и восстанавливать неполные или затенённые образы.
Модель показывает, что выход L2/3 устойчив к шуму и способна интерполировать отсутствующие фрагменты входного сигнала, тогда как L5 фокусируется на текущей, полной или частично визуализируемой информации. Это подкрепляется экспериментальными данными, подтверждающими слой-зависимую степень разреженности нейронной активности. L2/3 демонстрирует более разреженное и селективное возбуждение в сравнении с более глубокими слоями, что связано с необходимостью фильтровать и выделять наиболее информативные аспекты для предсказания. Нативная реализация обучающего сигнала — обратная связь от L5 к L2/3 — играет ключевую роль в успешном обучении. Даже случайные, неструктурированные обратные связи способствуют укреплению целенаправленных прогнозов, однако наличие более организованных, обратных связей повышает эффективность обучения в сложных условиях.
Это свидетельствует о том, что мозг может адаптировать свои обратные связи для улучшения способности предугадывать будущее на основе прошлого и контекста. Вновь рассмотрим феномен реакций несоответствия (mismatch response), возникающих при нарушении ожидаемой последовательности сенсорных событий. В экспериментах с животными, например, при разрыве связи движения и визуального восприятия, обнаруживают, что нейроны в L2/3 и L5 реагируют противоположно: первые демонстрируют деполяризацию, вторые — гиперполяризацию. Представленная модель самообучения предсказывает и объясняет эти наблюдения, что подчёркивает её биологическую достоверность и предлагает мощный инструмент для понимания основных вычислительных процессов в коре. Эволюционно наблюдается расширение слоя L2/3 у человека, что может отражать возросшую потребность в сложном прогнозировании и интеграции сенсорной и контекстной информации.
Расширение этого слоя повышает разреженность и эффективность кодирования, позволяя более точно создавать внутренние модели окружающего мира и эффективно справляться с альтернативными входными слоями и шумом. Исследование также рассматривает, как удаление ключевых связей, задержек или обратных связей влияет на способность модели предсказывать и корректировать ошибки, что отражается в экспериментальных данных и указывает на важность комплексной связности и временного разрешения внутри нейронных слоев. Концепция самообучения с предсказанием в коре мозга помогает связать биологические механизмы с современными алгоритмами искусственного интеллекта. Такие подходы не только расширяют понимание фундаментальных процессов, но и дают новое направление для разработки роботов и систем машинного обучения, обладающих способностью к устойчивому самообучению в сложных и изменчивых окружающих условиях. В перспективе интеграция этих моделей с иерархической структурой мозга позволит создавать более сложные временные прогнозы и объяснять когнитивные функции, такие как память, внимание и принятие решений.
Кроме того, исследование механизма обучения, основанного на ошибках предсказания, способствует разработке терапевтических методов для нейропсихических заболеваний, связанных с нарушениями предсказательной обработки, например шизофрении или аутизма. Таким образом, самообучение с предсказанием предлагает мощный механизм, который определяет уникальные функции и характеристики различных слоев коры головного мозга. Эта концепция служит мостом между нейробиологией и современными вычислительными технологиями, открывая пути к глубокому пониманию того, как мозг формирует сложные внутренние модели реальности и адаптируется к постоянно меняющимся условиям жизни.
