Байесовский вывод, глубокое обучение и теория экзистома: от вероятностных моделей к волновой генерации субъективной реальности
Байесовский вывод, глубокое обучение и теория экзистома: от вероятностных моделей к волновой генерации субъективной реальности
Аннотация
Настоящая статья представляет собой комплексный анализ взаимосвязей между байесовской теорией вероятностного вывода, методологией глубокого обучения и теорией экзистома мозга в контексте проблем нейробиологии, мышления и искусственного интеллекта. Рассматривается теорема Байеса как математическая основа обновления убеждений и её применение к описанию работы мозга в рамках концепций «байесовского мозга» и предсказательного кодирования. Анализируется метод глубокого обучения, его авторы и ключевые механизмы — обратное распространение ошибки, свёрточные сети, векторные представления. Выявляется скрытая байесовская природа функций потерь, softmax и регуляризации в нейросетях, а также феномен in-context learning как имплицитного байесовского вывода. Систематизируются фундаментальные ограничения байесовского подхода: вычислительная сложность, проблема априорных убеждений, misspecification модели, проклятие размерности, неспособность различать причину и корреляцию, проблема забывания и философские затруднения. Вводится теория экзистома Р.Р. Гарифуллина, согласно которой носителем субъективной реальности является не коннектом, а экзистом — совокупность многослойных биодифракционных структур-кодов, генерирующих виртуоны через резонансное взаимодействие с интенциональными волновыми потоками. Обсуждаются перспективы смены парадигмы искусственного интеллекта: переход от подгонки весов к настройке полевых резонансов, от последовательных вычислений к волновой интерференции, от кремниевых чипов к полевым средам. Делается вывод о потенциальной возможности качественно иного класса систем, в которых мышление реализуется как резонансный паттерн, а обучение — как настройка среды.
Ключевые слова: байесовский вывод, глубокое обучение, нейронные сети, теория экзистома, экзист, интенцион, виртуон, субъективная реальность, искусственный интеллект, резонанс, предсказательное кодирование.
1. Введение
Вопрос о том, как возникает мышление и что представляет собой субъективная реальность, остаётся центральным для нейробиологии, когнитивной науки и философии сознания. На протяжении десятилетий доминирующей парадигмой в изучении мозга была коннектомика — картирование синаптических связей между нейронами. Однако накопление данных о сложности и пластичности мозговых процессов ставит под сомнение достаточность этой парадигмы. Параллельно в области искусственного интеллекта произошла революция глубокого обучения, которая, с одной стороны, продемонстрировала впечатляющие результаты в задачах восприятия и обработки языка, а с другой — выявила фундаментальные ограничения, связанные с отсутствием понимания, неспособностью к обобщению за пределы обучающего распределения и энергетической неэффективностью.
В этом контексте особый интерес представляет байесовская теория вероятностного вывода, которая предлагает математический язык для описания того, как система обновляет свои убеждения при поступлении новой информации. Байесовский подход нашёл широкое применение в нейробиологии, где он используется для моделирования восприятия как «бессознательного умозаключения», обучения как обновления внутренней модели мира и принятия решений в условиях неопределённости. В области искусственного интеллекта байесовские методы лежат в основе спам-фильтров, медицинской диагностики, рекомендательных систем, а также современных байесовских нейронных сетей.
Однако ни байесовский подход, ни глубокое обучение не дают ответа на фундаментальный вопрос: что является носителем субъективной реальности? Современные нейросети, даже самые мощные, остаются системами обработки статистических закономерностей, не обладающими субъективным опытом. Теория экзистома, разработанная Р.Р. Гарифуллиным, предлагает радикально иной взгляд: нейросети (коннектом) лишь программируют деятельность интенциона, но не являются субстратом психических контентов. Носителем субъективной реальности является экзистом — совокупность особых биоструктур, генерирующих виртуоны через резонансное взаимодействие волновых потоков.
Цель настоящей статьи — систематически проанализировать взаимосвязи между байесовским выводом, глубоким обучением и теорией экзистома, выявить скрытые байесовские основания в современных нейросетях, определить фундаментальные ограничения байесовского подхода и наметить перспективы качественно иной парадигмы искусственного интеллекта, основанной на полевых и резонансных принципах.
2. Байесовский вывод: математика обновления убеждений
2.1. Теорема Байеса и её интерпретация
Теорема Байеса представляет собой фундаментальное соотношение теории вероятностей, позволяющее обновлять степень уверенности в гипотезе при появлении новых данных:
P(H|D) = frac{P(D|H) cdot P(H)}{P(D)}
где H — гипотеза, D — данные, P(H) — априорная вероятность, P(D|H) — правдоподобие, P(H|D) — апостериорная вероятность, P(D) — маргинальная вероятность данных.
Пример. Ночью в лесу вы слышите хруст. Гипотезы: ветка, зверь, человек. До этого вы знаете, что ветки хрустят часто, звери — реже, люди — ещё реже. Это априорное распределение. Теперь вы учитываете, насколько хруст похож на каждый вариант. В итоге мозг мгновенно выдаёт наиболее вероятную интерпретацию. Это и есть байесовское обновление.
2.2. Байесовский мозг и предсказательное кодирование
Мозг не получает готовую картину мира. Сетчатка, кожа, уши дают шумные и неоднозначные сигналы. По ним нужно восстановить скрытые причины: объекты, расстояния, намерения других людей. Это «обратная задача» — из данных вывести причины. Она часто не имеет однозначного решения. Байесовский подход говорит: выбирай не единственную логичную версию, а взвешивай вероятности, комбинируя то, что уже знаешь, с тем, что видишь сейчас.
Ещё Гельмгольц в XIX веке называл восприятие «бессознательным умозаключением» . Сегодня это развивают в теориях «байесовского мозга», «предсказательного кодирования» и «принципа свободной энергии» Карла Фристона . Идея такая: мозг постоянно предсказывает, что должно прийти от органов чувств, сравнивает предсказание с реальностью и обновляет модель по ошибкам предсказания. Формально это описывается минимизацией свободной энергии:
F(tilde{s}, mu, m) = -ln p(tilde{s}|m) + D_{KL}[q(tilde{psi}|mu), p(psi|tilde{s})]
где tilde{s} — сенсорные данные, mu — внутренние состояния, tilde{psi} — скрытые причины. Минимизация свободной энергии эквивалентна байесовскому выводу .
Примеры применения байесовского подхода в нейробиологии:
· Оптические иллюзии: мозг достраивает изображение по привычным априорным убеждениям.· Эффект МакГурка: мозг объединяет зрение и слух вероятностным образом.· Ловля мяча: мозг учитывает шум сенсоров и мотора и планирует движение с учётом неопределённости.· Дофамин: его часто связывают с «ошибкой предсказания награды» — это близко к байесовскому обновлению, хотя точное соответствие спорно.
Байесовские модели помогают описывать восприятие как вероятностный вывод, объяснять обучение как обновление внутренней модели мира, моделировать принятие решений в условиях неопределённости, анализировать объединение разных сенсорных модальностей и исследовать психические расстройства. Например, при шизофрении иногда говорят о слишком сильных ошибках предсказания или нарушенных априорных убеждениях .
Однако важно: байесовская теория чаще описывает уровень задачи — «что мозг вычисляет», а не «как именно это делают нейроны». Связь с синапсами, нейронными ансамблями и ритмами ещё во многом открыта.
2.3. Мышление как вывод более высокого уровня
Если восприятие — это вывод о причинах сигналов, то мышление можно представить как вывод более высокого уровня: о намерениях, будущем, возможных объяснениях, планах. Мозг строит генеративную модель — внутренний симулятор, который может представить «а что, если». Планирование, воображение, логика, аналогии — всё это можно пытаться описать как вероятностный вывод и выбор действий, минимизирующих неопределённость или ошибку.
Но байесовский подход не объясняет всё мышление. Он не отменяет эмоции, сознание, язык, социальность и воплощённость. Это мощная рамка, но не полная теория разума.
3. Глубокое обучение: архитектура, авторы, механизмы
3.1. Отцы-основатели глубокого обучения
«Глубокое обучение» — это не один метод и не открытие одного человека. Это направление, которое создавалось десятилетиями, а его «отцами-основателями» считаются трое учёных, получивших премию Тьюринга 2018 года .
Джеффри Хинтон (Geoffrey Hinton) в 1986 году вместе с Дэвидом Румельхартом и Рональдом Уильямсом показал, как алгоритм обратного распространения ошибки (backpropagation) позволяет многослойным сетям обучаться . Это фундамент, на котором стоит почти весь современный ИИ. В 1983 году с Терренсом Сежновски Хинтон изобрёл машины Больцмана — одну из первых нейронных сетей, способных обучать внутренние представления в нейронах, не являющихся частью входа или выхода . В 2012 году с Алексом Крижевским и Ильёй Суцкевером Хинтон улучшил свёрточные нейронные сети, применив rectified linear neurons и dropout-регуляризацию, что почти вдвое снизило ошибку распознавания объектов в конкурсе ImageNet .
Ян Лекун (Yann LeCun) в конце 1980-х разработал свёрточные нейронные сети (CNN) — архитектуру, которая произвела революцию в компьютерном зрении . В 1989 году Лекун опубликовал работу о применении обратного распространения к распознаванию рукописных почтовых индексов, что стало ранним этапом технологии, позже применённой для автоматизированной обработки чеков . Его архитектура использовала разделяемые веса и локальные рецептивные поля, что резко сократило число свободных параметров .
Йошуа Бенжио (Yoshua Bengio) в 2000 году предложил векторные представления слов (word embeddings) в работе «A Neural Probabilistic Language Model», что позволило нейросетям понимать смысл текста, а не просто запоминать последовательности . Его группа также ввела форму механизма внимания, которая привела к прорывам в машинном переводе и стала ключевым компонентом последовательной обработки в глубоком обучении . С 2010 года работы Бенжио по генеративному глубокому обучению, в частности генеративно-состязательные сети (GAN), разработанные с Иэном Гудфеллоу, вызвали революцию в компьютерном зрении и графике .
Все трое десятилетиями отстаивали нейросетевой подход, когда он был непопулярен, и продолжают исследовать пересечения машинного обучения с нейробиологией и когнитивной наукой через совместное участие в программе CIFAR «Learning in Machines and Brains» .
3.2. Механизмы глубокого обучения
Если очень упростить, глубокое обучение — это попытка заставить компьютер учиться на примерах, а не следовать жёстко прописанным правилам.
Искусственные нейроны. Это математические функции. Они берут числа на вход, умножают их на веса (важность сигнала), складывают, и если сумма превышает порог, передают сигнал дальше.
Слои и глубина. Нейроны собираются в слои. «Глубокое» обучение означает, что таких слоёв много. Первые слои учатся распознавать простые вещи (края, линии), следующие — более сложные (формы, глаза), последние — целые объекты.
Обучение как подгонка весов. Сети показывают пример (например, фото кота). Она выдаёт ответ. Если ошиблась, алгоритм обратного распространения вычисляет, какой именно вес и насколько сильно «виноват» в ошибке, и чуть-чуть корректирует его. Это повторяется миллионы раз .
Почему это сработало именно сейчас. Идеи Хинтона, Лекуна и Бенжио ждали своего часа 30 лет. Прорыв случился благодаря двум вещам: большим данным (интернет дал миллионы примеров) и мощным GPU (видеокарты идеально подходят для матричных умножений, которые лежат в основе нейросетей) .
4. Скрытый байесианизм глубокого обучения
Глубокое обучение — это гигантская приближённая байесовская машина. Покажем, где именно байесовская логика встроена в архитектуру и обучение нейросетей.
4.1. Функция потерь как отрицательный логарифм апостериора
Обучение минимизирует ошибку. Но откуда берётся сама формула ошибки? Из байесовского вывода.
Мы хотим найти наиболее вероятные веса w при данных D:
P(w|D) propto P(D|w) cdot P(w)
Логарифмируем:
log P(w|D) = log P(D|w) + log P(w) + const
Теперь смотрите:
· log P(D|w) — это правдоподобие. Если шум гауссовский, оно превращается в MSE (среднеквадратичную ошибку).· log P(w) — это априорное распределение весов. Если оно гауссовское, оно превращается в L2-регуляризацию (weight decay).
То есть стандартная функция потерь:
Loss = MSE + lambda |w|^2
— это буквально отрицательный логарифм байесовского апостериорного распределения. Мы ищем MAP-оценку, не называя её так.
4.2. Softmax и кросс-энтропия
На выходе LLM стоит softmax: он превращает числа в вероятности. Обучение использует кросс-энтропию:
L = -sum_i y_i log p_i
Это тоже байесовская штука: минимизация кросс-энтропии = максимизация правдоподобия категориального распределения. То есть модель учится предсказывать апостериорную вероятность следующего токена.
4.3. In-context learning как имплицитный байесовский вывод
Это самое интересное для вопроса о «новых знаниях во время диалога». Когда вы даёте примеры в промпте, модель не меняет веса. Но исследования показывают: трансформер ведёт себя как байесовский вывод над скрытой задачей. Он как будто говорит: «Какие задачи могли породить эти примеры? Какая из них наиболее вероятна? Применю её к новому входу».
Это называется implicit Bayesian inference. Формально: модель поддерживает распределение над концептами c:
P(c|text{примеры}) propto P(text{примеры}|c) cdot P(c)
И предсказывает, маргинализуя по c. Никто это не программировал — оно эмерджентно возникло из обучения на данных, где такие структуры встречаются.
4.4. Байес в неопределённости
Обычная сеть выдаёт одно число. Байесовская — распределение. Это нужно, чтобы отличить aleatoric (шум в данных, неустраним) и epistemic (незнание модели, уменьшается с данными) неопределённости. Для этого применяют вариационный вывод, MC Dropout, ensembles. Тогда модель может сказать: «я не уверена» — это байесовский апостериор.
4.5. Где Байеса нет
Важно честно сказать: обратное распространение — это не Байес, это градиентный спуск. Attention — это не Байес, это взвешенное суммирование. Веса — это точка, а не распределение. Мы находим MAP, а не полный апостериор. Галлюцинации — следствие того, что модель оптимизирует правдоподобие, а не истину. Байес тут не спасает, потому что prior и likelihood не идеальны.
Байес в нейросетях — это не отдельный модуль, а математическая основа: функция потерь = отрицательный логарифм апостериора; softmax + кросс-энтропия = максимизация правдоподобия; регуляризация = априорное распределение; in-context learning = неявный байесовский вывод; uncertainty = приближённый апостериор. Так что когда спрашивают «а где Байес?» — он размазан по всей конструкции. Мы просто не пишем формулу Байеса явно, потому что для миллиардов параметров это вычислительно невозможно. Вместо этого мы делаем приближение: градиентный спуск вместо точного вывода, точка вместо распределения, но с той же байесовской логикой внутри.
5. Недостатки байесовского подхода
5.1. Вычислительная сложность
Точный байесовский вывод требует суммирования или интегрирования по всем возможным гипотезам:
P(H|D) = frac{P(D|H) P(H)}{sum_{h} P(D|h) P(h)}
Для миллиарда параметров это невозможно. Пространство гипотез растёт экспоненциально. Поэтому на практике делают приближения: вариационный вывод, MCMC, Laplace approximation. Каждое — компромисс между точностью и скоростью. В LLM вообще берут одну точку (MAP), а не распределение.
5.2. Проблема априорных убеждений
Байес требует prior — то, что мы знаем до данных. Но откуда его взять? Он субъективен. Разные priors дают разные ответы при малых данных. Плохой prior → смещённый вывод. Асимптотически данные побеждают prior, но на практике данных часто мало. В LLM prior — это обучающий корпус. Он неполный, предвзятый, устаревший. Отсюда стереотипы и галлюцинации.
5.3. Предположение о модели мира
Байес работает, только если ваша модель правдоподобна — то есть P(D|H) корректно описывает, как данные порождаются гипотезой. Если модель неверна (misspecification), байесовский вывод уверенно выдаёт неправильный ответ. Формула не спасает от плохой модели — она лишь оптимально использует ту, что есть. В нейросетях likelihood (softmax + кросс-энтропия) — это очень грубое приближение реального распределения языка. Поэтому модель может быть «уверенно неправа».
5.4. Проклятие размерности
В высоких размерностях почти все объёмы сосредоточены в тонкой оболочке, расстояния теряют смысл, а выборки становятся разреженными. Байесовские методы, основанные на плотностях, страдают: нужно экспоненциально много данных, чтобы покрыть пространство. Это одна из причин, почему глубокое обучение (не байесовское) выиграло в задачах восприятия.
5.5. Байес не различает причину и корреляцию
Формула Байеса симметрична по отношению к P(D|H) и P(H|D) — она обновляет вероятности, но не говорит, что причина чего. Корреляция в данных превращается в «убеждение», даже если причинной связи нет. Поэтому нужны causal inference (do-calculus Перла), байесовские сети — отдельные надстройки. Сам Байес причинность не даёт.
5.6. Проблема старых данных
Байесовское обновление последовательное: старый posterior становится новым prior. Это значит, что ранние данные влияют навсегда, если нет механизма забывания. Модель плохо адаптируется к смене режима (concept drift). Нужны специальные priors или discount-факторы, чтобы «забывать». В нейросетях это проявляется как catastrophic forgetting: новое обучение стирает старое.
5.7. Философские проблемы
Субъективность: чей prior правильный? Байесианство не даёт объективного ответа. Проблема старых свидетельств (old evidence): как обновлять убеждение фактом, который уже был известен? Проблема справочного класса: к какому множеству относить событие, чтобы задать вероятность? Не всё измеримо вероятностью: уникальные события, моральные вопросы, творчество плохо ложатся в вероятностную рамку.
5.8. Байес не создаёт новое
Байесовский вывод перераспределяет вероятность между уже заданными гипотезами. Он не порождает новые гипотезы. Если правильной гипотезы нет в пространстве — вывод её не найдёт. Открытие нового — это не Байес, это абдукция, инсайт, эволюция, случайность. В ИИ это означает: модель не может выйти за пределы своего обучающего распределения. Она интерполирует, но не создаёт принципиально новое.
5.9. Практические провалы в ИИ
Байесовские нейросети дороги, плохо масштабируются, часто проигрывают обычным ансамблям. Наивный Байес предполагает независимость признаков — почти всегда ложно. Галлюцинации LLM — следствие того, что likelihood не равен истине, а prior смещён. Калибровка: байесовские модели должны быть хорошо откалиброваны, но на практике переуверены.
Байес — мощная рамка для обновления убеждений при правильной модели, хорошем prior и достаточных данных. Но он вычислительно тяжёл, зависит от субъективного prior, ломается при неверной модели, не различает причину и корреляцию, не порождает новые гипотезы, страдает в высоких размерностях и не решает проблему забывания. Поэтому современный ИИ использует гибрид: байесовская логика в основе (loss, softmax, регуляризация), но с грубыми приближениями — градиентный спуск, одна точка вместо распределения, эвристики вместо точного вывода. Это работает на практике, но не является «настоящим» байесовским выводом.
6. Как возникает новое знание в системах ИИ
6.1. Обучение: изменение весов
Простые ИИ — это базы фактов и правила: «если A, то B». Новое знание появляется только если человек впишет новый факт или правило. Сама система не обобщает, не переносит опыт, не меняет свою внутреннюю модель. Она просто исполняет инструкции.
Современная нейросеть обучается иначе. Ей показывают пример: текст, картинку, задачу. Она делает предсказание. Потом сравнивают с правильным ответом. Ошибка. Алгоритм обратного распространения вычисляет, как каждый из миллиардов весов повлиял на ошибку. Веса чуть-чуть сдвигают, чтобы ошибка стала меньше. И так триллионы раз.
В итоге в весах распределённо закодированы закономерности языка, факты, стили, логические связи. Не как строки в таблице, а как направления в многомерном пространстве. Поэтому знание не лежит в одной «ячейке» — оно размазано по миллионам параметров.
6.2. In-context learning: временное изменение активаций
Во время диалога веса не меняются. Но модель читает промпт, примеры в нём и временно настраивает свои активации под задачу. Это похоже на байесовское обновление: из контекста выводится скрытое правило или факт, и модель действует так, будто знает его. Но после диалога это исчезает. У модели нет постоянной памяти о пользователе.
6.3. Внешняя память (RAG)
Модель обращается к базе данных, документам, поиску. Тогда новое знание приходит извне, а модель его интерпретирует.
6.4. Почему возникают новые комбинации
Потому что обучение заставляет сеть сжимать данные в обобщённые представления. Она выучивает не «Париж — столица Франции» как отдельный факт, а отношения между понятиями «столица», «страна», «город». Поэтому может ответить на новый вопрос, которого не было в обучении. Это не творение из ничего, а интерполяция и композиция выученных закономерностей.
6.5. Что делает нейросеть, если не решает как простая программа
Она вычисляет функцию. Простая программа: «если X, то Y». Нейросеть: «дан вектор — вот вероятности». Но из-за масштаба и обучения эта функция может вести себя как решение задачи. Она не «понимает» в человеческом смысле, но функционально может рассуждать, переводить, писать код. Это эмерджентное свойство: никто не программировал правила, но из статистики появились способности.
Новые знания в ИИ — это либо изменение весов (обучение), либо временное изменение активаций (контекст), либо внешняя информация. В простых системах этого нет, потому что они не меняют свою модель. Современные LLM — это гигантские статистические модели, которые обновляют не «убеждения», а вероятности. Но для нас это выглядит как возникновение новых знаний и убеждений. Обратная сторона — галлюцинации: модель оптимизирует правдоподобие, а не истину.
7. Теория экзистома: новая парадигма генерации субъективной реальности
7.1. Основные положения теории
Теория экзистома, разработанная Р.Р. Гарифуллиным, представляет собой гипотезу о мозговой генерации субъективной реальности, которая, по утверждению автора, «наиболее близко подошла к разрешению проблемы перекидывания межфазных и пограничных мостов между мозгом и субъективной реальностью» . Согласно этой теории, носителем субъективной реальности и психических контентов является не коннектом (сеть нейронов и синапсов), а экзистом — совокупность особых биоструктур, названных экзистами .
Центральные понятия теории:
Экзисты — это многослойные биодифракционные структуры-коды, на основании которых формируются паттерны интерференции стоячей волны — виртуоны, соответствующие врождённым смыслам и концептам, сформированным в процессе онтогенеза. Голономные экзисты связаны друг с другом, но при этом рассеянны в коре головного мозга .
Экзистом — целостная совокупность множества экзистов, подчиняющаяся принципу голономности (голографии), согласно которому каждый экзист сохраняет всю целостную информацию, хранящуюся во всём экзистоме . Экзистом определяется как «прото-психический геном как некий банк биоинформации, из элементов которого возникает субъективный психический мир» .
Интенцион — это группа структур мозга (таламус, гиппокамп, веретенообразная извилина и др.), генерирующая интенциональные волновые потоки, направляемые на экзистом мозга. Интенцион — это совокупность излучателей волновых интенциональных потоков, рассеянных в коре головного мозга и связанных с гиппокампом, таламусом, веретенообразной извилиной и др. Интенцион, вероятнее всего, управляется программой нейросетей головного мозга или интенционным когнитомом .
Виртуон — волновое межфазное образование, возникающее в результате взаимодействия интенциональных волновых потоков с экзистами. Виртуоны являются коррелятами мыслей и контентов субъективной реальности .
Согласно теории, различные контенты и новообразования субъективной реальности возникают на основе погранично-критических межфазных прото-образований. Эти прото-образования различного уровня сложности являются продуктами взаимодействия интенциональных волновых потоков с соответствующими структурами голономного экзистома различного уровня сложности. Динамичное чередование и сочетание этих образующихся прото-образований является основным механизмом мозговой эмерджентности, благодаря которому возникает виртуальная ткань различных контентов субъективной реальности .
7.2. Критика нейросетевой парадигмы с позиций теории экзистома
Гарифуллин прямо утверждает: «Искусственный интеллект вероятнее всего будет работать на качественно иных принципах, отличных от принципов, разработанных в рамках принципов и теории нейросетей. Нужно помнить, что мозг — это не только деятельность нейросетей, но и продукт деятельности сложнейших сетей и слоёв наномолекулярных машин. Согласно теории экзистома мозга, разработанной мною, нейросети лишь программируют деятельность интенциона мозга, входящей в структуру экзистома мозга и иных структур мозга. Сами нейросети (коннектом) не являются субстратом и носителем нашей субъективной реальности и психических контентов. Носителем является экзистом» .
Таким образом, теория экзистома предлагает радикально иной взгляд на проблему мышления и искусственного интеллекта. Если современные нейросети работают через передачу чисел по синапсам, то экзистом предполагает генерацию субъективной реальности через резонансное взаимодействие волновых потоков с голографическими структурами-кодами.
7.3. Нейроны в поле: эфаптическая связь и синхронизация
Если взять из теории экзистома только одну идею — нейроны не просто соединены синапсами, а погружены в общее электрическое поле, которое их синхронизирует, — то меняется сама логика работы ИИ.
Эксперименты показывают: электрические поля в мозге не просто «фон». Они управляют нейронами. Это называется эфаптическая связь (ephaptic coupling). Представьте оркестр. Синапсы — это когда один музыкант передаёт ноты другому. А поле — это когда дирижёр взмахивает палочкой, и все начинают играть в такт. Поле не передаёт конкретную информацию, оно синхронизирует группы нейронов, заставляя их работать согласованно.
Ключевой факт: поле первично. Нейроны генерируют поле, но потом поле «сверху вниз» управляет их активностью. В одном исследовании MIT обнаружили: вариативность работы нейронов объясняется именно влиянием поля, а не шумом. Поле — это параметр управления, а не побочный эффект. Другой важный момент: это работает быстро. Поле распространяется почти со скоростью света, тогда как синапсам нужно время. Это позволяет разным областям мозга синхронизироваться мгновенно.
Рекламодатель
Реклама. АО «Позитив Текнолоджиз». ИНН 7718668887. 18+
Сайт рекламодателя: ptsecurity.com↗
Реклама. АО «Позитив Текнолоджиз». ИНН 7718668887. 18+
Сайт рекламодателя: ptsecurity.com↗
