Интересные новости и факты (психология, нейрофизиология)

[ArefievPV]

Сквернословие улучшило физическую силу и выносливость путем растормаживания
https://nplus1.ru/news/2025/12/22/may-the-swear-be-with-you
Это показала серия экспериментов

Британские и американские исследователи провели серию экспериментов и выяснили, что сквернословие улучшает физическую силу и выносливость, помогая человеку растормозиться и не сдерживать себя, когда необходима максимальная производительность. Статья об этом опубликована в журнале American Psychologist.

Во многих ситуациях люди сознательно или бессознательно сдерживают себя, уменьшая собственные шансы на достижение цели. Особенно это заметно в контексте спорта и реабилитации после спортивных травм, где максимальная производительность сильно зависит от самоуверенности и способности максимально продемонстрировать свои возможности. Своевременный психологический стимул, обладающий растормаживающим действием, может помочь преодолеть такое сдерживание, способствуя достижению результата. В качестве стимула могут выступать различные вокализации — к примеру, горловое рычание (грантинг) повышает силу удара у теннисистов, а крик усиливает захват в единоборствах.

Специфическая разновидность растормаживающих вокализаций — нецензурная брань, или сквернословие. Несмотря на несоответствие некоторым моральным и социальным нормам, сквернословие может производить разнообразные позитивные психологические, социальные и физиологические эффекты, например, уменьшать боль. Ранее эксперименты показали, что бранные слова могут повышать физическую производительность при различных упражнениях, однако механизмы такого эффекта остаются во многом не изученными — к примеру, предполагаемая роль в этом возбуждения вегетативной нервной системы оказалась преувеличенной.

Ричард Стивенс (Richard Stephens) из Килского университета с коллегами пригласил для участия в двух экспериментах людей в возрасте от 18 до 65 лет без травм, нарушений здоровья и боли, ограничивающих максимальную физическую производительность. В первом эксперименте приняли участие 88 человек (средний возраст 26,4 года, 54 женщины). Им предложили сесть на стул, положив на него ладони, после чего оторвать от пола стопы и распрямить руки, удерживая на них вес тела максимально долго. Это упражнение повторяли множество раз, регистрируя результаты. Случайным образом в определенный момент выполнения участникам предлагали раз в две секунды повторять либо заранее выбранное ими ругательство (которое они могли бы произнести при ударе головой), либо нейтральное слово (которое они могли бы употребить при описании стола).

Сразу после выполнения каждого упражнения добровольцы заполняли опросники на юмористичность ситуации, уверенность в себе, отвлеченность, социальный контекст и психологический поток (состояние погруженности в задачу приятным и сфокусированным образом). Второй эксперимент с участием 94 человек (средний возраст 22,4 года, 55 мужчин) был идентичен первому, но набор опросников расширили, добавив в него тесты на поведенческие сдерживание и расторможенность, соматическую и когнитивную тревожность и готовность помочь нуждающемуся, а также визуальные аналоговые шкалы новизны, положительных и отрицательных эмоций. В итоговый анализ включили также результаты схожего эксперимента с участием 118 человек (средний возраст 25,8 года, 63 мужчины), проведенного ранее.

Сквернословие оказалось связано с лучшими показателями выполнения упражнения во всех экспериментах. Обобщенный анализ данных показал, что, произнося ругательства, участники значимо дольше удерживают свой вес на руках: медианно 27,97 против 25,36 секунды при произнесении нейтральных слов (p < 0,001). Также сквернословие существенно повышало показатели психологического потока, юмора и уверенности в себе и уменьшало отвлеченность (p < 0,001). Отдельное моделирование для оценки опосредования действия сквернословия на выполнение упражнения показало, что существенными медиаторами служат психологический поток (коэффициент 0,60; p < 0,05), отвлеченность (коэффициент 0,56; p < 0,05) и уверенность в себе (коэффициент 0,54; p < 0,05), но не юмор (коэффициент 0,41; p > 0,05).

Полученные результаты свидетельствуют о том, что сквернословие предрасполагает к психологическому состоянию растормаживания, которое способствует преодолению внутренних ограничений и максимизации усилий. По мнению Стивенса, это также помогает объяснить, почему ругательства так часто употребляются — они «буквально служат готовым инструментом стимуляции производительности без энергозатрат, препаратов и денежных вложений». Таким образом, сквернословие может служить доступным методом психологического воздействия, помогающим не сдерживаться, когда необходима максимальная производительность.

Проведенные ранее исследования показали, что выдуманные ругательства облегчают боль хуже настоящих, а щелевые сонорные звуки наименее часто встречаются в нецензурной брани, независимо от языка.

[ArefievPV]

Болезнь Альцгеймера удалось обратить вспять у мышей с тяжелой деменцией
https://neuronovosti.ru/bolezn-altsgejmera-udalos-obratit-vspyat-u-myshej-s-tyazheloj-dementsiej/
Американские ученые смогли полностью восстановить память и работу мозга у мышей, которые уже страдали тяжелой формой болезни Альцгеймера. Ключом к успеху стало вещество, которое восстанавливает уровень молекулы НАД+, необходимой для нормальной работы нейронов. Результаты опубликованы в журнале Cell Reports Medicine и способны перевернуть представление о том, что деменцию невозможно вылечить.

Credit: Kalyani Chaubey et al. / Cell Reports Medicine 2025

Болезнь Альцгеймера (БА) – главная причина старческого слабоумия. К середине века ею, по разным оценкам, будут страдать более 150 миллионов человек. Со времен открытия болезни в начале XX века врачи считали ее необратимой: нервные клетки гибнут, связи между ними разрушаются, восстановить их невозможно. Имеющиеся в арсенале современных врачей средства в лучшем случае немного замедляют процесс.

С недавних пор главная теория патогенеза болезни – амилоидная, трещит по швам из-за подозрений в фальсификации данных теми исследователями, которые ее предложили и привели первые доказательства. Одно из последствий этого – ни одно лекарство против амилоидных бляшек до сих пор так и не показало нужную активность у людей (хотя у мышей наблюдались некоторые позитивные подвижки).

Команда под руководством Эндрю Пипера из Университета Кейс Вестерн Резерв решила проверить другой подход – не бороться с амилоидными бляшками напрямую, а помочь мозгу самому справиться с болезнью. Ученых вдохновили люди, которые вопреки генетике не заболевают. Некоторые носители опасных с точки зрения БА мутаций живут до глубокой старости без признаков деменции, хотя их мозг полон тех самых бляшек, которые считаются причиной болезни. Вероятно, мозг способен защищаться – нужно лишь понять, как ему помочь.

Исследователи сосредоточились на молекуле НАД+ (никотинамидадениндинуклеотид). Это своего рода «энергетическая валюта» клетки: без нее не работают сотни ферментов, клетка не может ни защищаться от повреждений, ни чинить себя. Оказалось, что при болезни Альцгеймера уровень НАД+ в мозге падает почти вдвое – клетки буквально обесточиваются.

Для эксперимента взяли мышей с генетической моделью болезни Альцгеймера. К шести месяцам они уже плохо запоминали дорогу в лабиринте и не узнавали знакомые предметы – типичные клинические признаки деменции. Этим больным мышам начали вводить вещество P7C3-A20, которое помогает клеткам восстанавливать запасы НАД+. Лечение продолжалось полгода.

Результаты превзошли ожидания. К году – возрасту глубокой деменции у контрольных мышей – пролеченные животные прекрасно справлялись с тестами на память и обучение, не отличаясь по показателям от здоровых сверстников. Под микроскопом картина их мозга тоже изменилась: восстановился гематоэнцефалический барьер (защитная «стенка» между кровью и мозгом), снизился уровень нейровоспаления, прекратилась массовая гибель нейронов. Даже в крови нормализовался уровень биомаркеров, по которым врачи отслеживают болезнь Альцгеймера.

Эффект подтвердился и на другой модели – мышах с патологией тау-белка, находившихся почти «при смерти». Всего за месяц лечения их память восстановилась до нормы.

Важное наблюдение: когнитивные нарушения у мышей развивались еще до того, как нейроны начинали массово погибать. Это значит, что проблемы с памятью вызваны не столько потерей клеток, сколько их «отключением» из-за энергетического голода. А «отключенные» клетки можно снова «включить» – что и доказал эксперимент.

Разумеется, мыши – не люди. Авторы честно признают ограничения: у мышей болезнь вызвана искусственно внесенными мутациями, тогда как у большинства пациентов она развивается спонтанно, и виной этому часто становится несколько факторов. Тем не менее параллельный анализ образцов человеческого мозга показал те же закономерности: чем сильнее нарушен баланс НАД+, тем тяжелее деменция. А у «везунчиков» – людей с бляшками, но без слабоумия – уровень НАД+ остается нормальным.

Исследование дает надежду, что болезнь Альцгеймера – не приговор. Если клинические испытания подтвердят эти результаты, восстановление энергетического баланса мозга может стать новым направлением терапии деменции.

[ArefievPV]

Без языка человек видит мир иначе: доказано, что речь физически меняет работу зрительной коры
https://www.ixbt.com/live/science/bez-yazyka-chelovek-vidit-mir-inache-dokazano-chto-rech-fizicheski-menyaet-rabotu-zritelnoy-kory.html

В когнитивной науке долго идет спор двух сторон. Одна сторона утверждает: зрение — это сугубо механический процесс, камера, передающая картинку в мозг. Другая (сторонники гипотезы Сепира-Уорфа) настаивает: язык, на котором мы говорим, меняет то, как мы видим мир.

Новое исследование, кажется, ставит точку в этом споре. Используя современные нейросети (вроде CLIP) и данные пациентов с повреждением мозга — ученые доказали: без языка мы видели бы мир совсем иначе.

Методологический прорыв: синтез искусственного и биологического интеллекта

Для изучения процессов, происходящих в мозге, исследователи использовали глубокие нейронные сети в качестве математических моделей. Искусственные нейросети достигли того уровня сложности, который позволяет использовать их как суррогатные модели для проверки гипотез о работе биологических систем. Если активность искусственной сети при просмотре изображений схожа с активностью мозга человека, это позволяет сделать выводы о принципах кодирования информации в живой ткани.

В эксперименте сравнивались три архитектуры компьютерного зрения, принципиально различающиеся алгоритмами обучения:

• MoCo (Self-supervised learning): модель, обученная без учителя. Она анализирует миллионы изображений, выявляя закономерности в пикселях, текстурах и геометрии объектов, но не имеет доступа к текстовым меткам. Эта модель имитирует чистое зрение, лишенное языкового контекста.
• ResNet (Supervised classification): стандартная модель классификации, обученная сопоставлять изображение с конкретным словом-меткой (например, «автомобиль» или «яблоко»). Это имитирует уровень категоризации объектов.
• CLIP (Vision-Language model): мультимодальная система, которая обучается на парах «изображение — текстовое описание». В отличие от ResNet, она анализирует не просто ярлыки, а сложные семантические конструкции и отношения между объектами, выраженные в естественном языке.

Этап 1: Корреляционный анализ на здоровой выборке

На первом этапе исследования ученые проанализировали данные функциональной магнитно-резонансной томографии (фМРТ) здоровых добровольцев. Участникам демонстрировали различные визуальные стимулы, фиксируя активность в вентральной затылочно-височной коре (VOTC) — ключевой зоне, отвечающей за распознавание объектов.

Результаты показали устойчивую закономерность: активность зрительной коры человека наиболее точно предсказывалась моделью CLIP. Паттерны возбуждения нейронов при просмотре объектов статистически достоверно совпадали с тем, как кодирует информацию нейросеть, обладающая знаниями о структуре языка. Модели ResNet (знающая только слова-ярлыки) и MoCo (не знающая языка вовсе) показали значительно меньшее соответствие.

Этот факт позволил выдвинуть гипотезу: человеческая зрительная система не просто пассивно регистрирует визуальные признаки, но активно использует семантическую информацию (смыслы и описания) для построения визуальных репрезентаций. Однако наличие соотношения не являлось доказательством причинно-следственной связи. Существовал риск, что CLIP показывает лучшие результаты по иным техническим причинам, например, из-за большего объема обучающей выборки.


Обзор данных фМРТ, моделей зрения и схемы анализа.
a. В таблице перечислены четыре использованных набора данных фМРТ (OPN95, SPN95, FV14 и THINGS), включая типы стимулов и задачи для участников. Важно отметить, что участники из набора FV14 служили контрольной группой здоровых людей для сравнения с пациентами во втором этапе исследования.
b. Схема анализа для первого исследования. Мы сравнили, насколько точно три разные модели зрения соответствуют нейронным реакциям в вентральной затылочно-височной коре (VOTC). Использовались: Визуальный энкодер OpenAI CLIP (обучение на естественных текстах). ResNet-50 (обучение на метках категорий, созданных людьми). MoCo v3 (самообучение без учителя). У всех трех моделей одинаковая базовая архитектура (ResNet-50), разница лишь в способе обучения. И моделям, и людям показывали одни и те же изображения объектов. Для сравнения реакций мозга и ИИ использовали метод анализа репрезентативного сходства (RSA). В маске VOTC для каждого участка строили матрицы различий (RDMs), показывающие, как мозг воспринимает сходство между парами объектов. Затем рассчитывали частичную корреляцию Спирмена между матрицами мозга и матрицами моделей, чтобы выявить зоны, где активность мозга совпадает с предсказаниями нейросетей. Эффект «sentence description» (описание предложениями) показывает уникальный вклад модели CLIP (за вычетом влияния ResNet и MoCo), а эффект «verbal categorization» (словесная категоризация) отражает вклад ResNet (за вычетом MoCo).
Автор: Haoyang Chen et al. arXiv:2501.13628 [q-bio.NC] Источник: arxiv.org

Этап 2: Клиническая валидация через повреждения мозга

Для доказательства того, что именно языковая система модулирует зрение, авторы перешли к анализу данных пациентов с очаговыми поражениями мозга. В выборку вошли 33 пациента, перенесших ишемический инсульт.

Ключевым объектом исследования стали проводящие пути белого вещества — аксоны, физически соединяющие различные участки коры. Ученых интересовал конкретный тракт, связывающий зрительную кору (VOTC) с левой угловой извилиной (Angular Gyrus, AG). Левая угловая извилина является очень важным узлом языковой сети, отвечающим за интеграцию семантической информации и понимание сложных понятий.

Логика эксперимента была следующей: если преимущество модели CLIP в объяснении работы мозга действительно основано на взаимодействии зрения и языка, то физический разрыв связи между зрительной корой и языковым центром должен устранить этот эффект.

Результаты подтвердили гипотезу с высокой точностью:

• У пациентов, у которых структурная целостность путей между VOTC и левой угловой извилиной была сохранена, активность зрительной коры по-прежнему лучше всего описывалась моделью CLIP.
• У пациентов с повреждением этого тракта наблюдалось статистически значимое снижение соответствия модели CLIP.
• Самое важное: при нарушении связи с языковым центром активность зрительной коры начинала лучше коррелировать с моделью MoCo — алгоритмом, который опирается исключительно на визуальные характеристики низкого уровня.

Сравнение и визуализация внутренних представлений моделей зрения.
a. График корреляции между матрицами различий (RDM) на каждом слое моделей CLIP, ResNet-50 и MoCo v3 (усреднено по всем наборам данных). Каждая точка — среднее значение. Слой «avgpool» (средний пулинг) показал самую низкую корреляцию между моделями — это означает, что именно на этом этапе «восприятие» мира у моделей различается сильнее всего, поэтому этот слой выбрали для дальнейшего анализа.
b. Слева: визуализация матриц RDM для набора данных THINGS. Красный цвет — объекты не похожи, синий — максимально похожи. Также приведена матрица человеческого поведения (оценки сходства объектов реальными людьми). Справа: пары изображений, которые каждая модель считает наиболее похожими друг на друга (уникальный вклад каждой модели, очищенный от влияния двух других). Это наглядно показывает, что CLIP, ResNet и MoCo используют разные принципы для группировки объектов.
c. График того, насколько каждая модель совпадает с человеческим восприятием. Высота столбцов показывает среднюю корреляцию Спирмена между RDM модели и поведением людей. Точки и пунктирные линии отражают разброс значений в конкретных наборах данных (OPN95, FV14, THINGS). Видно, что CLIP ближе всего к человеческой логике оценки сходства.
Автор: Haoyang Chen et al. arXiv:2501.13628 [q-bio.NC] Источник: arxiv.org

Латерализация и специфичность эффекта

Исследование выявило анатомическую специфичность. Эффект наблюдался только при повреждении связей в левом полушарии. Это критически важное наблюдение, поскольку у подавляющего большинства людей языковые функции распределены именно слева. Повреждение аналогичных путей в правом полушарии, соединяющих зрительную кору с правой угловой извилиной (которая не участвует в обработке языка), никак не влияло на точность предсказаний модели CLIP.

Это исключает возможность того, что изменения в работе зрительной коры были вызваны общим снижением когнитивных способностей или неспецифическим повреждением мозга. Влияние оказывал именно разрыв коммуникации с лингвистическим модулем.


Карты мозга, показывающие влияние языка на зрительную кору (VOTC) и распределение активности по полушариям. Черные контуры очерчивают границы VOTC — зоны зрительной коры, где проводился анализ.
Верхний ряд: Усредненные карты активности для трех групп участников: слышащие (OPN95), глухие (SPN95) и здоровая контрольная группа (FV14). Синим цветом отмечен «эффект описания предложений» — зоны, где мозг работает подобно модели CLIP (учитывающей сложный языковой контекст). Оранжевым цветом отмечен «эффект словесной категоризации» — зоны, соответствующие модели ResNet (знающей только отдельные слова-ярлыки). Столбчатые диаграммы под картами показывают индекс латерализации (LIs) — то есть, насколько сильно активность смещена в левое или правое полушарие.
Нижний ряд: Индивидуальные карты мозга трех конкретных участников из набора данных THINGS (показывают те же эффекты на уровне отдельных людей). Все карты отображены с учетом строгого порога статистической значимости.
Автор: Haoyang Chen et al. arXiv:2501.13628 [q-bio.NC] Источник: arxiv.org

Механизм семантической модуляции

Полученные данные позволяют пересмотреть архитектуру человеческого восприятия. Результаты свидетельствуют о том, что визуальная информация в мозге не обрабатывается изолированно. В процессе восприятия зрительная кора (VOTC) постоянно взаимодействует с языковой сетью через угловую извилину.

Этот процесс можно описать как динамическую модуляцию: языковая система предоставляет зрительной коре высокоуровневые семантические шаблоны («что это может быть» и «как это связано с другим объектами»), что позволяет зрительной системе более эффективно организовывать входящий поток визуальной информации.

Когда эта связь нарушается вследствие инсульта, зрительная кора не прекращает работу, но переходит в режим автономного функционирования. В этом состоянии она обрабатывает объекты, опираясь преимущественно на их форму, текстуру и физические параметры (подобно модели MoCo), теряя доступ к богатому контекстуальному слою, который обеспечивает язык.


Связь между целостностью путей белого вещества (WM) и работой зрительной коры у пациентов с повреждением мозга.
a. Результаты регрессионного анализа. Столбцы показывают, насколько сильно сохранность различных путей белого вещества (между левой зрительной корой VOTC и языковыми зонами) зависит от того, как работает мозг пациента (по типу CLIP, ResNet или MoCo). Звездочка (*) над столбцом «left VOTC-AG» указывает на главную находку: именно целостность пути к левой угловой извилине (AG) критически важна. Уравнение регрессии показывает: чем лучше работает этот путь, тем сильнее мозг похож на CLIP и меньше — на MoCo.
b. Графики корреляции для тракта VOTC-AG: Каждая точка — отдельный пациент. Левый график: чем выше целостность пути (FA values), тем сильнее выражен эффект CLIP (мозг использует язык). Правый график: при разрушении этого пути усиливается эффект MoCo (мозг переходит на «безъязыковое» восприятие).
c. Проверочный анализ (валидация). Здесь проверяли связь с правой угловой извилиной (которая не отвечает за язык). Значимых связей не найдено. Это доказывает, что эффект специфичен именно для левого «языкового» полушария.
Автор: Haoyang Chen et al. arXiv:2501.13628 [q-bio.NC] Источник: arxiv.org

Значение для разработки искусственного интеллекта

Исследование полезно не только для медицины и нейробиологии, но и для сферы компьютерных наук. Оно эмпирически подтверждает, что для создания искусственного интеллекта, способного воспринимать мир подобно человеку, недостаточно увеличивать вычислительные мощности или объем визуальных данных.

Биологически правдоподобная модель компьютерного зрения должна быть мультимодальной. Обучение алгоритмов исключительно на изображениях (как в случае с MoCo) создает систему, которая эффективно различает текстуры, но фундаментально отличается от человеческого мозга в принципах организации информации. Внедрение языкового обучения в визуальные модели (как это реализовано в CLIP) приближает работу искусственных нейросетей к нейрофизиологическим стандартам.

Работа доказывает, что язык является неотъемлемым компонентом визуального опыта человека, действуя как активный участник процесса формирования зрительных образов.

Источник: arXiv

[ArefievPV]

Ученые изменили альфа-волны мозга человека, чтобы управлять его восприятием своего тела
https://naked-science.ru/article/medicine/uchenye-izmenili-alfa-vol
Нейробиологи выяснили, что чувство физического «я» возникает благодаря электрическим ритмам в теменной коре, которые работают как «тактовая частота» процессора. Управляя этими колебаниями, исследователи смогли менять способность людей отличать собственную руку от резинового протеза.

Схема эксперимента. Робот касается резиновой (слева вверху) и настоящей руки, испытуемый должен ответить, чувствует ли он разницу / © Mariano D’Angelo et al.

Чтобы человек чувствовал руку «своей», мозг должен решить сложную задачу: объединить то, что видят глаза, с тем, что чувствует кожа. Если вы видите касание и чувствуете его одновременно — это ваша рука. Но поскольку сигналы идут по нервам с разной скоростью, у мозга есть «допустимый интервал» (временное окно), внутри которого он считает события одновременными.

Ученые давно предполагали, что восприятие работает не сплошным потоком, а дискретными «кадрами», длина которых зависит от альфа-ритмов мозга. Однако было неизвестно, влияет ли эта «кадровая частота» на базовое самосознание — понимание того, где заканчивается тело и начинается внешний мир.

Авторы исследования, опубликованного в журнале Nature Communications, использовали классическую «иллюзию резиновой руки», автоматизировав ее для точности. Роботизированные манипуляторы наносили ритмичные удары по скрытой настоящей руке участника и по лежащему на виду резиновому протезу. Ученые меняли задержку между ударами с точностью до миллисекунд, фиксируя момент, когда человек переставал считать резиновую руку своей.

Затем исследователи перешли от наблюдения к управлению. Они прикрепили к головам добровольцев электроды и с помощью транскраниальной стимуляции переменным током (tACS) начали диктовать мозгу ритм работы. Одной группе искусственно замедляли альфа-ритмы теменной коры до восьми герц, другой — ускоряли до 13 герц.

Эксперимент показал, что альфа-ритм действительно работает как «затвор камеры», нарезающий реальность на кадры. Участники, которым «разогнали» мозг до 13 герц, стали сверхчувствительными: их временное окно сузилось, и они перестали поддаваться иллюзии при малейшей задержке ударов. Напротив, замедление ритма до восьми герц привело к тому, что «кадры» восприятия стали длиннее. В один такой кадр попадали даже рассогласованные события, и мозг ошибочно объединял их. В результате люди начинали чувствовать резиновую руку своей, даже когда роботы били по ней с заметным отставанием.

Чувство телесной принадлежности оказалось динамическим процессом, основанным на математике нейронных колебаний. Это открытие объясняет природу галлюцинаций при шизофрении (где часто наблюдается замедленный альфа-ритм) и открывает путь к созданию технологий, позволяющих мозгу быстрее «принимать» протезы или аватары в виртуальной реальности.

[ArefievPV]

В копилку:

«За секунду до: как мозг конструирует будущее, которое становится настоящим»
https://nplus1.ru/blog/2026/01/20/a-trick-of-the-mind
Почему наше восприятие окружающего мира строится на гипотезах

Чтобы понять, как устроен мир, ученые выдвигают гипотезы. Схожим образом действует человеческий мозг: интерпретирует данные и заполняет пробелы, чтобы объяснить происходящее, — и порой ошибается. В книге «За секунду до: как мозг конструирует будущее, которое становится настоящим» («Манн, Иванов и Фербер»), переведенной на русский язык Алексеем Захаровым, когнитивный нейробиолог Дэниэл Йон рассказывает, как формируется наше представление об окружающем мире и почему оно время от времени оторвано от реальности. Предлагаем вам ознакомиться с фрагментом о том, почему мы можем увидеть совсем не то, что нам показывают.

Байесовский мозг

Сейчас психологи и нейробиологи обращаются к математике, чтобы понять, как мозг формирует гипотезы и вычисляет выводы. Одной из идей, преобразивших современную нейробиологию, стало предположение, что наш мозг на самом деле байесовский.

Это название дано в честь далекого предтечи теории вероятностей Томаса Байеса. Преподобный Байес жил в XVIII веке, и его круг интересов мог показаться необычным для священника. Он стремился разобраться в азартных играх вроде бросания монеток и костей, а также оценить вероятность разных результатов. Поэтому, наверное, не стоит удивляться, что он разработал ряд математических правил, которые и сейчас помогают нам количественно оценить вероятность тех или иных событий.

Байеса прославила названная в его честь теорема, которая утверждает, что, выдвигая гипотезы по поводу окружающего мира, мы не должны полагаться только на входящие данные. Любые данные, которые мы получаем, должны быть сопоставлены с имеющимися знаниями о том, что может быть правдой, — то есть с нашей оценкой априорной вероятности.

Из-за нашего стандартного понимания того, что такое рациональное мышление, это утверждение может противоречить интуиции: если мы мыслим ясно, то должны в первую очередь сосредоточиться на получаемых данных, а не опираться на имеющиеся воззрения, разве нет? Но если немного поразмыслить, то вероятностный метод мышления окажется крайне полезным.

Представьте, что вы ночью смотрите на звезды. Вдруг по небу проносится что-то похожее на летающую тарелку — вот она здесь, а вот ее уже и нет. Что вы должны подумать? Если опираться только на данные, все выглядит так, словно у вас только что произошел близкий контакт с неземной жизнью. Однако у вас есть не одни свежие визуальные данные. Например, вы можете знать, что как раз сегодня вечером на орбиту должны выводить новый спутник, и он вполне может пролететь именно там, где вы его увидите. Или вы вспомните, что несносному соседскому мальчишке подарили на день рождения квадрокоптер, который он любит запускать по ночам. Эти уже имеющиеся варианты снижают вероятность того, что вы на самом деле увидели в ночном небе инопланетянина. С байесовской точки зрения, ваши выводы должны основываться на том, какое событие наиболее вероятно. Так что звонить в НАСА рановато.

Байес и его последователи обычно не интересовались человеческим разумом как таковым. Законы теории вероятностей — нормативные, а не описательные: они говорят нам, как мы должны думать, и далеко не факт, что они описывают то, как мы реально думаем. Но одна из самых соблазнительных идей современной нейробиологии такова: наш мозг на самом деле устроен так, что применяет или аппроксимирует именно байесовские рассуждения, которые превозносят математики: он интерпретирует все входящие данные, основываясь на собственной гипотезе о том, как, скорее всего, устроен мир.

Один из главных сторонников этой идеи — Карл Фристон. Созданная им модель мозга указывает на недооцененное свойство наших нейронных контуров и сетей: информация в нашей голове движется не только «вперед», в направлении от простого сенсорного анализа к более абстрактному мышлению. Она течет и «назад» — от высших отделов мозга к низшим.

Подобная архитектура создает мозг, который ведет себя точно как ученые. Обобщенные гипотезы о мире, хранящиеся в высших отделах мозга, могут проецироваться обратно на низшие отделы. Эти спроецированные гипотезы, в которых содержатся прежние теории и предположения, формируют нашу интерпретацию ненадежных и неоднозначных данных, получаемых органами чувств. Наше восприятие превращается в байесовский вывод, в котором объединяются входящие данные и существующие воззрения. Мы видим беспорядочные ломаные линии своих измерений сквозь призму теории, уже созданной нашим мозгом.

Камера, редактирующая свои снимки

Но если мы смотрим сквозь призму гипотез, значит, наш мозг может начать видеть то, что его инструменты даже не измеряли. Один из возможных способов это продемонстрировать — показать мозгу изображение вроде такого:



При виде иллюзии, известной как треугольник Канижа, большинству людей кажется, словно они видят белый треугольник, наложенный на три черных круга. Но его на самом деле нет. Его стороны — просто пустое пространство. Треугольник лишь подразумевается. Это лучшая догадка вашего мозга о том, что на самом деле изображено.

Если вы посмотрите на эту иллюзию, сидя в МРТ-сканере, то, наблюдая за активностью вашего мозга, мы увидим, что обобщенная гипотеза («я вижу треугольник») проецируется обратно в ваш визуальный центр. Именно поэтому вы видите стороны треугольника, хотя на самом деле их нет.

В частности, мы можем заглянуть в отдел мозга, который называется зрительной корой. Она играет ключевую роль в восприятии визуального мира. Обычно мы считаем, что этот отдел мозга занимается измерениями. Его нейроны подключены к вашим глазам, и когда на сетчатку попадают определенные паттерны света, они же должны воссоздаваться и в зрительной коре — примерно как на камере, которая воссоздает падающий на нее свет в качестве изображения на снимке.

Но если мы запишем активность зрительных нейронов мозга, то увидим, что они не просто показывают данные измерений инструмента, добросовестно воссоздавая паттерны света, попавшего на сетчатку. Их активность редактируется, исправляется и переформируется, чтобы ваш мозг видел то, что ему кажется, а не просто нефильтрованный сигнал. Если мы посмотрим на вашу зрительную кору, когда вы изучаете иллюзии вроде треугольника Канижа, то увидим, что нейроны, отвечающие за пространство вдоль воображаемой фигуры, все равно срабатывают, хотя в этом участке визуального пространства нет ничего, что зрительные нейроны на самом деле способны увидеть. Нейроны словно знают, что здесь должна быть сторона, хотя измерения ее и не показали.

Подобное поведение отдельных нейронов сообщает нам нечто очень глубокое. Поскольку они не могут на самом деле ничего «видеть» в своих входящих данных, их срабатывание вызвано знаниями об окружающем мире, которые хранятся в другой области мозга. Иными словами, такие результаты говорят нам, что ваш мозг в целом занимается выработкой гипотез о том, как устроен мир. И они проецируются в те области мозга, которые должны заниматься измерениями. Вместо того чтобы просто сделать снимок информации, попавшей на органы чувств, «камера» вашей зрительной системы проецирует на записываемое изображение свою интерпретацию — редактирует ваше визуальное восприятие, чтобы оно соответствовало вашим априорным ожиданиям.

Другие исследования показывают, что подобное проецирование далеко не ограничивается добавлением к воображаемой фигуре воображаемых сторон. Ваш мозг может добавлять к результатам своих измерений довольно сложные свойства в зависимости от того, что ожидает увидеть.

Например, в одном творческом исследовании со сканированием мозга добровольцы ложились в МРТ-сканер, и им показывали фотографии, на которых один угол был закрашен. Ученые обнаружили, что участки зрительной коры, отвечавшие за эти пустые квадранты — не получавшие никакой входящей информации от глаз, — все равно «знали», что находится в оставшейся части рисунка. По паттернам активности мозга в этих пустых участках ученые обнаружили, что они все равно получают сложные гипотезы из других отделов мозга, говорящие им о том, что они должны видеть — например, толпу, идущую по рынку под открытым небом, или щегольски одетого водителя, который ловким маневром направляет кабриолет в туннель.

В следующих экспериментах удалось выяснить, что происходит примерно следующее: высшие области мозга проецируют гипотетическую входящую информацию на низшие; это напоминает грубый эскиз того, что они «должны» увидеть. Ваш мозг словно не терпит пустоты и считает ее «холстом», на который может проецировать собственные теории об устройстве внешнего мира.

Эти проекции «сверху вниз» работают постоянно, даже если ваши глаза видят полную картину. То, что вы воспринимаете, всегда пропитано вашими гипотезами и сформировано ожиданиями. Поток гипотез, проходящий по мозгу, «редактирует» активность ваших нейронов восприятия — увеличивает громкость ожидаемых сигналов и заглушает те, которых вы не ожидаете.

Итак, ваши ожидания срабатывают как фильтр. И из-за этого появляется субъективное стремление воспринимать все так, чтобы это соответствовало воззрениям человека. Например, некоторые эксперименты, проведенные нами в лаборатории, показали: когда люди шевелят руками, их мозг посылает предсказательные сигналы, меняющие их предположения о том, что на самом деле делают пальцы. Восприятие настолько субъективно, что люди начинают сообщать, будто видят, как их руки «двигаются», даже когда они не двигаются, — просто потому, что они этого ожидают. Эти и другие подобные исследования показывают, что восприятие действительно очень напоминает напичканный теориями научный процесс. Ваш мозг, запертый внутри черепа ученый, придумывает теорию, чтобы объяснить активность своих инструментов, осмыслить неоднозначные результаты полученных измерений. Но эти предсказания и теории свободно проникают в восприятие, и ваш мозг начинает воспринимать то, что он ожидает, а не просто сигналы из внешнего мира. Выходит, видеть — значит верить, только не в том смысле, который вам, скорее всего, знаком.

[ArefievPV]

Двухмесячные младенцы распределили увиденные предметы по категориям
https://nplus1.ru/news/2026/02/03/brain-children
Классификация зрительной информации в коре мозга была похожа на этот процесс у взрослых

Дети в возрасте двух месяцев способны распределять увиденные предметы по категориям. Это выяснили исследователи из Ирландии, когда провели функциональную МРТ 130 младенцам. Классификация зрительной информации в зрительной коре и в вентральной височной коре у детей была схожа с контрольной группой взрослых, а значит, как следует из исследования, необязательно в большей степени зависит от полученного опыта, чем от врожденных свойств мозга. Результаты работы опубликованы в Nature Neuroscience.

Дети учатся узнавать и категоризировать предметы в течение первого года жизни, но точное время, когда это происходит, остается неизвестным. Ученые спорят, появляется ли способность определять предметы в разные категории с накоплением зрительного опыта или строится на базовых системах, существующих в мозге с рождения. Сложности в изучение этой темы добавляет и то, что классические методы психологических исследований, например измерение времени фиксации взгляда, могут быть ненадежными, когда речь идет о младенцах.

В последние годы на помощь ученым в исследовании мозга пришел метод функциональной магнитно-резонансной томографии (фМРТ), который позволяет следить за активностью мозга в реальном времени. Именно его и использовали нейрофизиологи под руководством Клионы О'Догерти (Cliona O’Doherty) из Тринити-колледжа в Дублине, чтобы изучить способность младенцев категоризировать объекты. В исследование набрали 130 двухмесячных детей, 65 из которых прошли повторное исследование в девять месяцев.
 
Детям на протяжении 15 минут показывали картинки из 12 категорий предметов, которые обычно видят младенцы на протяжении первого года жизни (например, животные или деревья). Во время эксперимента с помощью фМРТ у детей регистрировали активность мозга. В обработке полученной информации ученым помогла сверточная нейронная сеть AlexNet. Тестовой выборкой стали 18 взрослых людей.

Уже у двухмесячных детей по паттерну активации вентрального зрительного пути (нейронной системы, идущей от первичной зрительной коры к нижней височной доле) можно было предсказать категорию, в которую ребенок поместит увиденный объект. Распределение категорий предметов в зрительной коре и в вентральной височной коре у детей было схоже с контрольной группой взрослых. Дети категоризировали увиденное даже по такому сложному параметру, как неодушевленный или одушевленный предмет, а по мере роста эта способность лишь усиливалась.


Распределение увиденных изображений по категориям одушевленный или неодушевленный
O’Doherty et al. / Nature Neuroscience, 2026

Таким образом, уже в два месяца у детей есть необходимые нейрональные связи для категоризации предметов. Работа ставит под сомнение представление о том, что эта способность в большей степени зависит от зрительного опыта, чем от врожденных свойств мозга.

Изучая мозг младенцев, исследователи часто находят у них свойства, которые классически ассоциируются с более старшим возрастом. Так нейрофизиологи выяснили, что способность объективно оценивать информацию, доступную другим людям, и оценивать на ее основе верность суждений появляется у детей уже в возрасте семи месяцев.

[ArefievPV]

Почему мы не видим слепое пятно в глазу? Ответ на этот вопрос рассудит спор о природе сознания
https://www.ixbt.com/live/science/pochemu-my-ne-vidim-slepoe-pyatno-v-glazu-otvet-na-etot-vopros-rassudit-spor-o-prirode-soznaniya.html

С одной стороны, мы обладаем точнейшими инструментами для сканирования мозга, от функциональной МРТ до оптогенетики. С другой — наука о сознании остается полем битвы десятков теоретических моделей, которые годами существуют параллельно, почти не пересекаясь. Каждая теория предлагает свое объяснение того, как физическая материя мозга порождает субъективный опыт, и каждая находит косвенные подтверждения. Чтобы выйти из этого тупика, ведущие научные группы перешли к практике «состязательных коллабораций».

Суть этого подхода в том, что сторонники конкурирующих гипотез совместно разрабатывают дизайн одного решающего эксперимента. Они заранее согласуют протокол, методы анализа и, что самое важное, фиксируют свои предсказания до начала сбора данных. Это исключает возможность интерпретировать результаты в свою пользу постфактум.

В январе 2026 года в рецензируемом журнале PLoS ONE был опубликован протокол одного такого эксперимента. Его цель — столкнуть лбами две самые влиятельные на сегодняшний день теории: интегрированную теорию информации и теорию предиктивной обработки. Объектом исследования выбрано физиологическое слепое пятно — область сетчатки глаза, лишенная фоторецепторов.

Фундаментальный конфликт: структура против Вычисления

Сначала разберемся в том, как именно враждующие теории объясняют природу нашего восприятия.

Интегрированная теория информации (IIT), главным идеологом которой является нейробиолог Джулио Тонони, постулирует, что сознание неразрывно связано с физической архитектурой системы. Согласно IIT, сознательный опыт определяется способностью системы интегрировать информацию, что напрямую зависит от топологии связей в нейронной сети. Теория вводит понятие «причинно-следственной силы». Чтобы мы воспринимали пространство как протяженное и непрерывное, необходима соответствующая непрерывная структура нейронных взаимодействий в зрительной коре.

Теория предиктивной обработки (PP), которую в данном исследовании представляют Карл Фристон и Якоб Хови, предлагает другой взгляд. Согласно этому подходу, мозг — это не пассивный приемник информации, а машина для генерации прогнозов. Восприятие представляет собой процесс байесовского вывода: мозг строит внутреннюю модель мира и постоянно обновляет ее, стремясь минимизировать ошибку между своим прогнозом и входящим сенсорным сигналом.

Слепое пятно становится идеальным объектом для проверки возникших разногласий. У каждого здорового человека в поле зрения есть область, откуда в мозг не поступает визуальная информация (там, где зрительный нерв выходит из глазного яблока). Однако субъективно мы не видим черного пятна или пустоты. Мы видим цельную картину. Вопрос в том, как именно мозг это делает.

Предсказания сторон

Для IIT слепое пятно — это структурный дефект. В этой области коры отсутствуют прямые входящие сигналы, характерные для остальной сетчатки. Следовательно, нарушается локальная причинно-следственная структура нейронной сети.

• Прогноз IIT: поскольку физический субстрат для представления пространства в этой зоне деградирован, субъективное восприятие пространства должно быть искажено. Теория предсказывает эффект сжатия: расстояния, проходящие через слепое пятно, должны восприниматься как более короткие, чем они есть на самом деле. Мозг не может сгенерировать пространство там, где нет соответствующей нейронной архитектуры.

Для Предиктивной обработки (PP) отсутствие сигнала от рецепторов — это лишь отсутствие данных, которое легко компенсируется. Внутренняя генеративная модель мозга, основанная на статистике окружающего мира, знает, что объекты редко исчезают бесследно.

• Прогноз PP: модель предсказывает непрерывность пространства на основе контекста. Следовательно, восприятие должно оставаться достоверным и неискаженным. Мозг заполнит пробел наиболее вероятной гипотезой о том, что там находится. Сторонники этой теории утверждают, что искажения (смещения оценки) будут отсутствовать, хотя точность оценки (вариативность ответов) может снизиться из-за шума в сигнале.

Архитектура эксперимента: три метрики пространства

Исследовательский консорциум разработал серию из трех психофизических задач, призванных измерить геометрию субъективного пространства в зоне слепого пятна. Главная методическая сложность заключается в том, чтобы предъявить стимул в слепую зону так, чтобы испытуемый мог его оценить.


Механика эксперимента: раздельное зрение и калибровка.
А. Схема испытания. С помощью специальных цветных очков ученые разделяют изображение для каждого глаза. Точки-стимулы предъявляются только для contralateral eye (в данном примере — левый глаз). Одновременно с этим на ipsilateral eye (правый глаз) проецируется blind spot patch — метка, закрывающая область слепого пятна. Мозг объединяет эти разные сигналы (dichoptic stimuli) в единую картинку. Если испытуемый смотрит точно в центр, метка blind spot mask становится невидимой, так как попадает в слепую зону глаза. Это позволяет исследователям «обмануть» сознание и тестировать восприятие в зоне, где информация от одного из глаз полностью отсутствует.
B. Калибровка цвета. Перед началом теста настраивается яркость красного и зеленого цветов. Задача в том, чтобы добиться «цветового исчезновения»: каждый глаз должен видеть только свою часть стимулов, в то время как изображение для другого глаза должно оставаться полностью невидимым через фильтр очков. Это гарантирует чистоту эксперимента и исключает подсказки для мозга.
Автор: Abbatecola C et al. Источник: journals.plos.org

Для этого используется метод дихоптической презентации. Участники надевают очки с цветовыми фильтрами (красный/зеленый). Один глаз видит только маркер слепого пятна и точку фиксации, а другой глаз, которому предъявляют тестовые стимулы, видит всю картину целиком, включая зону, соответствующую слепому пятну первого глаза. Благодаря бинокулярному слиянию у человека создается единый зрительный образ.


Определение границ слепого пятна.
Процесс начинается с перемещения test spot (тестовой точки) от центра в сторону до её полного исчезновения — это означает, что объект вошел в «мертвую зону» сетчатки. Чтобы зафиксировать точные размеры этой области, экспериментатор увеличивает высоту и ширину точки до тех пор, пока её края не станут снова видимы участнику. За точностью следит айтрекер: если взгляд смещается, слепое пятно «сдвигается», точка становится видимой, а крестик фиксации меняет цвет. Хотя на схеме процесс показан в черно-белом цвете, в реальности используются цветные стимулы и очки, чтобы проводить картирование отдельно для каждого глаза.
Автор: Abbatecola C et al. Источник: journals.plos.org

Эксперимент 1: оценка линейной дистанции

Участникам последовательно показывают две пары точек. Одна пара расположена на обычном участке поля зрения, вторая — пересекает границу слепого пятна. Задача испытуемого — определить, расстояние между какими точками больше.

Используется адаптивная процедура: сложность задачи меняется в зависимости от ответов участника. Это позволяет построить психометрическую функцию и определить точку субъективного равенства. Если IIT верна, то точки, разделенные слепым пятном, будут систематически казаться ближе друг к другу.


Тест на оценку дистанции.
На схеме показаны два сценария испытания во времени (t). Участнику последовательно предъявляют две пары точек: foil (контрольная пара, расположенная выше или ниже слепого пятна) и target (целевая пара, которая «перешагивает» через слепое пятно — spanning blind spot). Задача испытуемого — определить, в какой паре расстояние между точками меньше: в первой или во второй. Каждый этап длится 400 мс, а смена центрального крестика с «+» на «x» служит сигналом для ответа. Использование цветных очков позволяет направлять стимулы в contralateral eye или ipsilateral eye, чтобы сравнить восприятие реального и «достроенного» мозгом пространства.
Автор: Abbatecola C et al. Источник: journals.plos.org

Эксперимент 2: оценка площади объектов

Испытуемый видит два круга: один в центре (в фовеальной зоне), другой — на периферии. В критических пробах периферийный круг располагается так, что накрывает собой слепое пятно. Участник должен изменить размер центрального круга так, чтобы он совпал с размером периферийного.

Это прямая проверка гипотезы о сжатии пространства. Если нейронная ткань, лишенная входа, не участвует в формировании метрики пространства, объект в слепом пятне должен восприниматься как имеющий меньшую площадь.


Тест на оценку площади. На схеме представлены два сценария: в варианте А центральный круг (foveal circle) изначально меньше периферийного, в варианте В — больше. Задача участника — отрегулировать площадь центрального круга так, чтобы она в точности совпала с площадью круга на периферии (peripheral circle). Итоговый выбор фиксируется кликом мыши. Чтобы участники не могли ориентироваться на размер центрального крестика фиксации, его габариты меняются случайным образом в каждом испытании. Использование цветных очков позволяет тестировать восприятие площади через contralateral eye или ipsilateral eye, проверяя, «сжимается» ли объект при попадании в слепую зону.
Автор: Abbatecola C et al. Источник: journals.plos.org

Эксперимент 3: восприятие кривизны движения

Точка движется по траектории, пересекающей слепое пятно. Траектория может быть прямой или искривленной. Задача участника — оценить степень кривизны.

Предиктивные модели предполагают, что мозг будет экстраполировать движение по инерции, сглаживая траекторию. Структурные модели (IIT) допускают, что из-за нарушения топологии коры траектория может восприниматься с разрывами или искажением угла, так как холст, на котором разворачивается действие, деформирован.


Тест на кривизну движения.
Испытание начинается с фиксации взгляда в центре экрана. Траектория движения точки (motion trace) создается за счет последовательного появления стимула в четырех точках (1, 2, 3 и 4) с интервалом в 100 мс. На схеме показаны два условия: в варианте А движение происходит в непосредственной близости от слепого пятна, в варианте В — на аналогичном расстоянии от центра, но выше пятна. Точка совершает цикл движения «туда-обратно», после чего участник должен указать, куда была искривлена траектория: влево или вправо (по направлению к слепому пятну или от него). Как и в других тестах, использование цветных очков позволяет предъявлять стимулы отдельно для contralateral eye или ipsilateral eye, чтобы выяснить, влияет ли отсутствие нейронных связей на то, как мозг «видит» траекторию летящего объекта.
Автор: Abbatecola C et al. Источник: journals.plos.org

Строгость анализа и контроль данных

Важной особенностью данного протокола является использование Байесовского сравнения моделей. Вместо привычной проверки нулевой гипотезы, которая лишь говорит о наличии или отсутствии эффекта, ученые будут оценивать «вес доказательств» для каждой из теорий.

Анализ будет проводиться вслепую: данные, собранные в лабораториях Глазго и Йорка, будут обработаны алгоритмами, которые заранее прописаны в пререгистрации. Это исключает так называемый p-hacking — подгонку статистики под желаемый результат.

Кроме того, в протокол включено направление «Нейрорепрезентационализм» — подвид теории предиктивной обработки. Оно занимает промежуточную позицию, допуская наличие незначительных искажений в восприятии, но настаивая на том, что высокоуровневые когнитивные процессы способны их компенсировать почти полностью. Таким образом, эксперимент способен различить даже нюансы внутри одного теоретического лагеря.

Значение для фундаментальной науки

Сбор данных завершился в конце 2025 года, и скоро будут опубликованы итоги.

Если данные подтвердят предсказания IIT (искажение пространства), наука получит весомый аргумент в пользу того, что сознание — это жестко детерминированное свойство биологического субстрата. Это будет означать, что нельзя просто скопировать человеческий разум на цифровой носитель, для воспроизведения сознания потребуется точная репликация причинно-следственной архитектуры связей.

Если же победит Предиктивная обработка (стабильное пространство), это укрепит представление о мозге как о мощной симуляционной машине, для которой сенсорные данные вторичны по отношению к внутренней модели реальности. Это подтвердит гипотезу о том, что мы воспринимаем не мир как он есть, а свое предсказание этого мира, скорректированное ошибками.

Источник: PLOS One

P.S. Возможно, в результате проверки победителя так и не выявят:

Теории человеческого сознания проверили на ИИ-агентах — результаты удивили
https://habr.com/ru/news/982048/

Исследователь из Токийского института науки Инь Цзюнь Пхуа применил подход, который он называет "синтетической нейрофеноменологией": построил ИИ-агентов, воплощающих три ведущие теории сознания, и провел на них эксперименты, невозможные на живом мозге. Речь не о создании сознательного ИИ — агенты служат "идеальными модельными организмами", где каждый нейрон и вес можно наблюдать и модифицировать. Проверялись теория глобального рабочего пространства (GWT), теории высшего порядка (HOT) и теория интегрированной информации (IIT).
...
Главный вывод работы: три теории сознания не конкурируют, а описывают разные функциональные слои. GWT обеспечивает трансляцию информации между модулями, HOT — контроль качества этой трансляции. По отдельности ни один механизм не дает устойчивого поведения. Для разработчиков ИИ это практический ориентир: система без метакогнитивной калибровки не способна достоверно сообщать о собственной неуверенности. А это критично для безопасности беспилотников, медицинских ИИ и любых автономных систем, где цена ошибки высока.

[ArefievPV]

В «речи» диких попугаев обнаружили синтаксические правила
https://naked-science.ru/article/biology/v-rechi-dikih-popugaev-ob
Американские и ирландские биологи проанализировали сложные «трелевые дуэты» желтошейных амазонов — редких попугаев из Коста-Рики. Ученые выяснили, что эти птицы используют сложный синтаксис. В их вокальном репертуаре есть 36 типов «слов» (криков), которые комбинируются по строгим правилам, но при этом сами песни почти никогда не повторяются, напоминая импровизированный диалог.

Попугаи считаются интеллектуалами среди птиц: у них крупный мозг, они живут долго и способны учиться новым звукам всю жизнь. Однако большинство данных об их способностях получено в неволе, а вокальное поведение в дикой природе долго оставалось малоизученным.

Авторы исследования, опубликованного в Journal of Avian Biology, в течение трех лет записывали сложные трели 13 пар амазонов (Amazona auropalliata) в лесах Коста-Рики. Эти вокализации птицы используют во время защиты гнездовых участков от соседей-конкурентов. Чтобы расшифровать записи, ученые применили программу Voyant Tools, которой анализируют литературные произведения. С помощью программы провели анализ коллокаций — статистически значимой совместной встречаемости элементов сообщения.

Исследователи выделили в песнях попугаев лексикон из 36 типов сигналов, причем сигналов было больше, но остальные звучали слишком редко для исследования. Математический анализ подтвердил наличие синтаксиса: звуки не следовали друг за другом случайно. Птицы соблюдали 19 правил «положительной связи» (когда один звук обязательно притягивает другой) и четыре правила «отрицательной ассоциации» (запрет на соседство определенных сигналов). Более половины лексикона оказалось привязано к полу: 25% звуков издавали исключительно самцы или самки, а еще 31% имели выраженный «гендерный уклон».

Несмотря на строгую структуру и правила очередности, дуэты амазонов отличаются предельной гибкостью. Из 52 детально проанализированных записей лишь две оказались идентичными, остальные имели уникальную последовательность элементов. Птицы не просто воспроизводят заученную мелодию, а конструируют сообщение в реальном времени, подстраиваясь под вокализации партнера. Самки при этом чаще выступают инициаторами, задавая темп и структуру «диалога».

Научная работа доказывает, что в естественной среде попугаи используют «открытые» системы коммуникации, позволяющие создавать бесконечное количество комбинаций из ограниченного набора сигналов. Такая способность комбинировать блоки информации считается одним из ключевых этапов эволюции языка. Изучение этих механизмов важно не только для фундаментальной науки, но и для сохранения вида: желтошейные амазоны находятся на грани исчезновения, и вместе с популяцией гибнет их уникальная звуковая культура, которая передается через социальное обучение.

[ArefievPV]

Первый оцифрованный мозг обрел тело: как цифровая копия дрозофилы впервые начала ходить в симуляторе
https://www.ixbt.com/live/science/pervyy-ocifrovannyy-mozg-obrel-telo-kak-cifrovaya-kopiya-drozofily-vpervye-nachala-hodit-v-simulyatore.html

На протяжении десятилетий развитие вычислительных систем шло по пути создания искусственного интеллекта. Этот подход подразумевает написание программного кода и использование алгоритмов, которые учатся решать задачи с нуля. Однако параллельно с этим существует совершенно иное направление исследований — эмуляция всего мозга (Whole Brain Emulation). Ее суть заключается не в создании нового разума, а в детальном сканировании и точном копировании уже существующего биологического мозга в цифровую среду.

Долгое время этот процесс оставался лишь концепцией, так как требовал огромных вычислительных мощностей и сверхточных методов сканирования живых тканей. Но вот недавно исследователям из компании Eon Systems PBC впервые удалось не просто запустить цифровую копию мозга сложного существа на компьютере, но и заставить этот цифровой мозг управлять виртуальным телом в среде с реалистичными физическими законами. Этим существом стала плодовая мушка — дрозофила.

От статической карты к динамической системе

Основой для текущего достижения послужило исследование, результаты которого были опубликованы в научном журнале Nature в 2024 году. Команда ученых под руководством старшего научного сотрудника Eon Филиппа Шиу создала полную вычислительную модель мозга взрослой дрозофилы.

Для этого они использовали коннектом — исчерпывающую карту всех нейронных связей в нервной системе насекомого. Эта карта была получена путем сканирования срезов реального мозга под электронным микроскопом. В результате ученые получили точную схему, состоящую из более чем 125 000 нейронов и 50 миллионов синаптических соединений. Кроме того, с помощью методов машинного обучения исследователи определили типы нейромедиаторов для каждой связи — то есть выяснили, какие нейроны передают возбуждающие сигналы, а какие тормозящие.

Эта модель образца 2024 года работала с высокой точностью: она могла предсказывать двигательные реакции мухи в 95% случаев. Однако система была изолированной. Мозг генерировал сигналы, нейроны передавали импульсы друг другу, формировались команды на движение, но эти команды никуда не поступали. У цифрового мозга не было тела, которым он мог бы управлять, и среды, на которую он мог бы реагировать.

Замыкание сенсомоторного цикла

В своей новой работе специалисты Eon Systems решили проблему отсутствия тела. Они интегрировали готовую модель мозга дрозофилы в симулятор NeuroMechFly v2. Это программная среда, которая работает на базе физического движка MuJoCo. Внутри этой среды было создано виртуальное тело мухи, обладающее точными биомеханическими характеристиками: заданным весом конечностей, параметрами трения в суставах и ограничениями подвижности. Сама среда имитирует гравитацию и сопротивление поверхности.

Подключение цифрового мозга к виртуальному телу позволило впервые замкнуть так называемый сенсомоторный цикл в рамках эмуляции целого мозга. Процесс работает следующим образом:

• Виртуальные датчики на теле мухи фиксируют информацию об окружающей среде (например, соприкосновение лапок с поверхностью).
• Эта информация поступает в цифровую нейронную сеть в виде электрических сигналов.
• Сигнал проходит по скопированному биологическому коннектому. Нейроны активируются в той же последовательности, в которой они активировались бы у живого насекомого.
• В результате обработки сигнала мозг формирует моторную команду и отправляет ее к виртуальным мышцам.
• Физический движок просчитывает это движение, и виртуальная муха совершает действие, опираясь на законы физики.

В результате исследователи зафиксировали множественные варианты сложного поведения, которые система генерировала самостоятельно, опираясь исключительно на внутреннюю динамику своих нейронных цепей.

Принципиальное отличие от современных нейросетей

Чтобы понять значимость этого события, необходимо разобрать, чем эмуляция мозга отличается от современных систем искусственного интеллекта, которые также умеют управлять виртуальными персонажами или роботами.

Ранее другие научные группы, включая подразделение DeepMind и исследовательский кампус Janelia, также демонстрировали виртуальных мух, способных ходить в симуляторе. Но они использовали метод «обучения с подкреплением». В этом случае разработчики создают пустую нейросеть, задают ей цель (например, двигаться вперед) и позволяют ей совершать случайные движения. Когда виртуальная модель делает шаг и не падает, система получает положительный балл. Путем миллионов повторений алгоритм находит оптимальный способ переставлять ноги. Это имитация внешнего поведения с помощью математики.

Система Eon Systems работает иначе. Она не обучалась ходьбе в симуляторе. Ее цифровая структура является точной копией существа, чья нервная система уже адаптирована для ходьбы процессом биологической эволюции. В данном случае ученые взяли готовую схему связей, подали на нее входящий сигнал, и система начала работать так, как диктует ее строение.

До этого момента самые успешные попытки реализовать подобный подход ограничивались крайне простыми организмами. Самым известным примером был проект OpenWorm, в рамках которого ученые эмулировали нервную систему круглого червя Caenorhabditis elegans. Однако нервная система этого червя состоит всего из 302 нейронов, а его поведенческий репертуар минимален. Переход от 302 нейронов к 125 000 нейронов дрозофилы — это серьезное увеличение масштаба и сложности системы.


a. Полная реконструкция морфологии нейронов с помощью FlyWire. Все нейроны центрального мозга и обеих зрительных долей были сегментированы и проверены вручную. Примечание: изображение и набор данных зеркально отражены относительно реального мозга мухи.
b. Обзор ресурсов FlyWire. Проект базируется на снимках электронной микроскопии (Zheng et al.), картах синапсов (Buhmann et al., Heinrich et al.) и предсказаниях типов нейромедиаторов (Eckstein et al.). Аннотации, включая гемилинии, нервы и иерархические классы, описаны в сопутствующей статье.
c. Техническая платформа: FlyWire использует систему CAVE для проверки, управления и анализа данных. Доступ возможен программно (через CAVEclient, navis, fafbseg и natverse) или через браузер (Codex, Catmaid Spaces и braincircuits. io). Также доступны статические выгрузки данных.
d. Мозг Drosophila разделен на пространственные области на основе нейропилей (Extended Data Fig. 1). Нейропили ламины (lamina) не показаны. Обозначения осей: D (dorsal — дорсально), L (lateral — латерально), P (posterior — постериально). e. Структура синапсов: синаптические бутоны часто являются полиадными (один пресинаптический бутон связан с несколькими постсинаптическими партнерами). Каждая связь между «входом» и «выходом» считается отдельным синапсом.
f. На исходных данных электронной микроскопии (Zheng et al.) отчетливо идентифицируются нейронные тракты, трахеи, нейропили и тела клеток. Масштабная линейка: 10 мкм.
Автор: Shiu, P.K., Sterne, G.R., Spiller, N. et al. Источник: www.nature.com

Следующий этап: эмуляция мозга млекопитающего

Успешная интеграция мозга насекомого с виртуальным телом доказывает работоспособность самой концепции. Теперь главной целью компании Eon Systems становится создание полной цифровой эмуляции мозга мыши. В перспективе это заложит технологический фундамент для эмуляции мозга человека.

Масштаб предстоящей работы значительно больше предыдущей. Мозг мыши содержит около 70 миллионов нейронов, что в 560 раз превышает количество нейронов у дрозофилы. Для реализации этой задачи недостаточно просто увеличить вычислительные мощности; необходимо собрать огромный массив новых данных.

Прямо сейчас команда исследователей собирает информацию с помощью двух основных методов. Первый метод — это экспансионная микроскопия. Ученые обрабатывают ткани мозга специальным химическим составом, который заставляет их физически увеличиваться в размерах. Это позволяет рассмотреть и зафиксировать под микроскопом каждую отдельную нейронную связь с максимальной точностью, чтобы создать статичную карту.

Второй метод — это кальциевая визуализация и измерение электрического напряжения в живых тканях. Ученые проводят десятки тысяч часов, наблюдая за тем, как именно активируются нейронные сети в мозге живых мышей во время различных действий. Эти данные необходимы, чтобы понять не только физическое расположение связей, но и динамику прохождения сигналов по ним.

Если цифровая копия коннектома мухи смогла успешно управлять телом в среде с физическими законами, это означает, что фундаментальный подход выбран верно. Дальнейший переход к мозгу мыши, а в будущем и к более сложным структурам, становится вопросом исключительно точности сканирования данных и объема памяти, необходимой для их обработки.

Источник: eon.systems

[ArefievPV]

Одноклеточный организм проявил способность к сложному обучению
https://naked-science.ru/article/biology/organizm-proyavil-sposobn
Крошечный обитатель прудов, напоминающий по форме трубку, продемонстрировал признаки павловского ассоциативного обучения. У этого организма нет ни мозга, ни нервной системы. Однако эксперимент показал — одноклеточное способно связывать события между собой и ожидать, что одно последует за другим. Такое поведение намекает, что ассоциативное обучение могло возникнуть задолго до появления нервной системы у многоклеточных организмов.

Долгое время биологи спорили, могут ли одноклеточные учиться на собственном опыте. Самую простую форму обучения, которую называют привыканием, находили у некоторых растений, простейших и животных.

Привыкание — это когда организм прекращает реагировать на повторяющийся и безопасный раздражитель. Образный пример: человек перестает замечать тиканье часов, а амеба перестает вздрагивать от легкого толчка.

Гораздо сложнее другая форма обучения — ассоциативная. Это когда организм связывает два события и начинает реагировать на один из стимулов как на предвестник другого, то есть понимает, что одно последует за другим.
 
Самый известный пример описал русский физиолог Иван Павлов. Во время изучения пищеварения у собак он обнаружил, что животные могут связывать нейтральный сигнал (например звук колокольчика) с появлением пищи. Павлов многократно подавал звук перед кормлением, и со временем животные начинали выделять слюну уже при одном звуке, реагируя на него как на сигнал скорого появления пищи. Ученый показал, что собаки могут обучаться, связывая стимулы.

Долгое время считалось, что для столь сложной реакции нужна хотя бы примитивная нервная система, поэтому одноклеточные вряд ли способны на такое «обучение».
Команда американских биологов под руководством Сэма Гершмана (Sam Gershman) из Гарвардского университета решила проверить, действительно ли их коллеги правы и одноклеточные не способны к ассоциативному обучению.

Исследователи провели эксперимент с инфузорией Stentor coeruleus, обитающей в пресных водоемах. Организм имеет трубкообразную форму, а длина его тела не превышает миллиметра. На одном конце у него находится своего рода «якорь», с помощью которого существо прикрепляется к поверхности. На другом — ротовой аппарат, трубчатая структура с ресничками, которые постоянно двигаются. Они создают поток воды внутрь трубки и захватывают частички пищи, которую клетка фильтрует и поедает.

Но у этой идиллии есть обратная сторона: если Stentor coeruleus потревожить, у нее срабатывает защитный рефлекс. Вдоль клетки проходят специальные сократительные волокна — мионемы. Это как система быстрых тросов. По команде они мгновенно укорачиваются, и вся клетка резко сжимается в плотный шарик.

Ротовой аппарат, который был раскрыт на конце «трубки», втягивается и закрывается. Фильтрация воды прекращается. Пока инфузория находится в сжатом состоянии, она не может ни захватывать пищу, ни создавать ток воды. Она буквально «закрывает ставни» и прячется.

По словам Гершмана, для Stentor coeruleus важно «не дергаться по пустякам». Каждое неоправданное сокращение — потраченная впустую энергия. Инфузория реагирует на опасность только тогда, когда это действительно нужно. Именно поэтому способность отличать реальную угрозу от ложной тревоги дает Stentor coeruleus огромное преимущество в выживании.

Гершман и его коллеги провели эксперимент по всем канонам павловской школы. В первой его части ученые наносили сильные удары по дну чашек Петри с культурами из нескольких десятков инфузорий. Первые же удары заставили большинство Stentor coeruleus мгновенно сжиматься в шарик.
 
Стук повторяли каждые 45 секунд — примерно столько времени требуется клетки, чтобы снова расправиться после сокращения. Всего исследователи нанесли 60 таких ударов. Изначально большинство клеток резко сжималось, однако постепенно реакция слабела. Все меньше инфузорий отвечали на сигнал — они привыкали к раздражителю. Так проявилось классическое привыкание.

Затем эксперимент усложнили. Сперва исследователи наносили слабый удар, а ровно через секунду сильный. Такие пары сигналов повторяли каждые 45 секунд. Ученых интересовало: научатся ли инфузории реагировать на слабый предвестник?

На протяжении первых 10 попыток исследователи фиксировали, сколько клеток сжимается именно на слабый удар — до того, как прозвучит сильный. Сначала число реагирующих на этот удар организмов резко пошло вверх. Stentor coeruleus словно поняли: если раздался слабый стук, через секунду последует настоящая встряска. Однако по мере повторения парных сигналов вероятность сокращений снова снижалась: инфузории постепенно привыкали и переставали реагировать на удар.

Проверить, что это не случайная реакция, а именно обучение, помог контрольный тест. Ученые подали инфузориям только слабый сигнал, без последующего сильного удара. В этом случае клетки не проявили реакции — сжатий практически не было.

Это ключевое отличие доказывает: в основной части эксперимента слабый удар стал для клеток не просто раздражителем, а именно предупреждением. Инфузории связывали его с неминуемым сильным ударом, и сжимались в ожидании опасности. Когда же «подкрепления» не следовало (подавали один слабый сигнал), клетки игнорировали его, подтверждая, что в первом случае сработала именно ассоциативная связь. Иными словами, Stentor coeruleus смогли установить связь между двумя событиями — а это и есть склонность к ассоциативному обучению.

Биологи также проверили, как влияет время между сигналами на «обучение». Оказалось, что эффективность зависит от интервала между слабым и сильным ударами.

Когда между ударами проходило слишком много времени, клетки успевали «забыть» связь между ними, и «обучение» проявлялось слабее. Если сигналы шли слишком часто, клетки не успевали восстанавливаться после предыдущего удара, и реакция тоже снижалась. То есть скорость и сила реакции зависят от интервалов: частота повторения сигналов напрямую влияет на то, насколько хорошо инфузория «учится» предугадывать сильный удар после слабого.


Когда между ударами проходило слишком много времени, клетки успевали «забыть» связь между ними, и «обучение» проявлялось слабее. Если сигналы шли слишком часто, клетки не успевали восстанавливаться после предыдущего удара, и реакция тоже снижалась. То есть скорость и сила реакции зависят от интервалов: частота повторения сигналов напрямую влияет на то, насколько хорошо инфузория «учится» предугадывать сильный удар после слабого / © Sam Gershman

Если клетка способна к сложному обучению, значит, у нее где-то должна храниться память. Как именно это работает у Stentor coeruleus — пока загадка.

Гершман выдвинул гипотезу: в мембране инфузории есть рецепторы, которые реагируют на прикосновение. Когда они срабатывают, в клетку поступают ионы кальция, меняется внутреннее напряжение, и клетка сжимается. При повторяющихся сигналах часть рецепторов изменяет работу и превращается в «молекулярный переключатель». Он может заблокировать сигнал тревоги, если внутренняя биохимическая система клетки «решит», что опасность не настоящая.

Открытие гарвардских биологов указывает на древнее происхождение ассоциативного обучения. Получается, что сложные формы поведения могли появиться задолго до того, как сформировались первые многоклеточные организмы с зачатками нервной системы.

Авторы исследования полагают, что их выводы заставят по-новому взглянуть на работу мозга человека. Возможно, древние молекулярные механизмы, доставшиеся людям от одноклеточных предков, до сих пор действуют внутри нейронов, позволяя им «учиться» на входящих сигналах даже без изменений связей между клетками — на уровне самых простых клеточных процессов, которые ученые только начинают понимать.

Выводы исследователей представлены на сайте препринтов по биологии bioRxiv.

[ArefievPV]

In vitro, in vivo, in silico. TRIBE AI: новая базовая модель для расшифровки активности человеческого мозга
https://habr.com/ru/articles/1016978/

Команда фундаментальных исследований искусственного интеллекта представила TRIBE. Это модель, предназначенная для прогнозирования того, как человеческий мозг обрабатывает визуальные и слуховые стимулы. Модель, обучалась на массивах данных фМРТ, полученных от добровольцев. По сути, как существуют виртуальные программы для оценки аэродинамических свойств самолетов и ракет, так теперь есть точно такая же система но уже для мозга.



TRIBE разработана с целью проводить «нейробиологические исследования in silico», моделируя нейронные реакции на новые языки и изображения без необходимости повторного сканирования мозга. Это необходимое звено в создании более совершенных интерфейсов «мозг-компьютер» и методов лечения неврологических расстройств.

Ключевые факты

Традиционный разбор базовых терминов и понятий из материала. Критически важный раздел для холивара в комментариях)

Рост разрешения в 70 раз. Пространственное разрешение симулируемых процессов в TRIBE в 70 раз выше в сравнении с предыдущими передовыми моделями нейронного декодирования.

Возможность обучения без предварительного обучения. Модель способна предсказывать реакции в мозге людей, говорящих на ранее не анализировавшихся языках, без необходимости переобучения.

Виртуальные исследования. Нейросеть создает «цифровой двойник» нейронной активности, позволяя ученым проводить тысячи виртуальных экспериментов за гораздо меньшую стоимость, чем физические сеансы на фМРТ.

Источник: A foundation model of vision, audition, and language for in-silico neuroscience

Киберпсихология и сознание-в-чипе

В рамках исследовательской программы по вычислительной нейробиологии команда FAIR (Fundamental AI Research) компании Meta разработала TRIBE (TRansfomer for In-silico Brain Experiments). Это базовая модель для прогнозирования и расшифровки того, как человеческий мозг обрабатывает зрительную, слуховую и языковую информацию.

Благодаря обучению на огромных массивах данных функциональной магнитно-резонансной томографии (фМРТ), TRIBE сделал огромный шаг в сторону «нейробиологии in silico». Это область, в которой цифровые модели моделируют нейронные реакции с беспрецедентной точностью.

Мультимодальные механизмы работы мозга

Традиционные модели ИИ для нейробиологии – это «бутиковые» системы. Они обучаются на небольших наборах данных и заточены под выполнение конкретных задач. Например: идентификация конкретного типа нейронов и функций всей распознанной группы. TRIBE же пошла дальше.

Самое главное, что это базовая модель. То есть – она обучена на разнообразных стимулах. Участники выборки для данных этой модели смотрели фильмы и слушали сложные подкасты, пока их мозг сканировался фМРТ. Сама модель училась эффективно отображать реакцию мозга на сложную, мультимодальную природу реакций в «реальной жизни».

Ключевой целью был «вентральный поток», отвечающий за визуальное распознавание, и «слуховой поток». TRIBE использует архитектуру Transformer. Это та же технология, что применяется и в больших языковых моделях, таких как GPT-4. Использование такой технологии в TRIBE отвечает за синхронизацию сенсорных входных данных в коре головного мозга.

Беспрецедентная эффективность

Разрешение TRIBE в 70 раз выше в сравнении с предыдущими передовыми системами. Это значит, что исследователи получают прогнозируемую нейронную активность с гораздо большей детализацией. Почему это офигенно? Мы теперь буквально видим и можем предсказывать ход интерпретации событий мозгом, будь то шепот и громкий взрыв. А также определять реакцию на быстро движущийся объект или статичный ландшафт.

Кроме того, TRIBE отличается исключительной эффективностью. Он работает быстрее своих предшественников и, что наиболее важно, работает с «нулевым обучением».

То есть, реакция человека на информацию будет одинакова. Вне зависимости от того, на каком языке говорит сам человек, или на каком языке подавалась информация, если он её понимает.

То есть, TRIBE интерпретирует мысли сходу, без необходимости адаптировать модель под все существующие языки мира.

Расцвет компьютерной нейронауки

Конечная цель TRIBE – содействие нейробиологическим исследованиям с использованием компьютерного моделирования. У нас есть пример того, как инженеры аэрокосмической отрасли тестируют конструкции самолетов в цифровых аэродинамических трубах перед созданием физического прототипа. Так и нейробиологи теперь могут использовать TRIBE в качестве цифрового «подопытного».

Это позволяет исследователям проводить тысячи виртуальных экспериментов. Проверять, как мозг может реагировать на конкретные стимулы, или выявлять места, в которых может возникать сбой в передаче сигналов. И всё это без необходимости в дорогостоящих и трудоемких сеансах фМРТ.

Самое главное, это еще больше ускоряет разработку интерфейсов «мозг-компьютер» и дать глубокое понимание неврологических расстройств, таких как афазия или проблемы с обработкой сенсорной информации.

Этика и будущее нейросетей

По мере того, как ИИ приобретает способность «считывать» и «предсказывать» нейронные паттерны, компания Meta подчеркивает свою приверженность открытой науке.

Тем не менее, исследователи опубликовали модель TRIBE v2, ее код и демо версию в свободный доступ для мирового научного сообщества. Такая прозрачность призвана обеспечить использование технологии для углубления понимания человеческого сознания и разработки методов лечения, способных изменить жизнь.

И хоть до «чтения мыслей» в научно-фантастическом смысле нам еще далеко, но проект TRIBE знаменует собой поворотный момент в истории понимания сознания. Теперь мы не просто наблюдаем за мозгом: мы создаем его цифровое зеркало, способное отражать сложные способы, которыми мы видим, слышим и понимаем окружающий нас мир.

Ответы на ключевые вопросы:

В: Что такое «нейробиология in silico», и как TRIBE способствует ее развитию?

О: Нейробиология in silico – это проведение биологических исследований с помощью компьютерного моделирования, без живых испытуемых. TRIBE сделал это возможным, став «цифровым двойником» человеческого мозга. Поскольку модель точно предсказывает реакции мозга на определенные звуки, изображения или текст, исследователи могут за считанные секунды проводить тысячи виртуальных экспериментов для проверки гипотез. И это до того, как помещать испытуемого в дорогостоящий аппарат МРТ.

В: Чем TRIBE отличается от предыдущих ИИ-моделей, используемых в исследованиях мозга?

О: Большинство предыдущих моделей были «узконаправленными». Они обучались декодированию только одного типа информации для одного конкретного человека. TRIBE – это базовая модель, мультимодальная и универсальная. Она обучена на огромных массивах данных о людях, смотрящих фильмы и слушающих подкасты, что позволяет одновременно понимать взаимосвязь между зрением, звуком и языком. Она также обладает возможностями «нулевого обучения», то есть может сходу предсказывать активность мозга для новых людей или языков, с которыми раньше не работала.

В: Означает ли 70-кратный рост разрешения, что ИИ читает мысли?

О: Не совсем. 70-кратный рост разрешения – это огромный технический скачок, и исследователи теперь гораздо глубже отслеживают детали в нейронных паттернах. Но модель сосредоточена именно на прогнозирование реакций мозга на входные данные, и уж никак не на декодирование, что и является чтением мыслей. Модель отображает, как мозг организует сенсорную информацию на уровне работы нейронов, что помогает нам понять «архитектуру» мышления. Но это не инструмент для расшифровки внутренних монологов.

[ArefievPV]

Шмели запомнили сложный ритм
https://nplus1.ru/news/2026/04/02/rhythm-perception-in-bumblebees
И смогли узнать его в другой сенсорной модальности

Исследователи из Австралии и Китая научили шмелей отличать один абстрактный ритм от другого. Насекомые узнавали ритмический паттерн, даже когда его скорость менялась, а обученные на вибрации шмели узнавали знакомый ритм в мигании лампочки. Ранее такое гибкое чувство ритма у насекомых замечено не было. Исследование опубликовано в журнале Science.

Способность чувствовать ритм есть не у всех животных, а те, кто ею владеют, чувствуют его по-разному. Люди и некоторые певчие птицы воспринимают ритм гибко: они узнают ритмические паттерны, даже когда их темп меняется. Другие млекопитающие, например, крысы и голуби, чувствуют не так тонко: они запоминают не ритмический рисунок, а абсолютные длительности интервалов, поэтому могут не узнать знакомый ритм на другой скорости. Согласно одной из гипотез, гибкое чувство ритма характерно лишь для видов с вокальным обучением, поскольку это необходимо для освоения речи (в случае людей) или песни (в случае птиц). Однако способность воспринимать ритм изучалась на ограниченном числе видов, и наверняка не известно, насколько на самом деле распространен этот навык и какие когнитивные и нейронные основы для этого нужны.

Ученые во главе с Цзэн Цзыцзе (Zijie Zheng) из Китайской академии наук решили проверить, способны ли к гибкому восприятию ритма земляные шмели (Bombus terrestris). Ранее было показано, что эти насекомые могут различать световые сигналы разной длительности, хоть и не без ошибок. Исследователи провели четыре эксперимента, в каждом из которых участвовало по двадцать самок шмелей. В первом шмелей учили различать два регулярных паттерна мигания света — с короткими и с длинными вспышками. Один подкрепляли сахаром, а за выбор другого давали горький хинин. Во втором эксперименте ритмы стали нерегулярными: теперь вместо одинаковых по длительности вспышек каждый вариант содержал и короткие, и длинные; различалась только последовательность этих вспышек, общая длительность была одинаковой. В третьем эксперименте шмелей обучали различать два ритма в двух темпах, а во время теста давали те же ритмы, но темп был уже другим. В четвертом насекомые учились различать ритмичные вибрации, а затем им показывали мигающие в том же ритме лампочки.

Шмели различали даже нерегулярные ритмы и в тестах достоверно чаще выбирали подкрепляемый ранее ритм (p < 0,001). Это говорит о том, что они не просто запоминают длительность вспышек, а оценивают общий ритмический рисунок. Чем дольше особи во время тренировок смотрели на мигание вознаграждаемой лампочки, тем лучше запоминали ритм. После наблюдения длительностью 1,2 секунды (примерно один цикл паттерна), доля правильных выборов в тестах достигала 85 процентов, а при более длительном наблюдении приближалась к 100 процентам. Шмели, которые выучили ритм в двух темпах, успешно обобщили его на третий (p = 0,002). А те, кого учили различать вибрации, смогли перенести это на другую модальность и достоверно чаще выбирали лампочку, мигающую в том же ритме (p = 0,006).


Доля правильных выборов в экспериментах превышала 50 процентов
Zijie Zeng et al. / Science, 2026

Таким образом, шмели продемонстрировали гибкое, абстрактное чувство ритма, сумев различить произвольные ритмы, обобщить их по темпу и перенести свое знание с одного органа чувств на другой. Это значит, что восприятие ритма присуще не только видам с вокальным обучением: оно может возникать даже на основе простых нейронных схем, имеющихся у общественных насекомых, и, вероятно, возникло у разных видов независимо. Тем не менее, пока не ясно, запоминают ли шмели весь ритмический паттерн целиком или разбивают его на короткие отрывки, и какие именно структуры в их мозге отвечают за восприятие ритма.

Ранее ученые нашли у шмелей еще один навык, который ранее приписывался лишь людям и еще нескольким приматам. Они обнаружили, что в условиях недостатка информации насекомые способны принимать решения, опираясь на логику.

[ArefievPV]

Детальное изучение мозга чемпиона по памяти раскрыло нейробиологию его трюков
https://www.ixbt.com/live/science/detalnoe-izuchenie-mozga-chempiona-po-pamyati-raskrylo-neyrobiologiyu-ego-tryukov.html

Рабочая память человека имеет свои физиологические ограничения. Исторически в когнитивной психологии этот предел описывался формулой «семь плюс-минус два элемента». Вы можете легко удержать в голове короткий номер телефона, пока набираете его, но попробуйте запомнить случайную последовательность из тридцати цифр — и ничего не получится. Однако эмпирические данные, полученные на чемпионатах по запоминанию, показывают, что этот биологический предел можно преодолеть.

Шестикратный чемпион США по памяти Нельсон Деллис способен безошибочно запомнить точный порядок колоды из 52 карт за 40 секунд, а также воспроизвести 339 случайных цифр после пяти минут изучения. При этом Деллис не обладает врожденными генетическими аномалиями мозга. В детстве он не демонстрировал выдающихся когнитивных способностей, а свой первый национальный рекорд установил всего через два года после начала целенаправленных тренировок. Его результаты — следствие интенсивной практики, которая физически изменила работу его нервной системы.

Чтобы выяснить, как именно перестраивается мозг при таком масштабировании когнитивных возможностей, исследователи из Вашингтонского университета провели очень крупное по детализации изучение. Они применили метод прецизионного функционального картирования (PFM), собрав более 13 часов данных функциональной магнитно-резонансной томографии (фМРТ) Деллиса. Полученные сканы сравнили с данными почти 900 человек из проекта Human Connectome Project и результатами контрольной группы. Анализ показал, что рекордсмен не улучшил свою способность к механическому запоминанию. Он заставил нервную систему использовать для обработки данных совершенно другие функциональные зоны.

Проблема прямого заучивания и механика метода локусов

Обычное механическое запоминание опирается на систему декларативной памяти — прямое сохранение фактов и событий. Нейробиологически этот процесс полностью зависит от гиппокампа, который отвечает за перевод информации из кратковременной памяти в долговременную. Вся проблема в том, что абстрактная информация, такая как последовательность цифр или карточные масти, лишена контекста. Мозгу трудно кодировать данные, не имеющие пространственной или эмоциональной привязки.

Для обхода этого мнемонисты (так называют людей с феноменальной памятью) применяют «Метод локусов». Эта техника требует от человека мысленно перемещаться по хорошо знакомому физическому пространству (например, по комнатам собственного дома) и расставлять вдоль маршрута визуальные маркеры.

Чтобы обрабатывать абстрактные данные на высокой скорости, Деллис использует систему предварительного кодирования «Лицо-Действие-Объект». Каждая из 52 карт колоды жестко ассоциирована с конкретным образом. Например, пиковый туз всегда обозначает Арнольда Шварценеггера, червовый туз означает действие «кричать», а двойка бубен — баскетбольный мяч. Когда Деллис видит эти три карты подряд, он не фиксирует в памяти масти и номиналы. Он формирует визуальную сцену: Шварценеггер кричит на баскетбольные мячи. Эту сцену он мысленно помещает в одну из локаций своего маршрута. На этапе воспроизведения он просто проходит по ментальному маршруту, считывает оставленные сцены и декодирует их обратно в последовательность карт.

Перестройка нейронных сетей в состоянии покоя

Предыдущие исследования памяти часто усредняли данные фМРТ группы разных мнемонистов. Этот подход размывал результаты, так как каждый спортсмен использует индивидуальные вариации техник. Использование прецизионного картирования (PFM) позволило ученым составить точную карту нейронных связей конкретного человека и выявить структурные изменения.

Анализ мозга чемпиона в состоянии функционального покоя — когда он не выполнял никаких задач — выявил глубокие изменения в архитектуре коннектома. Годы тренировок сформировали необычно сильные связи между регионами мозга, которые у контрольной группы работают изолированно друг от друга.

У Деллиса образовались плотные функциональные связи между зрительной корой, ретросплениальной корой (зоной, отвечающей за пространственную навигацию) и областью Бродмана 55b в лобной доле, которая обрабатывает семантику языка и структуру повествования. Эти регионы объединились в новые функциональные модули. Нервная система чемпиона научилась обрабатывать массивы абстрактных символов по тем же алгоритмам, по которым она анализирует визуальные сцены и связные истории.

Сдвиг парадигмы: от декларативной памяти к процедурному навыку

Наиболее значимое открытие исследования связано с работой хвостатого ядра — структуры, расположенной глубоко в базальных ганглиях мозга. Базальные ганглии не участвуют в классическом запоминании фактов. Их основная функция — формирование привычек, моторный контроль и обучение с подкреплением (процедурная память). Классический пример процедурной памяти — способность человека управлять автомобилем: после периода обучения этот процесс автоматизируется и не требует сознательного контроля. Известно, что пациенты с удаленным гиппокампом (как знаменитый пациент Г.M.) полностью теряют способность запоминать новые факты, но сохраняют способность осваивать новые физические навыки благодаря работе базальных ганглиев.

Данные фМРТ показали, что в мозге чемпиона хвостатое ядро сформировало мощные связи с сетями пространственной памяти. Это указывает на фундаментальное изменение механики когнитивного процесса. Для Деллиса запоминание порядка карт перестало быть задачей декларативной памяти. Этот процесс трансформировался в процедурный навык. Тысячи часов практики автоматизировали алгоритм: мозг чемпиона конвертирует абстракции в пространственные сцены рефлекторно, без сознательного напряжения механизмов классической памяти.

Парадокс гиппокампа при активном запоминании

Вывод о переходе на процедурную память подтвердился во время сканирования при выполнении активных задач. Исследователи предложили чемпиону и контрольной группе выполнить стандартный тест на рабочую память — прямое заучивание списка слов. В этом сценарии мозг Деллиса работал точно так же, как мозг обычных людей: на этапе записи информации гиппокамп демонстрировал высокую активность.

Однако картина радикально изменилась, когда Деллис перешел к запоминанию колоды карт с использованием Метода локусов. На этапе кодирования информации его гиппокамп оставался практически неактивным. Когнитивная нагрузка полностью распределилась между зрительными, пространственными и процедурными центрами. Активность гиппокампа регистрировалась только позже, на этапе воспроизведения, когда мнемонист мысленно перемещался по своему маршруту для извлечения данных. Чемпион не использует главный центр памяти для записи абстрактной информации, он применяет его исключительно для навигации по пространству, где эта информация размещена.

Для дополнительной проверки ученые провели тест с числом Пи. Деллис ранее выучил первые 10 000 знаков этого числа. Ему показывали случайную последовательность из пяти цифр и давали шесть секунд, чтобы найти ее точное местоположение в его ментальном пространстве. Сканирование зафиксировало очень высокую активацию дорсальной сети внимания и зрительной коры. Поиск информации требовал вычисления пространственных координат, что окончательно подтвердило пространственную природу этого когнитивного навыка.

Эволюционный контекст и клиническое значение

Результаты исследования объясняют высокую эффективность Метода локусов с эволюционной точки зрения. Мозг человека не формировался для обработки длинных числовых рядов или бинарного кода. Приоритетом для выживания вида была способность ориентироваться на местности, запоминать географические ориентиры и анализировать социальные взаимодействия внутри группы. Конвертируя цифры в субъектов, совершающих действия в конкретном пространстве, мнемонисты переводят неестественные абстрактные данные в базовый формат, понятный нервной системе.

Эти нейробиологические данные будут очень полезны для медицины, в частности для разработки методов защиты когнитивных функций при старении. При нейродегенеративных заболеваниях, таких как болезнь Альцгеймера, гиппокамп и функции декларативной памяти разрушаются первыми. Человек теряет способность фиксировать новые события и факты.

В то же время, нейронные сети, отвечающие за пространственную навигацию и понимание нарратива (сюжета), демонстрируют высокую устойчивость и сохраняются значительно дольше. Если адаптировать принципы Метода локусов для пожилых людей, они смогут использовать эти сохранные навигационные сети для удержания критически важной повседневной информации. Обучение кодированию данных через пространственные истории может стать действенным механизмом компенсации возрастного снижения функций гиппокампа.

Точная функциональная карта мозга чемпиона доказывает, что пределы человеческой памяти не определены исключительно биологическим объемом кратковременной памяти. Нервная система обладает достаточной нейропластичностью для полной реорганизации путей обработки данных. Изменение формата входящей информации позволяет обойти физиологические ограничения и активировать нейронные сети, способные удерживать многократно большие объемы данных.

Источник: biorxiv

P.S. При интерпретации явлений эволюционный контекст очень часто не учитывается. Без учёта эволюционного контекста модель явления зачастую теряет не только прогностическую силу, даже иногда объяснительную силу уменьшает.

Думаю, что даже в концептуальных философских моделях эволюционный контекст должен учитываться.