СВЯЗЬ СНА, СНОВИДЕНИЙ И ИНТЕЛЛЕКТА

 

Виктор Толстых

 

Возможно, что потребность во сне и сновидениях непосредственно связана с нашей интеллектуальной деятельностью. К сожалению, область интеллекта ещё очень плохо исследована, чтобы делать какие-то решающие выводы и мы наверное долго будем находиться во власти догадок. Вместе с тем, давно существует теория о том, что время сна активно используется мозгом для обучения, упорядочения, анализа и приведения в порядок накопленной за день информации. В результате, как все мы знаем «утро вечера мудреннее», т.е. утром мы легко находим ответы на вопросы, вечером казавшиеся неразрешимыми. Есть даже кажущееся парадоксальным наблюдение, что в популяции выше интеллект у тех кто дольше спит. При недостатке сна восприимчивость снижается – это может быть объяснено тем, что мозг не поспевает справляться с обычным потоком информации и стремится его ограничить. Если у человека снижается острота зрения, перед глазами «плывёт», то ему рекомендуют выспаться и вообще спать побольше. А ведь зрительная информация составляет основу поступающей к нам внешней информации и на её обработку мозгом тратится львиная доля времени. Таким образом, намёков на то, что интеллект и сон связаны между собой – более чем достаточно.

В данный момент наиболее прогрессивным способом изучения мыслительной деятельности является компьютерное моделирование, методы которых специалисты объединяют в понятие искусственного интеллекта ИИ. Большой прорыв в этом направлении был в создании первых искусственных нейронов и нейронных сетей ИНС, а также методов работы с ними. Сейчас у исследователей есть веские основания считать, что многое в работе ИНС похоже на то, что мы видим в живых организмах.

 

 

Рис.1. a) натуральный нейрон, b) схема нейрона, c) модельное представление нейрона как свёртки входного вектора сигналов с синаптическими весами и преобразование выходного сигнала сигмоидной sqwash функцией. 

 

Естественный биологический нейрон, согласно современным представлениям, является простым суммирующим устройством вида . Многочисленные дендриты имеют контакты через синапсы с некоторыми другими нейронами. По этим дендритам поступают входные сигналы, определённые входным вектором v и пропускной способностью синапсов – ковектором w. В самом нейроне поступившие сигналы суммируются и результат поступает на аксон, который обладает нелинейным выходом и поступающий сигнал преобразует по некоторой сигмоидной функции , играющей роль порогового дискриминатора. Подобная конструкция оказалась исключительно эффективной. С одной стороны, она является элементарным устройством для принятия решений, с другой, исключительно простой для физического и программного моделирования. В разделах прикладной математики «многокритериальные задачи» и «теория поддержки и принятия решений» большой популярностью пользуется взвешенная свёртка частных критериев в обобщённый критерий с пороговым принятием решений, которая совершенно аналогична конструкции такого нейрона. Поясним на примере. Пусть имеется огромное разветвлённое предприятие. Для принятия ответственных решений директор должен учесть множество факторов. Но известно, что в силу особенностей человеческого восприятия, чем больше факторов, тем легче в них запутаться и поэтому директор будет опираться лишь на наиболее важные, значимые «обобщённые» критерии, которые предоставляют ему заместители. Те, в свою очередь, опираются на суммарные доклады начальников производств, начальники производств на доклады начальников цехов и так далее. При этом, каждый сам принимает решение на месте, отсортировывает сведения по некоторой неявно заданной пороговой функции, что стоит подать в рапорте и о чем можно умолчать как о неважном. При этом сама эта функция селекции вырабатывается в процессе многолетнего опыта общения  между начальством и подчинёнными и называется «взаимопониманием». В результате, каждый промежуточный начальник выбирает из поступившего небольшого количества данных  наиболее важное и отсылает наверх. Так происходит сворачивание многочисленных данных, которые могут исчисляться тысячами, в несколько обобщённых, на основании которых директор и принимает решение. Таким образом, каждый работает как простой нейрон, а в принятии решений по предприятию участвует целая сеть ЛПР – лиц, принимающих решение.

            Разумеется, любой ЛПР много сложнее простого нейрона, но суть действия по принятию решения примерно одинакова. Соответственно, по итогам каждого такого решения производится разбор ситуации, происходит выяснение кто предоставил нужные сведения, кто нет, на что в будущем стоит обратить повышенное внимание, и что можно игнорировать. В теории нейронных сетей такое обучение называется back-propagation learning rule. На уровне одного нейрона оно исключительно простое и это также определило повышенный интерес к искусственным нейронным сетям – разумеется, биологические системы пользуются тем что проще и эффективнее. В данном случае обучению подвержен (ко)вектор синаптических весов w. Предположим, что есть N параметров  для принятия решений. Вначале пусть они все равноправны, тогда . Пусть на вход синапсов поступает очередной вектор . Тогда модифицируем вектор весов по правилу . Здесь параметр определяет темп обучения, а знак суммы или разности выбирается с учётом одобрения или порицания, что пришло сверху за принятое решение. В результате вектор синаптических весов слегка изменился. В процессе долгого обучения нейрон подбирает таким образом вектор весов, наиболее удовлетворяющий поставленной задаче. На уровне объединения нейронов в сеть процесс несколько сложнее, но суть постепенного подбора весовых коэффициентов корректирующими указаниями, спускаемымми сверху, остаётся неизменной.

            На данный момент существует много типов нейронных сетей для решения разных задач, некоторые из которых  изображены на рис.2. Создана развитая теория нейронных сетей, исследованы многие аспекты применимости тенденции развития. Рекомендованную литературу можно найти в большом количестве по ключевым словам в сети Интернет.

  

 

Рис. 2. Типовые искусственные нейронные сети a) c одним спрятанным слоем, b) с двумя спрятаными слоями.

 

 

В этой связи, разумно расширить понятие интеллекта с чисто человеческого представления о нём как об умении решать шахматные задачи или вести диалоги с претензией на разумность как этого требует тест Тьюринга, на живой мир вообще. Кстати, современные шахматные программы уже обыгрывают гроссмейстеров и программы-боты ловко обманывают невидимого собеседника правдоподобными рассуждениями, имитируя беседу, но всё это далеко от настоящего понятия интеллекта. Сейчас под интеллектом понимают довольно широкий спектр активности, требующей умения распознавать объекты и принимать решения с учётом прогноза развития событий. С появлением компьютерного моделирования, определение интеллекта постоянно нуждается в уточнениях, поскольку уже есть и распознающие программы и прогнозирующие и не очень ясно где проходит та черта, что отличает живое от программно-аппаратного. В частности, говорится, что живое способно самостоятельно принимать решения, а любая программа действует лишь в пределах заложенных в неё команд. Но уже и это не совсем верно – методы вычислений с использованием искусственных нейронных сетей, в совокупности с нечёткой логикой и генетическими эволюционными алгоритмами, нельзя назвать алгоритмическими в традиционном смысле, и появление таких программ  можно считать очень важным шагом в исследовании и моделировании интеллекта.

 

Стоит обратить внимание на важнейшее свойство живых систем – способность прогнозировать. Сейчас мы уже знаем, что прогнозирование является одной из наиболее трудных задач современной науки и даже самые изощрённые математические методы прогнозирования не отличаются большой надёжностью. Мы также знаем, что в отличие от матметодов, живые существа великолепно владеют искусством прогноза и это их свойство является проявлением интеллекта – чем выше интеллект, тем точнее прогноз. Именно прогнозирование позволяет принять меры заранее, чтобы избежать неприятных последствий. Поведение с упреждением в реальном мире надёжно отделяет живое от неживого. Неживое сдвинется когда его толкнут, а живое сдвинется заранее в сторону, чтобы не толкнули.

Если привязывать интеллект к искусству прогноза, то мы обнаружим, что прогноз присутствует у всего живого - всё живое подчиняеся циркадным и циркануальным ритмам, соответствующим вращению Земли вокруг оси и вокруг Солнца, что порождает день и ночь, лето и зиму. Можно гадать о том какой конкретно физиологический процесс заставляет листья на ночь сворачиваться в трубочку. Но очевидно, что это не темнота и это не холод, а ожидание темноты и ожидание холода – сворачивание листьев происходит с упреждением. Нам неизвестно наличие у растений структур, напоминающих мозг животных, но они каким-то образом запоминают цикличность смены дня и ночи и подстраиваются под них. Можно перевести растение в другое полушарие, оно какое-то время поошибается, но вскоре подстроится под новый ритм. Можно сымитировать сокращение дневного времени и дерево летом сбросит листья как только распознает этот “надёжный признак” наступления зимы. Можно сказать, что цикличная повторяемость в природе позволяет прогнозировать и именно это обстоятельство породило структуру нашего разума, преимущественно ориентированного на  прогнозированиео циклических, циркадных процессов.

Но зачем нужен сон? Компьютерноё моделирование прогноза успешно только если внешняя среда подчиняется каким-то циклическим процессам – это, в частности, составляет основу технического анализа состояния финансовых рынков. В реальности, эти циклы не похожи на всем знакомую синусоиду, а являются смесью многих циклических процессов. День на день в целом похож, но в то же время чем-то отличается, хотя бы с учётом смены времён года. Поэтому для более точного прогноза на следующий день, требуется проанализировать более длинный отрезок изменчивости в природе, и чем он длиннее тем прогноз может быть лучше. На языке нейронных сетей это означает, что прошедший день что-то добавил к требуемым для прогноза данным и нейронная сеть нуждается в дотренировке или в переобучении. Чем больше непредвиденных событий произошло за день, тем больше отличие реальности от прогноза. Соответственно, тем больше требуется времени для переобучения нейронной сети для более точного прогноза событий на следующий день. Наш сон очень напоминает процесс обучения и многие даже думают, что его цель именно и состоит в обучении и дообучении огромной нейронной сети (~10¹¹ нейронов), которой является наш мозг. Здесь действительно много общего. В частности, во сне мы обычно перебираем события прошедшего дня или прошлых дней и всё это очень похоже на обучение ИНС, которая использует случайные выборки из памяти для корректировки синаптических весов. Но разве нельзя обучать нейронную сеть в бодрствующем состоянии, в процессе получения информации? Можно, но не ту её часть, что ответственна за фоновый подсознательный прогноз и является наследием очень далёкого прошлого. Разумеется, жизнь не дробится на кванты-дни, когда обучение происходит только во время сна. Дневное обучение тоже имеет место, но оно не столь фундаментальное как ночное и тонкости этих отличий ещё предстоит исследовать.

            Считается, что теории сна, как периода обучения, противоречит хаотический и часто фантасмагорический характер сновидений. В самом деле, мы часто видим во сне нереальные события, которые даже не могли существовать по физическим причинам, столкновение со сказочными персонажами, встречи людей из разных времён. Разве такое странное обучение может иметь какой-то полезный смысл? Чему могут обучить фантасмагории? Положительный ответ имеется и кроется он в степени важности событий. Когда мы желаем переобучить ИНС с учётом событий истекшего дня, то нам требуется больше данных чем их реально произошло за день. Новые события резко отличаются от привычных тем, что их последствия плохо предсказуемы. Поэтому нам для полноценного обучения надо добавить модельные ситуации, в которых от этих событий происходит что-то очень хорошее или что-то очень плохое, чтобы назавтра быть к ним готовым. Специалистам по прогнозу известно, что разного рода несвязанные между собой случайные события подчиняются нормальному распределению Гаусса с плотностью распределения y=exp(-(x/s)²). Поэтому, к примеру, разрушительные землетрясения и катастрофические сели происходят редко и люди строят поселения там где совсем ещё недавно была беда, в расчёте на то, что “на наш век хватит”. Но по силе воздействия катастрофические события имеют нелинейный характер от метрической силы, поэтому и их ожидание должно быть нелинейным вида y=(1+(x/s)²)^-1. Суммарное воздействие  имеет полиномиальный характер и ожидание катастрофы должно быть полиномиальным, соответствующим степени её важности. Говорят, что ожидание таких событий должно иметь “толстый хвост”.

            Мы обычно не помним свои сны, поскольку в основном это не более чем рутинный перебор будничных событий, оптимальные реакции на которые давно известны. Неизвестность же всегда таит в себе опасность и эта опасность во сне многократно преувеличивается из вполне разумных соображений осторожности. Неизвестность порождает фантасмагорические видения катастрофических последствий, которые уже дальше связываются с определённой активностью – намерением немедленно драться, бежать, спасаться. Мы вскрикиваем по ночам, мы дёргаем ногами, а потом пытаемся понять что же на нас так повлияло?

            Связывать ночные фантазии и интеллект надо осторожно, поскольку это всё ещё область смутных догадок, больше основанных на опыте компьютерного моделирования ИНС, чем  на надёжных научных знаниях. Но этот путь кажется плодотворным. Посмотрим через призму моделирования ИНС на такой предмет как искусство. Наверное мало кто задумывался над тем, зачем мы смотрим кино? Наверное ради какой-то полезной информации, а не только чтобы расслабиться и получить удовольствие. Но тогда почему выдумка художественного кино предпочтительнее документальных съёмок? Почему в живописи и скульптуре идеализированное, гиперболизированное, фантасмагоричное притягивает больше чем натуральные фотосъёмки? Создаётся впечатление, что есть определённая органическая связь между “настоящим” искусством и сновидениями, и даже что искусство можно в какой-то мере назвать сновидениями наяву. Почему просто фотопортрет женщины не является искусством, а тот же портрет, но обработанный методами компьютерной графики, лишённый деталей и индивидуальности, становится предметом искусства? Можно пойти ещё дальше: почему поданный единой линией мастера контур бедра и женской груди останавливает наше внимание при том, что совсем рядом висит фотопортрет точно такой же обнажённой женщины во всех деталях? Такая странная селективность не может быть случайной. 

            В принципе, несложно догадаться чем отличается контур от фотопортрета – мы узнали женщину и там и там, но первый рисунок содержит минимум информации, необходимой для распознавания фигуры женщины. Искусство учит узнавать предметы, людей, животных, окружающий мир, их поведение (книги, театр и кино) по стилизованным с минимальной информативностью образам. Такое распознавание очень быстрое и ведёт к быстрым реакциям, и, как следствие, к выживанию. По-видимому, большая часть работы мозга в ночное время посвящено сравнению циклически повторяющихся событий и вычленению из участвующих в них объектов простейшие формы для экспрессного узнавания. Существуют какие-то встроенные в нас эволюцией бессознательные критерии важности, которые заставляют каждую ночь проигрывать один и тот же сон с вариацией деталей, а мы на утро гадаем что бы это значило. Действительно, полностью бессмысленных видений в мозгу быть не может, даже явная бессмыслица имеет целью насторожить, обострить внимание.

            Циркадную структуру сновидений можно объяснить неполной повторяемостью событий – день на день похож, но с небольшими вариациями. Соответственно, становится важным проследить эти вариации, найти для них  уточняющие закономерности, которые действуют на коротком отрезке времени, а дальше их надо опять чем-то подменять. Прекрасной иллюстрацией к сказанному являются фракталы. Рассмотрим известный фрактал Мандельбротта, порождённый итерационным процессом  Z_k+1=(Z_k)²+C на комплексной плоскости.

 

 

Рис.3. Фрагмент фрактала с указанием «объектов»

 

Внешне можно описать полученную фигуру как набор объектов-кружочков, к которым прилеплены ещё более мелкие кружочки. Но при более детальном описании оказывается, что объекты являются искажёнными окружностями, с разрывами в каждой точке. Кроме того, они только внешне похожи, но геометрически немного различаются и линейными преобразованиями трансляции, поворота и шкалирования одни в другие не переводятся. Можно выбрать последовательности уменьшающихся в размере объектов. Форму каждого последующего мы можем более-менее точно предсказать по предыдущему, но элемент новизны всё-равно останется и дообучение будет необходимо на каждом шаге. Практически, происходит то же самое как если бы мы получали по одному кружочку в день и главная задача стояла предсказать поточнее форму следующего объекта.

            По всей видимости, фрактальное описание является наиболее точным отражением циркадной сущности информации, которая поступает к живым организмам.  В принципе, следующий день прогнозируется по дню сегодняшнему, но для более точного прогноза требуется ночной перебор дней предшествующих, чтобы точность прогноза была максимальной и тем способствовала достижению успеха в конкурентной борьбе за выживание.

 

Рис.4. Циркануальные псевдоциклы динамики производства.

 

На рисунке 4 приведена динамика промышленного производства какого-то предприятия. Жирной линией выделен простейший прогноз – повтор со смещением по результатам предыдущего года. Реальность в целом повторяет форму, но отличается в вариациях. В самом деле, трудно делать прогноз подобного графика, только основываясь на временном ряде и не принимая во внимание такие обстоятельства как конец финансового года, наступление весны, ожидание нового финансирования, пора летних отпусков, осенние авралы и т.д. Вместе с тем, подобные события имеют сезонную повторяемость и могут быть хорошо спрогнозированы с учётом 365-дневного цикла, а также многолетнего тренда на общий подъём или спад. Очень похожую картину мы видим на модельной кривой, представляющей из себя сумму трёх синусоид.  

 

 

Рис.5. Непериодическая модельная кривая с псевдоциклами фрактального типа

 

Отчётливо виден псевдопериод T, через который поведение кривой примерно повторяется и, не зная параметров модели, прогнозирование можно вести по выходным значениям, исследуя закон трансформации кривой на интервале (a,b)+kT, k=1,2… . Подобная «примерность» плохо уживается с математическими критериями сходства функций по нормам разности, но хорошо видна на глаз. Она описывает динамическое поведение кривой как «вверх, потом вниз, потом снова вверх...». Подобное описание даже с участием цифр неизбежно имеет произвол, поскольку является своеобразной компрессией данных с искажением. Примерная схожесть проявляется в таких описаниях «по крокам» в пределах допустимых искажений, хотя это и не общепринято в прикладных разделах математики. По всей видимости, подобное псевдопериодическое поведение довольно характерно для внешнего мира, что вынуждает развитые живые системы много времени проводить во сне, постоянно подстраивая свои нейронные сети под фрактальную изменчивость циркадных ритмов.

Вывод: живые существа не нуждались бы во сне если бы наблюдалась строгая периодичность в окружающем мире и наоборот, не могли бы существовать если бы периодичности(в смысле циркадианности) не было вовсе. Для иллюстрации приведём классический пример: Кошка засыпает, но в это время раздаётся щелчок. Она просыпается и пытается понять источник звука, но вскоре снова засыпает. Щелчок раздаётся снова. Кошка опять просыпается, потом снова засыпает. Щелчки продолжают следовать с равномерными промежутками так, что кошка успевает заснуть. Со временем её реакция становится всё более вялой и наконец она уже не просыпается, а только вздрагивает ушами. Но вот подошло время очередного щелчка, а его нет. Кошка немедленно просыпается, ждёт, потом встаёт и пытается выяснить причину отсутствия щелчков. 

Это происходит потому, что животное сумело определить зависимость следования щелчков и этой информации было достаточно для прогноза событий. Поэтому если вначале пугали щелчки, то потом стало пугать их отсутствие. Повторяющие события могут удручать своей однообразностью, но повторяемость – основа успешного прогноза.

    

 

Считается, что в мозгу человека примерно 10¹⁰-10¹¹ нейронов, которые имеют примерно 10¹⁴ связей. Если учесть, что мы пока овладеваем простейшими сетями из десятков нейронов, как правило находящихся в одном слое, и уже удивляемся широким возможностям нового вычислительного аппарата, то что же тогда  говорить про реальный мозг? Мозг - это действительно очень мощная вычислительная среда, к раскрытию возможностей которой учёные ещё только приступили. Есть много загадок, связанных с деятельностью мозга. Почему индюк с отрубленной головой машет крыльями и бегает? Эти действия совсем не похожи на предсмертные бессвязные конвульсии. Бег – это слаженная работа мышц, плюс мониторинг равновесия. Чтобы промоделировать такой бег ещё не создана компьютерная модель и уж точно, что в этом процессе без какого-то интеллекта не обойтись. Но какой может быть интеллект без головы? Согласно подсчётам Ньюпорта Лэнгли, количество нервных клеток в желудке и кишечнике оценивается в 10⁸, что сопоставимо с числом нейронов в мозгу – 1%, и мы можем подозревать там какое-то подобие мыслительной деятельности к которой наш головной мозг не имеет никакого отношения. Похоже, что в данном случае происходит то же самое, что и с большим предприятиям – мозг как директор предприятия, ответственен за стратегию в целом, а все решения принимаются на местах. Предприятие способно какое-то время функционировать без головного ЛПР и все отдельные подразделения способны прожить какое-то время без руководящих указаний. В каком-то смысле интеллект тела распределён по всему телу, и прячется в самой нервной системе, что позволяет многим органам действовать вполне автономно. Если нам нужно поднять руку, мы не задумываемся какими мышцами и как пользоваться – эти мышцы головному мозгу не подчиняются, а только встроенным местным программам стандартных действий, которые могут быть запущены по командам от головного мозга и от внешних рецепторов.    

            Таким образом, мы вправе подозревать наличие сложной иерархической структуры интеллекта, многие части которого вполне автономны. Зафиксировав эту мысль, остановимся на самом процессе сна. Многие считают, что сон – это лишь снижение активности головного мозга, что какая-то активность всегда присутствует, раз мы видим сны, вскрикиваем и дёргаем конечностями. Более того, оказывается возможно обучение спящего человека. Но если исходить из моделирования, то получется, что мозг должен быть отключён от реальности полностью, для выполнения своей функции обучения. В принципе обучения-тренинга нейронной сети заложено, что оно должно вестись по представительному набору данных, которые охватывают почти все важнейшие аспекты жизни. Во сне воспоминания перебираются таким же образом как и при обучении нейронной сети. Это длительный и кропотливый процесс, в котором задействованы те же нейроны, что и при дневной активности. Поэтому, если в процессе обучения подать реальные данные от внешних рецепторов, то они пойдут не на принятие решения, а на обучение. Возможно, этим объясняются некие плюсы обучения во сне. Разумеется, мозг не может быть полностью изолирован от рецепторов на время сна, хотя бы потому, что это опасно для жизни в естественной среде. Но, как можно заметить, реакция спящего крайне примитивна и это говорит, что следяще-охранная система (guard) состоит из небольшого числа клеток, которые, по всей видимости, не принимают участия в ночном обучении и служат для подачи сигнала на пробуждение в случае опасности.

            В первом приближении, кандидатом на роль охранной системы может служить амигдала – миндалевидный комплекс, расположенный в передней части мозга и по-видимому являющийся древнейшей в эволюционном смысле его частью. Амигдала ответственна за целый спектр наиболее простых эмоций охранного свойства, которые регулируются содержанием определённых веществ. В частности, депрессия, чувство страха, панические атаки, агрессия наблюдаются при дефиците серотонина и гамма аминомаслянной кислоты. Эта исключительно древняя защитная система заставляет нас мгновенно застывать в страхе на месте и лишь потом мы медленно осознаём, что же нас так напугало.

Обратимся к ставшему классическим, опыту столетней давности швейцарского психиатра Эдуарда Клапереда. Его пациентка страдала потерей короткой памяти – все полезные механические и смысловые навыки прочно сидели в ней, наряду с наиболее старыми воспоминаниями, но новые улетучивались в течение минут. Если доктор отлучался на 15 минут, то им приходилось знакомиться заново. Они каждый день знакомились заново, каждый день при этом пожимали друг другу руки. Но однажды доктор зажал между пальцами кнопку и пациентка получила сильный укол во время рукопожатия. На следующий день она встретила его как обычно, не узнавая, они благожелательно представились друг другу. Но когда он протянул привычно руку, она свою протянуть отказалась. Она не могла объяснить почему. Нет, она не помнила ничего, что между ними произошло вчера, она не помнила ни лица, ни голоса, но каким-то загадочным образом она помнила свой испуг. И это было прочно связано у неё с рукопожатием.

            Исследуя этот и подобный ему феномены на лабораторных крысах, другой известный нейрофизиолог Джозеф Ледо (Josef LeDoux) обнаружил, что сигналы идут от рецепторов через таламус и далее разветвляется на два маршрута. Первый ведёт к соотвествующему участку коры головного мозга, а второй к амигдале. Именно амигдала, без участия сознания, которое расположено в коре, включает многе защитные механизмы, такие как скачкообразное повышение адреналина, расширение потовых желез, учащение пульса и дыхания. Всё для того, чтобы мгновенно замереть на месте, но в то же время быть готовым немедленно спасаться бегом. Мы совершенно не властны над своими страхами. Возможно, что эта древняя охранная система не нуждается во сне и является тем самым сторожем, что будит нас в минуты опасности. Исследователи установили, что в амигдале понятие опасности прочно связывается с каким-то условным сигналом, к примеру звуком определённого тона, шуршанием или даже изменением периодичности сигнала. Это объясняет почему кошка просыпается когда прекращается подача  периодических звуковых сигналов - срабатывает условная сигнальная система на страх.          

            В заключение отметим, что в описаном много гипотетического, основанного на аналогиях между интеллектом, живым мозгом, с одной стороны, и математическим моделированием искусственного интеллекта на нейросетях, с другой стороны. При таком подходе неизбежно возникает множество предположений, расходящихся с базовой системой определений и существующей научной парадигмой. Но возникающие параллели представляются очень значимыми и нуждаются во всестороннем исследовании.