Pitanje da li ljudski mozak koristi strukture nalik drveću za organizaciju informacija i donošenje odluka predstavlja dugogodišnju debatu u neuronauci i veštačkoj inteligenciji (AI). Nedavna studija istraživača sa Univerziteta u Tokiju i Tohokuu, objavljena u Proceedings of the National Academy of Sciences, donosi novi uvid u ovu temu.
Eksperimenti su obavljeni na majmunima koji su trenirani za izvođenje zadatka reverzibilnog grupisanja. Tokom zadatka, morali su da održe pravila u radnoj memoriji i ažuriraju ih u skladu sa novim senzornih podacima. Merenja neuronske aktivnosti u prefrontalnom korteksu (PFC) pokazala su stabilne obrasce aktivacije tokom održavanja pravila, ali i prolaznu nestabilnost pre nego što bi nova informacija bila integrisana.
Ključni pronalazak studije je postojanje vremenskog kašnjenja od 70 milisekundi između prijema senzornog znaka i početka integracije novih informacija. Ovo kašnjenje, prema istraživačima, omogućava destabilizaciju postojećeg stanja, stvarajući uslove za ažuriranje podataka.
Da bi testirali ovu hipotezu, istraživači su trenirali ponavljajuću neuronsku mrežu (RNN) da izvršava zadatak sličan onom koji su obavljali majmuni. Analiza mreže pokazala je da sistem usvaja sličan mehanizam – destabilizacija omogućava integraciju novih informacija, nakon čega stanje ponovo postaje stabilno.
Na osnovu ovih nalaza, istraživači su identifikovali novi princip u organizaciji neuronske dinamike, nazvan kanal za razgraničenje. Ovaj koncept sugeriše da mreža zadržava stabilno stanje dok ne dođe do tačke razgraničenja, gde postaje nestabilna i može da se preusmeri u različite puteve – što nalikuje strukturi stabla. Ovaj mehanizam bi mogao da objasni kako mozak usvaja i organizuje hijerarhijske reprezentacije informacija.
Ova otkrića imaju značajne implikacije za razumevanje kognitivne kontrole i mogu doprineti razvoju novih modela AI koji kombinuju simboličke i neuronske pristupe, čime se otvara put ka sofisticiranijim oblicima mašinskog učenja i veštačke inteligencije inspirisane ljudskim mozgom.
