Модульная когнитивная архитектура: как нейросети копируют организацию человеческого мозга
Новое исследование, опубликованное в репозитории arXiv, свидетельствует о поразительном сходстве в организации нейронных сетей искусственного интеллекта и биологического мозга. Анализируя работу больших языковых моделей на задачах из четырех различных когнитивных доменов, ученые обнаружили, что модели естественным образом формируют модульную структуру, зеркально отражающую специализацию человеческой нервной системы.
# Модульная когнитивная архитектура: как нейросети копируют организацию человеческого мозга
Вопрос о том, является ли модульная организация разума фундаментальным принципом построения интеллекта или случайным результатом биологической эволюции, получает новые доказательства. Исследование, проведенное группой исследователей во главе с Пэнруи Ханом и опубликованное в базе данных arXiv (cs.AI), демонстрирует, что большие языковые модели (LLM), обученные совершенно иначе, чем человеческий разум, независимо приходят к той же архитектуре обработки информации.
Сходство оптимизации и эволюции
Человеческий мозг отличается высочайшей степенью функциональной специализации. Отдельные нейронные сети отвечают за язык, формальную логику, понимание других людей (социальный разум) и восприятие физического мира. Исследователи задавались вопросом: является ли это разделение необходимостью для любого интеллектуального агента или же это уникальная черта, возникшая только в ходе миллионов лет биологической адаптации.
Чтобы ответить на этот вопрос, команда провела анализ цепей в рамках сорока шести различных задач (N=46), охватывающих четыре ключевые когнитивные области. Результаты показали, что когда люди и LLM выполняют задачи, требующие использования одной и той же нейронной сети в человеческом мозге, в модели активируются одни и те же группы нейронов. При переходе к задачам, требующим других сетей, набор используемых нейронов в модели полностью меняется и становится отличным от предыдущего.
"Сходное возникновение модульности в биологических мозгах и нейронных сетях предполагает, что она может являться фундаментальным свойством интеллектуальных систем в целом," — отмечается в абстрактном обзоре работы.
Этот факт говорит о том, что модульность, вероятно, неизбежна для любого сложного интеллектуального процесса, независимо от того, является ли среда его формирования биологической почвой или цифровым пространством данных.
Детали анализа и когнитивные домены
Исследование опирается на сложные методы анализа цепей (circuit analyses), позволяющие проследить, какие конкретные части нейросети отвечают за решение конкретных задач. Авторы сравнили поведение LLM с известной картой функциональных зон человеческого мозга.
В работе были выделены четыре основные категории когнитивных задач:
1. Язык (Language): Обработка грамматики, синтаксиса и семантики текстов. 2. Формальное мышление (Formal reasoning): Решение математических задач и логических головоломок, не требующих эмпирического опыта. 3. Социальное мышление (Social reasoning): Выводы, основанные на социальных взаимодействиях, мотивах других людей и нормативных структурах. 4. Физическое мышление (Physical reasoning): Понимание законов физики, механики и пространственных отношений.
Главный вывод заключается в том, что LLM не обучались с явным указанием разделить эти функции. Вместо этого, в процессе масштабной оптимизации на огромных массивах данных, сеть сама "выбрала" наиболее эффективную конфигурацию, которая оказалась структурно идентичной человеческой.
Что означает "модульность" для будущего ИИ?
Понятие модульности в контексте искусственного интеллекта означает разделение сложности на автономные, но взаимосвязанные подсистемы. Если бы архитектура нейросети была полностью интегрированной и неспециализированной (подобно "смазанному маслу"), то решение одной задачи, например, вычисления вероятности в физическом контексте, могло бы непредсказуемо вмешиваться в процессы понимания языка. Отсутствие такой изоляции привело бы к хаосу при масштабировании.
То, что LLM развили модульность независимо от эволюционного давления, которое формировало мозг человека, говорит о глубокой универсальности этого принципа. Это подтверждает гипотезу о том, что модульность — это не случайность, а математическая необходимость для эффективной обработки сложных, разнородных данных.
Для разработчиков это открывает новые перспективы. Понимание того, какие именно слои нейросети отвечают за социальный интеллект, а какие — за логику, позволяет целенаправленно корректировать эти области, исправлять галлюцинации или усиливать специфические навыки без перепроектирования всей архитектуры. Мы видим, что даже в отсутствие биологической эволюции, природа находит кратчайший путь к сложному поведению через структурную организацию.
Исследование, доступное по адресу arXiv:2608.13567, остается важным этапом в понимании природы интеллекта. Оно стирает границу между биологическим и искусственным разумом, указывая на общие фундаментальные законы их функционирования. В мире, где возможности ИИ растут экспоненциально, понимание этих внутренних структур помогает нам не только создавать более совершенные модели, но и лучше понимать самих себя.
*Примечание редактора: Данное сообщение основано исключительно на предоставленном тексте научной работы и не содержит спекуляций о будущем развития технологий, выходящих за рамки заявленных в источнике фактов.*