Искусственный интеллект: как он работает и почему его считают опасностью?
Вопросом искусственного интеллекта начали заниматься ещё в середине ХХ века. Но многие до сих пор представляют покорение галактик, восстание машин и другие картины фантастов, когда слышат про искусственный интеллект. Тем временем технологии искусственного интеллекта уже используются в повседневной жизни. Благодаря этим технологиям машины способны решать всё больше задач, причём быстрее и качественнее. Особенно если для этого нужно обрабатывать большие массивы данных: искусственный интеллект решает такие задачи куда эффективнее, чем человек. Некоторые считают, что такая тенденция многим грозит потерей работы: согласно исследованию Oxford Martin School, до 2033 года технологии позволят полностью автоматизировать 47% рабочих мест. Informburo.kz рассказывает о том, что такое искусственный интеллект, как он работает и каковы перспективы его применения в будущем.
Что такое искусственный интеллект
Искусственный интеллект (ИИ) – это наука и технология создания компьютерных алгоритмов и программ, которые функционируют как интеллектуальные системы: обучаются и сохраняют информацию на основе опыта, оценивают и применяют абстрактные концепции, используют полученные знания, чтобы влиять на окружающую среду.
Искусственный интеллект делят на 2 типа: слабый и сильный. Слабый ИИ ещё называют узконаправленным, потому что он может выполнять только задачи в определённых рамках. Такими являются все существующие на сегодня разработки на основе технологии ИИ. Сильный искусственный интеллект сможет решать любые задачи в неограниченном спектре областей. Чтобы представить сильный ИИ, вспомните Джарвиса – помощника Тони Старка в «Железном человеке». Сегодня такой ИИ реализовать невозможно, да и сама идея его создания признана чистой утопией.
Дина Ли специально для Informburo.kz
Искусственный интеллект сегодня: нейросети и машинное обучение
Технологию ИИ можно реализовывать по-разному. Один из способов – нейросети. Нейросеть строится по тому же принципу, что и нервные сети в живом организме, отсюда и название. В организме в сеть соединяются нервные клетки – нейроны, они образуют нервную систему. А в искусственной нейросети используются простые процессоры – вычислительные элементы, которые соединяются и взаимодействуют по такой же схеме.
В отличие от обычных алгоритмов нейросети способны обучаться на основе опыта. Нейросети анализируют и выявляют связи между данными на входе и выходе, обобщают данные и формируют решения задач. Чтобы нейросети могли функционировать таким образом, используются методы машинного обучения. Причём в случае с нейросетями такое обучение требует много вычислительных ресурсов.
Чему вы сможете научить нейросеть, зависит от входных данных. Чем больше данных, тем качественнее будет обучение. Можно научить нейросеть отличать одни объекты от других, сравнивать и прогнозировать. Обучение нейросети похоже на обучение детей, когда им показывают картинку и говорят: «Это кошка». В случае с нейросетями они получают очень много таких картинок с объясняющими ярлыками и учатся распознавать отдельные элементы, которые затем смогут совмещать. Входное изображение попадает в некую фильтрующую систему. Фильтры в ней разные по размеру и по сложности элементов, которые могут распознать – у каждого есть свой набор признаков.
Так появились нейросети, которые прогнозируют курс акций на завтра, распознают написанные от руки цифры индекса на почтовом конверте и определяют на снимке больной орган. Для их обучения использовали числовые данные о курсах на бирже и изображения написанных цифр, больных и здоровых органов.
Проблема заключалась в том, что нейросети часто ошибались, потому что трудно было собрать действительно большие выборки данных для обучения. В 2010 году появилась база изображений ImageNet: 15 миллионов изображений в 22 тысячах категорий. Доступ был открытым: данные мог использовать любой исследователь. В итоге стало возможным качественно обучать ИИ. Нейросети стали более развитыми, доступными и прочно интегрировались в повседневную жизнь.
Искусственный интеллект, с которым мы сталкиваемся в повседневной жизни
Голосовые помощники Siri, Google Assistant и Алиса, алгоритмы для рекомендаций на сайтах – например, Brain, который использует Youtube для рекомендации видео или блок с рекомендуемыми товарами на Amazon, чат-боты, – все они разработаны на основе технологий ИИ.
Платёжная система PayPal использует машинное обучение, чтобы нейросети находили подозрительные транзакции. Это позволяет компании уменьшить количество случаев мошенничества. Российское приложение Prisma использует нейросети для обработки фото.
Инженер компании NVIDIA Роберт Бонд разработал алгоритм, который включал садовые разбрызгиватели воды, когда к нему забредали соседские кошки и портили его сад. Чтобы определить, что это кошка, он использовал систему на основе нейросети Caffe: она определяла кошек по видеосъёмке с камер. Когда камера фиксировала изменение обстановки, то делала 7 фотографий. Фотографии анализировала нейросеть: если на снимках была кошка, то сеть включала разбрызгиватели.
Кроме того, нейросети написали 2 музыкальных альбома, которые можно послушать на Яндекс.Музыке. Один написан на основе песен группы «Гражданская оборона» (исполнителем значится «Нейронная оборона»), а другой – на основе «Нирваны» (исполнитель – Neurona).
Дина Ли специально для Informburo.kz
В каких областях ещё можно использовать нейросети
Нейросети применяют в медицине, финансах и коммерции, промышленности и обеспечении порядка и безопасности, – везде, где требуется обрабатывать большие объёмы данных, систематизировать и прогнозировать.
В медицине нейросети обучают распознавать опухоли, повреждения тканей и органов после травм, прогнозировать возможные осложнения и течение болезни. Это непросто: нет достаточно большой медицинской базы данных, а нужно добиться высокой точности. Ведь если нейросеть перепутает кошку с собакой, то это не так страшно. А вот если здоровый орган с больным – это будет плохо.
На профессиональной конференции разработчиков высоконагруженных систем HighLoad++ Наталия Ефремова рассказала о нестандартном использовании нейросетей для прогнозирования уровня бедности. Уровень бедности в Африке настолько высокий, что нет возможности просто собрать и проанализировать эти данные.
Последние данные собирались в 2005 году. Учёные из Университета Стенфорда сначала обучили нейросеть с помощью базы изображений ImageNet, чтобы она могла распознавать поселения. Затем они собрали много изображений Африки со спутников в дневное и ночное время и загрузили их в нейросеть. Нейросеть оценила, есть ли у населения деньги освещать свои дома ночью, и сделала прогноз их уровня бедности. Прогноз затем сравнили с реальными данными за 2005 год – нейросеть составила довольно точный прогноз.
Почему нейросети ждёт новый виток развития
Вычислительных мощностей становится больше, как и изображений, и других баз данных для обучения нейросетей. Кроме того, оказалось, что нейросети способны на большую эффективность. Когда учёные Стенфорда обучали нейросеть прогнозировать бедность в Африке, они загрузили данные о крышах поселений. Но нейросеть самостоятельно научилась распознавать воду, леса, дороги и другие объекты – без заранее загруженных баз данных и вмешательства учителей.
В мае 2017 года разработчики из Google Brain представили проект AutoML, который самостоятельно проектирует модели машинного обучения. Если просто, то это ИИ, который проанализировал существующие нейросети, выявил эффективные стороны и создал другую нейросеть без вмешательства человека – NASNet. На проверочном наборе изображений NASNet показала точность прогнозирования 82,7%. Этот показатель выше, чем у всех более ранних нейросетей с распознанием изображений.
Кроме того, авторы открыли исходный код нейросети. Возможно, это даст новый толчок для развития ИИ.
Отберёт ли ИИ работу у людей
Развитие ИИ неизбежно повлияет на рынок труда. Но этому не стоит удивляться, ведь по сути это всё равно что модернизация и автоматизация. Какие-то профессии исчезнут, и появятся новые, ведь развитие ИИ повлияет и на развитие других областей.
Сейчас есть список профессий, которые, предположительно, искусственный интеллект, нейросети и чат-боты смогут забрать у человека.
При этом развитие ИИ вызывает опасения. Один из главных изобретателей современности и основатель компаний SpaceX и Tesla Илон Маск назвал искусственный интеллект «самым большим риском, с которым человечество сталкивается как цивилизация». По его словам, компании, устраивая гонку за более передовыми технологиями, могут забыть про те опасности, которые исходят от искусственного интеллекта.
В данный момент трудно предсказать точные горизонты, которых сможет достичь ИИ. Но на сегодня мы знаем две важные вещи: некоторую работу нельзя делать без вмешательства человека, и совершенный ИИ, управляющий всем, – это пока фантастика.
Как работает интеллект (единый алгоритм различения и обобщения) / Хабр
Знаете ли Вы, как именно Вы что-то знаете? Никто не знает!
Хочу раскрыть Вам несколько секретов естественного интеллекта, а заодно рассказать о том, как проектирую интеллект искусственный.
Небольшой дисклеймер. В статье будут описаны весьма амбициозные идеи. Большинство из представленных идей можно развернуть в самостоятельные циклы статей. Поэтому здесь представлены идеи лишь для первичного ознакомления. Я не питаю иллюзий, что будет много тех, кто схватит идею слету.
Поэтому вопросы приветствуются, буду стараться разъяснять. И да, я знаю, что это все очень похоже на миллион других идей, алгоритмов и т. п. Разница лишь в том, что эта конструкция идей претендует на совершенно полную симуляцию работы естественного интеллекта во всех аспектах, которые Вы можете или не можете вообразить. Без черных дыр, неосмысленных проблем или неизвестных технических решений.
Да, это все о наиболее полном и сильном искусственном интеллекте. Предчувствую жадность некоторых исследователей и пренебрежение некоторых коллекционеров идей. Но все же, теперь, после предупреждения, приступим. Информации будет много и плотность ее очень высока, так что — держитесь за что-нибудь покрепче. Может быть придется перечитывать десятки раз и задавать тысячи вопросов. Я готов на них отвечать, поскольку одиночные исследования пора выводить на более практический уровень, требующий привлечения нескольких сотен специалистов.
Для начала, давайте посмотрим, как работает ум, когда что-то узнает.
Казалось бы, мы так быстро ориентируемся в обстановке, достаточно несколько мгновений, чтобы узнать, какие предметы нам видны, как они расположены, какое у них поведение. Из-за этой иллюзии складывается впечатление, что мозг работает очень-очень быстро.
Почему же это иллюзия? Попробую объяснить.
Представьте, что Вы неожиданно попали в очень малознакомую ситуацию. Туда, где никогда не были. Например, в джунгли, или наоборот, в пустыню. А может быть это будет просто густой клочковатый туман? Или Вы видите чужое звездное небо.
Что происходит? Что различает ум? Ему не на что опереться. Приходится классифицировать обстановочку медленно и тягостно. Выискивать опорные кластеры признаков, чтобы ориентироваться относительно их.
Знаете ли Вы, что видит новорожденный? Хаотическое движение цветных пятен без содержания и смысла. Но кое-что он слышит, что позволяет ему начать ориентироваться. Он слышит ставший привычным голос матери. Он уже привык осязать ее тело, теплое, ароматное, дающее вкусное молоко.
Процесс осмысления закладывается начиная с формирования органов чувств.
Когда ум оказывается в незнакомой ситуации, он не понимает ее. Ему не на что опереться. Нет чего-то, что он уже может предсказать.
И он начинает последовательную и глубокую классификацию ситуации
Для того, чтобы как-то перейти от образов к алгоритмам и математике, нам понадобятся всего четыре термина и отношения между ними.
Первый термин это признак. Признак это то, что можно воспринять. Например, черный цвет. Или соленый вкус. Или круглая форма.
Второй признак это представление. Представление основано на повторяемости признаков. Если два признака воспринимаются совместно, возникает представление, обобщающее эти признаки.
Третий термин это субпредставление. Субпредставление это отношение признака к представлению. Для всех представлений его признаки — это субпредставления.
Четвертый термин это суперпризнак. Суперпризнак это отношение представления к суперпризнаку.
Для всех признаков представления в которые они входят — это суперпризнаки.
Все вместе это объединяется в проактивный универсальный классификатор
Что значит — проактивный? Это значит, что он все время классифицирует. Это крайне важно. Все поведение классификатора определено лишь тем, куда он хочет заглянуть, что проверить.
Что значит — универсальный? Это значит, что он классифицирует все, до чего может дотянуться.
Что значит классификатор? Это значит, что он строит связанную сеть представлений о ситуациях, о тенденциях в их изменениях, о наиболее устойчивых представлений ситуации, тем самым, формируя наиболее устойчивое представление о внешнем мире.
И как же все это работает?
Алгоритм классификатора не сложен, но довольно не прост для понимания. Сначала я опишу требования к алгоритму, а затем приведу пару наглядных примеров.
1. Органы восприятия представлены специфическими для каждой сферы восприятия драйверами
1а. Какой бы сложной ни была сфера восприятия, она разворачивается в одномерное множество, в котором признаку соответствует адрес (индекс) и значение признака по этому индексу
1б.
Классификатор, обращаясь к драйверу по определенному адресу получает в результате измеренное значение. Это может быть символ в последовательном тексте, цвет области в пространстве, высота и амплитуда звука, температура и т.п.
1в. Важно, драйвер использует относительную модель адресации, от индекса к индексу, никак не сохраняя временную последовательность. Например, в строке «МАМА МЫЛА РАМУ» индекс обозначает смещение. Если текущий индекс указывает на первую букву второго слова, то смещение +2 указывает на букву «Л». Если снова задать смещение +2, мы получим пробел.
2. Классификатор сохраняет переходы, подсчитывая вероятность подтверждения и опровержения значений при переходах из ключевого признака по смещению индекса.
2а. Если текущее значение признака уже есть в сети, то классификатор выбирает наиболее вероятное представление для этого признака и предсказывает наиболее вероятный переход к следующему признаку, после чего обращается к драйверу со смещением.
2б.
Вся сеть представлений постоянно корректируется и сортируется по наиболее вероятным представлениям о текущих признаках
2в. Представления второго порядка связывают между собой представления первого порядка. Таким образом, для того, чтобы проверить представление второго порядка, нужно проверить входящие в него представления первого порядка. Получается рекурсивный алгоритм.
3. Мгновенное состояние классификатора представляется иерархией упорядоченных списков представлений разных порядков.
3а. Алгоритм старается всегда повышать порядок представления в первую очередь. Самый высокий порядок представления отражает наиболее высокий уровень понимания. Так, например для крышки и ножек следующим уровнем представления является стол, а для стола, стула и раковины — следующий уровень это кухня.
3б. Классификатор содержит в качестве представлений простые числовые номера. Это внутренний язык классификатора. Внутренний язык в некотором подмножестве соответствует тому языку, которым пользуются люди для коммуникации (выражения представлений и их распознавания).
Алгоритм для сопоставления представлений выражаемых и воспринимаемых точно такой же, но возможен и хак. Можно выбрать определенный порядок представлений и повышать приоритет тех, которые имеют для человека смысл. Тогда классификатор будет быстрее исследовать именно те представления о мире, которые помогут ему быстрее и лучше ориентироваться в мире, воспринимаемом людьми и общаться с нами на одном языке
4. Классификатор не работает с бесконечной памятью и в бесконечном времени. Поэтому он игнорирует довольно многие признаки и представления, как неперспективные для устойчивой классификации. Позже мы рассмотрим, как в сеть представлений упаковываются многомерные сферы восприятия, включая движение и меру движения — время.
4а. Предварительно, на каждый порядок представлений отводится миллион переходов между субпредставлениями предыдущего порядка, при этом для формирования следующего порядка учитываются лишь двадцать тысяч наиболее вероятных. Здесь важно то, что полезны как наиболее вероятные подтверждения, так и наиболее вероятные опровержения, поэтому считаем их раздельно
4б.
Количество порядков представлений достаточно велико, и практически равно количеству представлений первого порядка. Для того, чтобы сократить количество порядков (ведь для каждого порядка мы отводим около миллиона переходов между субпредставлениями) с миллиона до тех же 20 тысяч, применяется идея наиболее верхнего контекста. Представления, подтверждающие представление наиболее высокого порядка после ранжирования по вероятностям прореживаются, сохраняя лишь наиболее короткие цепочки до первичных признаков.
5. Направление классификации всегда определяется с представления наиболее высокого порядка. Контекст содержит упорядоченные по вероятности представления наиболее высокого порядка, постоянно обновляя этот контекст, проверяя возникновение и прекращение признаков, наиболее быстро этот контекст подтверждающих или опровергающих.
5а. Содержание этого контекста есть наиболее полное понимание исследуемой ситуации и тенденций
5б. Чем меньше в контексте понимания представлений, тем выше оценка ясности и точности понимания
5в.
Именно в рамках контекста определяются вопросы коммуникации, различения субъектов и объектов, их групп и взаимодействия, целей и желаний, отношений и эмоций. Рассматривать этот вопрос можно долго, для начало должно сложиться хорошее представление об основном цикле работы классификатора и основном срезе состояния сети классификации.
Зачем все эти детали?
Конечно, есть и более простое представление основной идеи работы классификатора. Эта идея звучит так: «чему это принадлежит»? Это может быть сложным для понимания. Когда мы говорим о когнитивном акте, мы обычно имеем в виду вопрос «что это?»
Практически же, этот вопрос имеет два аспекта «чем это владеет?» и «чему это принадлежит?». Эти два вопроса инвариантны, достаточно просто развернуть направление поиска. Это параллельные процессы восприятия/поведения. Восприятие двигается в сторону поиска владельца (наиболее устойчивой опоры для дальнейшей классификации), а поведение двигается в сторону поиска принадлежащего.
Что же дальше?
Для тех, кому интересно, мы можем объединить усилия в исследовании модели и разработке полезных и актуальных приложений, не требующих значительных ресурсов, но работающих с самым важным в отрасли ИИ — с пониманием.
Мало где Вы найдете что-то конкретное по вопросу понимания. Что такое понимание? Как его определить? Как его моделировать?
Поэтому я предлагаю очень глубоко проработанную модель, охватывающую как метафизические и философские вопросы, так и прагматичные технические вопросы реализации и внедрения продуктов.
Добро пожаловать в новый мир — мир настоящего искусственного интеллекта и искусственных личностей.
Ваш ход, хабражители.
Человеческий интеллект и сети мозга
1. Готтфредсон Л. Интеллект: неуловимая «фундаментальная причина» эпидемиологов социального неравенства в отношении здоровья? J Person Soc Psychol. 2004; 86: 174–199. [PubMed] [Google Scholar]
2. Лубински Д. Введение в специальный раздел о когнитивных способностях: 100 лет после книги Спирмена (1904) «Общий интеллект, объективно определяемый и измеряемый».
J Person Soc Psychol. 2004; 86: 96–111. [PubMed] [Академия Google]
3. Шмидт Ф., Хантер Дж. Общие умственные способности в сфере труда: профессиональные достижения и производительность труда. J Person Soc Psychol. 2004; 86: 162–173. [PubMed] [Google Scholar]
4. Дири И. Дж., Уолли Л. Дж., Леммон Х., Кроуфорд Дж. Р., Старр Дж. М. Стабильность индивидуальных различий в умственных способностях от детства до старости: продолжение шотландского исследования умственных способностей 1932 года. Интеллект. 2000; 28:49–55. [Google Scholar]
5. Бушар Т. Генетическое влияние на интеллект человека (Г Спирмена): сколько? Энн Хам Биол. 2009; 36: 527–544. [PubMed] [Google Scholar]
6. Дженсен А.Р. Фактор г . Наука умственных способностей. Вестпорт, Коннектикут: Прегер. 1998 [Google Scholar]
7. Снайдерман М., Ротман С. Обзор мнений экспертов по тестированию интеллекта и способностей. Я психолог.
1987; 42: 137–144. [Google Scholar]
8. Готтфредсон Л. Основные направления науки об интеллекте: редакционная статья с 52 подписями, история и библиография. Интеллект. 1997; 24:13–23. [Google Scholar]
9. Neisser U, Boodoo G, Bouchard TJ, et al. Интеллект: известные и неизвестные. Я психолог. 1996; 51:77–101. [Google Scholar]
10. Штернберг Р. Триархический разум. Лондон, Великобритания: Penguin Books. 1988 [Google Scholar]
11. Спирмен К. Общий интеллект объективно определяется и измеряется. Am J Psychol. 1904;15:201–293. [Google Scholar]
12. van der Maas H, Dolan CV, Grasman RPPP, Wicherts JM, Huizengan HM, Raijmakers MEJ. Динамическая модель общего интеллекта: положительное многообразие интеллекта посредством мутуализма. Psychol Rev. 2007; 113:842–861. [PubMed] [Google Scholar]
13. Хант Э.Б. Человеческий интеллект. Кембридж, Великобритания: Издательство Кембриджского университета.
В прессе. [Google Scholar]
14. Джонсон В., Бушар Т. Структура человеческого интеллекта: это вербальное, перцептивное и вращение образов (VPR), а не текучее и кристаллизованное. Интеллект. 2005; 33:393–416. [Академия Google]
15. МакГрю К. Теория CHC и проект по изучению когнитивных способностей человека: стоя на плечах гигантов исследований психометрического интеллекта. Интеллект. 2009; 37:1–10. [Google Scholar]
16. Дженсен А.Р. Предвзятость в умственном тестировании. Нью-Йорк, штат Нью-Йорк: Free Press; 1980 [Google Scholar]
17. Кэрролл Дж.Б. Когнитивные способности человека Обзор факторно-аналитических исследований. Кембридж, Великобритания: Издательство Кембриджского университета; 1993 [Google Академия]
18. Кэрролл Дж.Б. Структура когнитивных способностей высшего уровня: текущие данные подтверждают g и около 10 широких факторов. В Nyborg H, изд. Научное исследование общего интеллекта: дань уважения Артуру Р.
Дженсену. Амстердам, Нидерланды: Пергамон. 2003: 5–21. [Google Scholar]
19. Колом Р., Абад Ф.Дж., Гарсия Л.Ф., Хуан-Эспиноса М. Образование, Полная шкала IQ Векслера и g. Интеллект. 2002; 30:449–462. [Google Scholar]
20. Colom R, Thompson, PM. Понимание человеческого интеллекта, визуализирующего мозг. В Chamorro-Premuzic T, Furnham A, von Stumm S, eds. Справочник индивидуальных различий. Лондон, Великобритания: Уайли-Блэквелл. В прессе. [Google Scholar]
21. Haier RJ, Siegel, BV Jr, Nuechterlein KH, et al. Скорость метаболизма глюкозы в коре коррелирует с абстрактным мышлением и вниманием, изученным с помощью позитронно-эмиссионной томографии. Интеллект. 1988; 12:199–21. [Google Scholar]
22. Haier RJ. Церебральный метаболизм глюкозы и интеллект. В Vernon PA, изд. Биологические подходы к изучению человеческого интеллекта. Норвуд, Нью-Джерси: Ablex Publishing. 1993: 317–331. [Google Scholar]
23.
Haier RJ, White NS, Alkire MT. Индивидуальные различия в общем интеллекте коррелируют с работой мозга при выполнении задач, не связанных с рассуждениями. Интеллект. 2003; 31: 429–441. [Google Scholar]
24. Haier RJ, Jung RE, Yeo RA., et al. Структурные изменения мозга и общий интеллект. НейроИзображение. 2004; 23:425–433. [PubMed] [Google Scholar]
25. Haier RJ, Jung RE, Yeo RA, et al. Нейроанатомия общего интеллекта: пол имеет значение. НейроИзображение. 2005; 25:320–327. [PubMed] [Google Scholar]
26. Колом Р. Интеллект? Какой интеллект? Behav Brain Sci. 2007; 30:155–56. [Google Scholar]
27. Colom R, Haier RJ, Head K, et al. Серое вещество коррелирует с жидким, кристаллизованным и пространственным интеллектом: тестирование модели P-FIT. Интеллект. 2009; 37:124–135. [Google Scholar]
28. Gläscher J, Rudrauf D, Colom R, et al. Распределенная нейронная система для общего интеллекта, выявленная путем картирования повреждений.
ПНАС. 2010; 10:4705–4709. [Бесплатная статья PMC] [PubMed] [Google Scholar]
29. Haier RJ, Colom R, Schroeder DH, et al. Факторы серого вещества и интеллекта: существует ли нейрогид? Интеллект. 2009; 37: 136–144. [Google Scholar]
30. Wickett JC, Vernon PA, Lee DH. Связь между факторами интеллекта и объемом мозга. Индивидуальное лицо Разн. 2000;29:1095–1122. [Google Scholar]
31. McDaniel MA. Люди с большим мозгом умнее: метаанализ взаимосвязи между объемом мозга и интеллектом in vivo. Интеллект. 2005; 33:337–346. [Google Scholar]
32. Людерс Э., Нарр К.Л., Томпсон П.М., Тога А.В. Нейроанатомические корреляты интеллекта. Интеллект. 2009; 37: 156–163. [Бесплатная статья PMC] [PubMed] [Google Scholar]
33. Тога А.В., Томпсон П.М. Генетика строения мозга и интеллекта. Энн Рев Нейроски. 2005; 28:1–23. [PubMed] [Google Scholar]
34. Gignac G, Vernon PA, Wicket JC. Факторы, влияющие на взаимосвязь между размером мозга и интеллектом.
В: Нюборг Х, изд. Научное исследование общего интеллекта. Оксфорд, Великобритания: Pergamon Press. 2003: 93–106. [Google Scholar]
35. Jung RE, Haier RJ. Теория теменно-лобной интеграции (P-FIT) интеллекта: сходящиеся данные нейровизуализации. Behav Brain Sci. 2007; 30:135–187. [PubMed] [Google Scholar]
36. Catani M, Jones DK, Ffytche DH. Перисильвианские языковые сети человеческого мозга, Энн Нейрол. 2005; 57:8–16. [PubMed] [Google Scholar]
37. Gray J, Thompson PM. Нейробиология интеллекта: Наука и этика. Nat Rev. 2004; 5: 471–482. [PubMed] [Google Scholar]
38. Грей Дж., Чабрис С., Брейвер Т. Нейронные механизмы общего подвижного интеллекта. Нат Нейроци. 2003; 6: 316–322. [PubMed] [Google Scholar]
39. Colom R, Jung RE, Haier RJ. Общий интеллект и объем памяти: свидетельство общей нейроанатомической структуры. Cogn Нейропсихология. 2007; 24:867–878. [PubMed] [Google Scholar]
40.
Колом Р., Реболло И., Паласиос А., Хуан-Эспиноса М., Киллонен П.С. Рабочую память (почти) идеально предсказывают г. . Интеллект. 2004; 32: 277–296. [Google Scholar]
41. Колом Р., Абад Ф.Дж., Реболло И., Ших П.С. Объем памяти и общий интеллект: подход с латентной переменной. Интеллект. 2005; 33: 623–642. [Google Scholar]
42. Колом Р., Абад Ф.Дж., Кирога М.А., Ших П.К., Флорес-Мендоза С. Рабочая память и интеллект тесно связаны между собой, но почему? Интеллект. 2008; 36: 584–606. [Google Scholar]
43. Энгл РВ. Объем рабочей памяти как исполнительное внимание. Curr Dir Psychol Sci. 2002; 11:19–23. [Google Scholar]
44. Кейн М.Дж., Хэмбрик Д.З., Конвей А.Р. Объем рабочей памяти и подвижный интеллект — тесно связанные понятия: комментарий к Ackerman, Beier, and Boyle (2005). Психологический бюллетень. 2005; 131:66–71. [PubMed] [Google Scholar]
45. Oberauer K, Schulze R, Wilhelm O, Süb H.
Рабочая память и интеллект — их корреляция и их взаимосвязь: комментарий к Ackerman, Beier, and Boyle (2005). Психологический бюллетень. 2005; 131:61–65. [PubMed] [Google Scholar]
46. Коуэн Н. Емкость рабочей памяти. Нью-Йорк, штат Нью-Йорк: Psychology Press; 2005 [Google Scholar]
47. Матцель Л.Д., Колата С. Избирательное внимание, рабочая память и интеллект животных. Neurosci Biobehav Rev. 2010; 34:23–30. [Бесплатная статья PMC] [PubMed] [Google Scholar]
48. Колата С., Ву Дж., Лайт К., Шахнер М., Матцель Л.Д. Нарушенная продолжительность рабочей памяти, но нормальные способности к обучению обнаружены у мышей с условно дефицитным близким гомологом L1. Дж. Неврологи. 2008; 28:13505–13510. [Бесплатная статья PMC] [PubMed] [Google Scholar]
49. Lee KH, Choi YY, Gray JR, et al. Нейронные корреляты превосходного интеллекта: более сильное вовлечение задней теменной коры. НейроИзображение. 2006; 29: 578–586.
[PubMed] [Google Scholar]
50. Karama S, Ad-Dab’bagh Y, Haier RJ, et al. Кооперативная группа по развитию мозга Положительная связь между когнитивными способностями и толщиной коры в репрезентативной выборке здоровых детей в возрасте от 6 до 18 лет в США. Интеллект. 2009; 37: 145–155. [Бесплатная статья PMC] [PubMed] [Google Scholar]
51. Ad-Dab’bagh Y, Lyttelton O, Muehlboeck JS, et al. Среда обработки изображений CIVET: полностью автоматизированный комплексный конвейер для исследований анатомической нейровизуализации. В Корбетте М., изд. Материалы 12-го ежегодного собрания Организации картирования человеческого мозга. Флоренция, Италия: Elsevier. 2006 [Google Scholar]
52. Shaw P, Greenstein D, Lerch J, et al. Интеллектуальные способности и корковое развитие у детей и подростков. Природа. 2006; 440:676–679. [PubMed] [Google Scholar]
53. Nar KL, Woods RP, Thompson PM. Взаимосвязь между IQ и региональной толщиной серого вещества коры у здоровых взрослых.
Кора головного мозга. 2007;17:2163 – 2171. [PubMed] [Google Scholar]
54. Haier RJ, Benbow CP. Половые различия и латерализация метаболизма глюкозы в височной доле во время математических рассуждений. Дев Нейропсихология. 1995; 11: 405–414. [Google Scholar]
55. Jung RE, Haier RJ, Yeo RA, et al. Половые различия в N-ацетиласпартате коррелируют с общим интеллектом: исследование нормального человеческого мозга с помощью 1H-MRS. НейроИзображение. 2005; 26:965–972. [PubMed] [Google Scholar]
56. Bishop SJ, Fossella J, Croucher CJ, Duncan J. Генотип COMT val158met влияет на рекрутирование нейронных механизмов, поддерживающих подвижный интеллект. Кора головного мозга,. 2008; doi: 10.1093/cercor/bhm240. [Бесплатная статья PMC] [PubMed] [Google Scholar]
57. Duncan J, Seitz JR, Kolodny J, et al. Нейронная основа общего интеллекта. Наука. 2000; 289:457–460. [PubMed] [Академия Google]
58. Гонг Г., Роза-Нето П., Карбонелл Ф.
и соавт. Возрастные и половые различия корковой анатомической сети. Дж. Неврологи. 2009; 2:15684–15693. [Бесплатная статья PMC] [PubMed] [Google Scholar]
59. Mori S, Wakana S, Nagae-Poetscher LM, Van Zijl PCM. Атлас МРТ белого вещества человека. Амстердам, Нидерланды: Elsevier; 2005 [Google Scholar]
60. Schmithorst VJ, Wilke M, Dardzinski BJ, Holland SK. Когнитивные функции коррелируют с архитектурой белого вещества в нормальной детской популяции: диффузионно-тензорное МРТ исследование. Карта мозга. 2005; 26:139–147. [Бесплатная статья PMC] [PubMed] [Google Scholar]
61. Yu C, Li J, Liu Y, et al. Целостность тракта белого вещества и интеллект у пациентов с умственной отсталостью и здоровых взрослых. НейроИзображение. 2008; 40:1533–1541. [PubMed] [Google Scholar]
62. Tang, CY, Eaves EL, Ng, JC, et al. Мозговые сети для рабочей памяти и факторов интеллекта, оцененные у мужчин и женщин с помощью фМРТ и DTI. Интеллект.
2010;38:293–303. [Google Scholar]
63. Чианг М., Барышева М., Шаттак Д.В. и др. Генетика архитектуры мозговых волокон и интеллектуальной деятельности. Дж. Неврологи. 2009; 29:2212–2224. [Бесплатная статья PMC] [PubMed] [Google Scholar]
64. Li Y, Liu Y, Li J, et al. Анатомическая сеть мозга и интеллект. комп. биол. 2009. 2009; 5:1–17. [Google Scholar]
65. Нойбауэр А.С., Финк А. Интеллект и нейронная эффективность: показатели активации мозга в сравнении с показателями функциональной связи в мозге. Интеллект. 2009; 37: 223–229. [Google Scholar]
66. Haier RJ, Siegel BV, MacLachlan A, Soderling E, Lottenberg S, Buschsbaum MS. Региональные изменения метаболизма глюкозы после изучения сложной зрительно-пространственной/моторной задачи: позитронно-эмиссионное томографическое исследование. Мозг Res. 1992; 570:134–143. [PubMed] [Google Scholar]
67. Song M, Zhou Y, Li J, et al. Спонтанная функциональная связность мозга и интеллект.
НейроИзображение. 2008; 41:1168–1176. [PubMed] [Академия Google]
68. van den Heuvel MP, Stam CJ, Kahn RS, Pol H. Эффективность функциональных сетей мозга и интеллектуальные способности. Дж. Неврологи. 2009; 29:7619–7624. [Бесплатная статья PMC] [PubMed] [Google Scholar]
69. Biswal BB, Mennes M, Zuo XM, et al. К открытию науки о функции человеческого мозга. Proc Natl Acad Sci U S A. 2010;107:4734–4739. [Бесплатная статья PMC] [PubMed] [Google Scholar]
70. Naghavi HR, Nyberg L. Общая лобно-теменная активность во внимании, памяти и сознании: общие требования к интеграции? Сознательное познание. 2005; 14:390–425. [PubMed] [Google Scholar]
71. Wager TD, Smith, EE. Нейровизуализационные исследования рабочей памяти: метаанализ. Cogn Affect Behav Neurosci. 2003; 3: 255–274. [PubMed] [Google Scholar]
72. Wager TD, Jonides J, Reading S. Нейровизуализационные исследования переключения внимания: метаанализ.
НейроИзображение. 2004; 22:1679–1693. [PubMed] [Google Scholar]
73. Маруа Р. и Иванофф Дж. Пределы возможностей обработки информации в мозге. Тенденции Cogn Sci. 2005; 9: 296–305. [PubMed] [Google Scholar]
74. Haier RJ. Как выглядит умный мозг? Внутренние взгляды показывают, как мы думаем. Научный разум. , ноябрь 2009 г. [Google Scholar]
75. Чой Ю.Ю., Шамош Н.А., Чо С.Х. и соавт. Множественные основы человеческого интеллекта, выявленные по толщине коры и активации нейронов. Дж. Неврологи. 2008; 41:10323–10329. [Бесплатная статья PMC] [PubMed] [Google Scholar]
76. Паскуаль-Леоне А., Бартрес-Фаз Д., Кинан Дж. П. Транскраниальная магнитная стимуляция: изучение взаимосвязи мозга и поведения путем индукции «виртуальных повреждений». Phil Trans R Soc London B. 1999; 354: 1229–1238. [Бесплатная статья PMC] [PubMed] [Google Scholar]
77. Sack AT. Транскраниальная магнитная стимуляция, каузальное структурно-функциональное картирование и сети функциональной значимости.
Curr Opin Neurobiol. 2006; 16: 593–599. [PubMed] [Google Scholar]
78. Aleman A, van’t Wout M. Повторяющаяся транскраниальная магнитная стимуляция над правой дорсолатеральной префронтальной корой нарушает выполнение задачи на размах пальцев. Нейропсихобиол. 2008; 57:44–48. [PubMed] [Google Scholar]
79. Кеннеди Д.Н. Установление связей в эпоху коннектомов. Нейроинформатика, 2010;8:61–62. [PubMed] [Google Scholar]
80. Haier RJ. Нейро-интеллект, нейрометрика и следующий этап исследований визуализации мозга. Интеллект. 2009; 37:121–123. [Google Scholar]
81. Colom R, Jung R, Haier RJ. Распределенные сайты мозга для g-фактора интеллекта. Нейроимидж. 2006; 31:1359–1365. [PubMed] [Академия Google]
Новая теория: как работает интеллект
Когда вы совершаете покупку по ссылкам на нашем сайте, мы можем получать комиссию партнера. Вот как это работает.
Области мозга, определенные новым исследованием, как важные для интеллекта.
(Изображение предоставлено Ричардом Хайером, UCI)Как и память, человеческий интеллект, вероятно, не ограничивается одной областью мозга, а вместо этого является результатом согласованной работы нескольких областей мозга, предполагает новый обзор исследований.
В обзоре, подготовленном Ричардом Хайером из Калифорнийского университета в Ирвине и Рексом Юнгом из Университета Нью-Мексико, предлагается новая теория, которая идентифицирует области мозга, которые работают вместе, чтобы определить интеллект человека.
«Генетические исследования показали, что уровни интеллекта могут передаваться по наследству, а поскольку гены действуют через биологию, должна существовать биологическая основа для интеллекта», — сказал Хайер.
Обзор 37 исследований изображений, подробно описанных онлайн в журнале Behavioral and Brain Sciences, предполагает, что интеллект связан не столько с размером мозга или конкретной структурой мозга, сколько с тем, насколько эффективно информация проходит через мозг.
«Наш обзор исследований изображений идентифицирует станции вдоль маршрутов обработки разведывательной информации», — сказал Хайер. «Как только мы узнаем, где находятся станции, мы сможем изучить, как они связаны с разведданными».
Новая теория может в конечном итоге привести к лечению низкого IQ, говорят исследователи, или к способам повышения IQ людей с нормальным интеллектом.
P-FIT
В своем обзоре Хайер и Юнг составили список всех областей мозга, которые, как показали предыдущие исследования нейровизуализации, связаны с интеллектом, уделяя больше внимания тем областям, которые появлялись несколько раз. Список, который они составили, предполагает, что большинство областей мозга, которые, как считается, играют роль в интеллекте, сгруппированы в лобных и теменных долях. Кроме того, некоторые из этих областей также связаны с вниманием и памятью, а также с более сложными функциями, такими как язык. Пара не считает это совпадением. В своей теории теменно-лобной интеграции (P-FIT) они предполагают, что уровни интеллекта основаны на том, насколько эффективно эти области мозга взаимодействуют друг с другом.
Хайер говорит, что новая теория обходит щекотливый вопрос о том, что такое интеллект, в котором ученые еще не пришли к единому мнению. «В каждом исследовании, которое мы рассмотрели, была разная мера интеллекта», — сказал Хайер. «Существуют разногласия по поводу того, что является наилучшей мерой интеллекта. Существуют разногласия по поводу того, насколько широким или узким должно быть определение интеллекта. Наша работа действительно выходит за рамки этих вопросов и в основном говорит, что независимо от определения интеллекта, которое вы используете в исследованиях нейровизуализации, вы найти аналогичный результат».
Эрл Хант, нейробиолог из Вашингтонского университета, не участвовавший в исследовании, сказал, что модель P-FIT подчеркивает прогресс, достигнутый учеными за последние годы в понимании биологических основ интеллекта. «Двадцать пять лет назад исследователи в этой области были вовлечены в неназидательную дискуссию о связи между размерами черепа и результатами тестов на интеллект», — сказал Хант.
Опираясь на предыдущую работу
Хайер и Юнг также стояли за другими важными исследованиями, связанными с разведкой. В 2004 году они обнаружили, что области, связанные с общим интеллектом, разбросаны по всему мозгу и что существование единого «интеллектуального центра» маловероятно.
А в исследовании 2005 года они обнаружили, что, хотя различий в общем интеллекте между полами практически нет, у женщин больше белого вещества, а у мужчин больше серого. Серое вещество представляет собой центры обработки информации в мозгу, а белое вещество связывает эти центры вместе. Это открытие показало, что ни одна структура мозга не определяет общий интеллект и что разные типы конструкции мозга могут обеспечивать одинаковые интеллектуальные способности.
Знание того, что определяет интеллект, может привести к лечению болезней интеллекта, таких как умственная отсталость, сказал Хайер.
«Было бы важно узнать, как работает интеллект, чтобы определить, есть ли способ лечить низкий IQ», — сказал Хайер LiveScience.
«Если вы можете вылечить низкий IQ у умственно отсталых, потому что выявляете что-то неправильное в мозгу, влияющее на интеллект, тогда возникает вопрос, можно ли повысить IQ у людей, у которых не обязательно есть черепно-мозговые травмы».
- 10 главных загадок разума
- Что-то подозрительное: как люди стали такими умными
- Гении такие же, как мы
Будьте в курсе последних научных новостей, подписавшись на нашу рассылку Essentials.
Свяжитесь со мной, чтобы сообщить о новостях и предложениях от других брендов Future. Получайте электронные письма от нас от имени наших надежных партнеров или спонсоров.1
Рак — антропогенная болезнь, спорные утверждения исследования
2
Во Флориде обнаружено «кладбище слонов» возрастом почти 6 миллионов лет
3
Гигантская капля водоросли, направляющиеся во Флориду, действительно содержат «плотоядные» бактерии?
4
Самое известное предсказание Стивена Хокинга может означать, что все во Вселенной обречено на испарение, говорится в новом исследовании.
