Ученые из Оксфордского университета, Университетского колледжа Лондона и эксперты по искусственному интеллекту компании DeepMind представили исследование, описывающее работу мозга во время перемещения в метро. Исследователи выяснили, что мозг разбивает общую задачу на ряд подзадач, причем за отдельные подзадачи и их элементы отвечают разные зоны мозга. Такая схема работы может быть полезна при проектировании систем искусственного интеллекта. Статья опубликована в журнале Neuron, результаты исследования представлены в пресс-релизе.
Чтобы изучить работу мозга во время такого типа деятельности, ученые разработали игру, в которой нужно было добираться от точки А в точку Б по воображаемой сети метро. Как в реальном метро, схема этой воображаемой сети представляла собой пересекающиеся цветные линии со станциями на них. В повседневной жизни мы на самом деле решаем много задач подобного рода, где нужно найти оптимальную стратегию и выбрать между альтернативами. В эксперименте участники выполняли поставленные задачи по ориентации в метро, находясь в аппарате фМРТ, то есть работа их мозга на каждом этапе была видна на снимках.
Ученые обращали внимание на то, были ли участники более сосредоточены на линиях метро или на отдельных станциях при решении задачи. Оказалось, что активность мозга и время реакции увеличивается с количеством линий, которые необходимо пересечь, а не с количеством самих станций, которые надо проехать.
При принятии решений были задействованы такие области мозга, как дорсальная зона медиальной префронтальной коры, отвечающая за высшие когнитивные функции, и премоторная зона коры, которая обычно задействована при выполнении реальных или воображаемых движений. Также были участки коры, которые явно активизировались при приближении к цели, когда оставалось доехать несколько станций по одной линии, — вентромедиальная префронтальная кора и гиппокамп — ранее было показано, что эти зоны могут отвечать за оценку расстояния до объекта.
«Мы хотим понять, как человеческий мозг справляется с такими иерархическими задачами, чтобы разрабатывать более "умные" алгоритмы. В области машинного обучения иерархическое представление задачи для принятия решения может быть полезным или вредным в зависимости от того, составите ли вы правильно саму иерархию», — сказал руководитель исследования Ян Балагер (Jan Balaguer).
