Beyin İşlevi Modeline Doğru
National Science Foundation
Washington, DC 20550
"Sinirsel bir katmandan bir sonrakine iletim sırasında örüntülerin nasıl değiştiğinin bilgisayar simülasyonu, biyolojik deneylerde kullanılmak üzere sinir ağı ve devre işleyişine ilişkin kavramların ön değerlendirilmesi ve rafine edilmesi için güçlü bir araç olma vaadini taşımaktadır."
1955 yılında, son derece saygın bir bilim insanı, bir bilgisayarın on yıl içinde dünya satranç şampiyonu olacağını öngördü. Bu öngörü, 1940’ların sonlarında ilk elektronik bilgisayarın ortaya çıkmasını izleyen dönemde, bilim ve mühendislik topluluklarının bazı üyeleri arasında dahi görülen coşkunun bir ölçüsüdür.
İzleyen yıllarda, çalışmaları ne bilgisayar bilimlerinin ne de nörofizyolojik bilimlerin ana akımını temsil etmekten uzak olsa da, bilgisayarları düşünen makinelere dönüştürmeyi amaçlayan programlar yazan araştırmacılar vardı. Ve “düşünen makineler” ile “elektronik beyinler”, bilgisayarlar için yaygın örtmeceler hâline geldi.
Daha iyi bir biyolojik modelin yokluğunda, o günlerde insan beyninin karmaşık bir anahtarlama sistemi gibi çalıştığı, büyük bir bilgisayar tarafından kopyalanabileceği sıkça öne sürülüyordu; insan zekâsının gizemlerinin, bir bilgisayar akıllı eylemler gerçekleştirecek şekilde programlandığında ve bunu çalıştıran devreler ile anahtarlar izlenebildiğinde çözüleceği ileri sürülüyordu.
“Eğer bir bilgisayarın yaptığını yapıyor olsaydım,” diye o dönemin sıkça alıntılanan bir deyişi sürer, “düşündüğümü sanırdım.”
Buna rağmen, 20 yıl sonra, hem bilgisayar hem de beyin bilimleri etkileyici ilerlemeler kaydetmiş olsa da, satranç taçları hâlâ insan başlarına yakışmaktadır; insan gözü–eli koordinasyonunu ve insan yargısını birleştiren robotlar ise öngörülebilir biçimde ele avuca sığmamıştır.
Ve bir zamanlar daha güçlü bilgisayarların ve daha gelişmiş programların tek başına zekânın simülasyonuna çözümler sunabileceğini düşünen araştırmacılar, artık beyin işlevinin anlaşılmasının —simülasyonundan bile söz etmeden— bir gün gerçeğe dönüşebilmesi için bilgisayar, matematik, psikoloji ve nörofizyoloji bilimlerinde hâlâ çözülmesi gereken pek çok temel kuramsal soru bulunduğunu fark etmektedir.
Öngörüler ve Performans
Bu farkındalık, 1970’lerin başında, yapay zekâ alanında destek için yapılan çok sayıda başvuruya yanıt olarak, Britanya Bilim Araştırma Konseyi’nin, Royal Society Üyesi matematikçi Sir James Lighthill’den konu hakkında bağımsız, uzman olmayan bir rapor hazırlamasını istemesiyle belirgin bir odak kazandı.
Konsey, matematik, mühendislik ve biyolojinin yönlerini içeren disiplinlerarası araştırmalarda önemli deneyime sahip, alanın dışından birinin genel bir değerlendirmesini istiyordu.
Lighthill elbette bilgisayar ya da beyin bilimlerindeki ana araştırma çizgilerine doğrudan eğilmedi; ancak beyin işlevinin bilgisayar simülasyonunu da içeren yapay zekâ ile 25 yıllık çalışmaya dayanan “kişisel görüşü”, onu ilk coşkunun safça olabileceği sonucuna götürdü.
“Yetkin ve saygın bilim insanları,” diye not düşmüştü İngiliz bilim insanı, 1972’de SRC’ye sunduğu Artificial Intelligence: A General Survey başlıklı raporunda, “1980’lerdeki olasılıkların insan ölçeğinde bir bilgi tabanına sahip çok amaçlı bir zekâyı; 2000 yılına gelindiğinde makine zekâsının insan zekâsını aşmasına dayanan hayranlık uyandırıcı imkânları içerdiğini yazdıklarında … geçmişin öngörüleri ile performansı karşılaştırmak isteyebiliriz. . . .”
Performansın, diye ileri sürdü, “şişirilmiş öngörülerin” “acı verici başarısızlığı” ile nitelenmişti. Beynin modellenmesi ve simülasyonunu kapsayan merkezi sinir sistemi çalışmaları üzerine, “yaklaşık on yıl önce alana giren çalışanlar, şimdi yerinde olmadığını kabul ettikleri bir ‘saf’ iyimserlik hissettiklerini itiraf ediyorlar,” diye gözlemledi.
“Beyin Bir Bilgisayar Gibi Çalışmıyor”
Kayıtların tümü olumsuz değildir. Bilgisayar güdümlü donanım bileşimleri, bir su pompasının parçalarını alıp tanımak ve birleştirmek, dama oynama yeteneklerini geliştirmek ve şunu ilan etmek üzere tasarlanmıştır:
“Günaydın. Ben bir bilgisayarım. Hikâyeleri okuyabilir ve onları yüksek sesle söyleyebilirim. . . .”
Bunlar oyuncak değildir. Ne de bunların geliştirilmesinin temsil ettiği anlayış önemsizdir. İleri otomasyon sistemleri, genel olarak bilgisayar bilimleri ve bizzat beyin araştırmaları bu çabalar sayesinde ilerlemiştir. Yaklaşımın sınırlılıklarına dair anlayış da öyle.
“Beyin bir bilgisayar gibi çalışmıyor,” diyor IBM Araştırma İnceleme Kurulu Başkanı ve Lighthill gibi uygulamalı matematikçi olan Hirsch Cohen. “Ne kadar karmaşık hâle geldiysek, sorunun ne kadar zor olduğunu o kadar fark ettik.”
1963’te beyin içindeki elektrokimyasal iletimler üzerine çalışmasıyla Nobel Ödülü kazanan Sir John Eccles da aynı görüştedir.
“Sinir sisteminin çalışma biçimine dair hiçbir içgörü,” diye ilan etmiştir, “metal bir bilgisayar gibi çalıştığı varsayımından yola çıkıldığında elde edilemez. Bilgisayar ile bu benzetme, girdi ve çıktı süreçlerindeki yüzeysel bir benzerliğe dayanır ve tehlikeli derecede yanıltıcı olabilir.”
Kombinatoryal Patlama
Bilgisayar sistemleri artık örneğin aynı anda birden fazla işlemi yürütebilecek durumdadır; yine de bu bakımdan beyne kıyasla hâlâ çok daha sınırlıdırlar; insan beyninin işleyişini simüle etmeye yönelik girişimler, “kombinatoryal patlama” olarak adlandırılan olguyla karşılaşır.
Bir nöronun ucuna ilerleyen tek bir dürtü, diyelim ki on bağlantılı hücrede sinyalleri tetikler. Bunların her biri on etkileşimi daha tetikler ve kombinasyonlar 100’den 1.000’e, 10.000’e yükselir.
“Beyin, her biri diğer nöronlara 10.000’e kadar bağlantıya sahip yaklaşık on milyar sinir hücresi içerir,” diyor Michigan Üniversitesi bilgisayar ve iletişim bilimleri profesörü John Holland. “Hücrelerin ne yaptığını anlayabilsek bile, bu tür bir girdiyi ele alacak bilgisayarlara sahip değiliz.”
Lighthill, “yaşanan hayal kırıklıklarının genel bir nedeninin, kombinatoryal patlamanın sonuçlarını kavrayamamak olduğunu” söylüyor.
Bir Modeli Modellemek
Robot inşası yerine robot modellemesi, ilerlemenin önündeki engellere yaklaşmanın bir yoludur.
Stanford Üniversitesi bilgisayar bilimleri ve dilbilim yardımcı doçenti Terry Winograd, bugüne kadarki daha başarılı çabalardan birinde, bir bilgisayarın “hayal gücüne” çeşitli şekil ve renklerde bloklarla kaplı bir masa ve bunları hareket ettiren hayali bir yapay kol programlamıştır.
Program, doğal İngilizce komutları kabul eder ve iyi tanımlanmış, simüle edilmiş blok istifleme işlemlerini yerine getirir. Ayrıca imkânsız ve belirsiz komutlar hakkında soru sorar.
Programın kurulmasında iki üst düzey programlama dili kullanılmıştır: biri soyut masaüstü dünyasındaki olayları programlamak, diğeri dil çözümlemesi yapmak için. Bilgisayar, ortalama bir yetişkinin kelime dağarcığında yer alan kadar sözcüğü kolayca depolayabilse de, şimdiye kadar yalnızca basit cümleleri ele alacak şekilde “öğretilmiştir”.
“kırmızı bloğu çıkar” gibi bir cümleyi anlayabilir ve bir masanın üzerindeki birkaç bloğun şematik bir televizyon ekranı görüntüsünü kırmızı bloğu kaldırarak değiştirebilir.
Winograd, ancak, böyle bir program geliştirmenin öneminin insan performansını taklit etmekten ziyade, egzersizin beynin nasıl çalıştığına dair sağladığı anlayış olduğunu açıklar.
Örneğin “kırmızı bloğu çıkar” komutunun bilgisayarda anlaşılmasını sağlamak üzere geliştirilen program, çoklu işlemeyi içerir — belirli ifadeleri çözümleme için bir araya getirmeye (yani “kırmızı blok”), “çıkar”ın anlamını belirlemeye vb. yönelik farklı eşzamanlı işlemler.
Ancak bilgisayarın tökezlediği yer, makine ile insan yetenekleri arasındaki farkların tam olarak nerede yattığını daha açık biçimde ortaya koyar. Örneğin, “Tommy’ye az önce yeni bir blok seti verilmişti” ve “Jimmy’nin içeri girdiğini gördüğünde kutuyu açıyordu” denildiğinde, bilgisayar şu basit soruyu yanıtlamakta büyük güçlük çeker: “Kutunun içinde ne vardı?”
Belirsizliklerle Başa Çıkmak
Winograd’a göre bu, bağlamın ya da çevremizdeki dünyaya dair bilginin, basit cümle birleşimlerini bile anlamadaki rolünü gösterir. Şimdiye kadar bilgisayar, günlük konuşmamızın büyük bölümünü oluşturan belirsizliklerle baş edemez; beyin ise ortak deneyim deposundan bunların boşluklarını doldurur.
“Yapay zekâ [Artificial Intelligence] çalışmalarına, bir insanın gerçekten yaptığını yapmadığı gerekçesiyle yöneltilen belli bir eleştiri var,” diye açıklar Winograd. Ona göre bu, asıl noktayı ıskalar; çünkü bir bilgisayara dil öğretimi parça parça yapılmak zorundadır ve parçaların bir araya getirilmesi, sanki bütün sistemmiş gibi davranmaz.
“Yine de bilgisayar sistemleri tasarlayan insanlar, kabul etseler de etmeseler de, insan zekâsına dair sezgilerinden büyük ölçüde yön alıyorlar,” diye ekler. “Umut ettiğimiz şey, altta yatan yapının büyük ölçüde aynı olmasıdır; tam sistemin giderek daha fazlasını kurdukça, insanlarınkine giderek daha çok benzeyen biçimde davranabilecektir. O noktada çok keskin karşılaştırmalar yapabileceğiz.”
Lighthill, akıllı şeyler yapan makineler geliştirme hedefini aşırı değerli görmemek konusunda uyarır. Bu yeteneklerin, insanları benzersiz kılan zihinsel süreçlerin yalnızca küçük bir parçası olduğunu belirtir. “Bu bir basmakalıp gerçektir,” diye yazar, “entelektüel olarak çok güçlü olup duygusal güdüler ve duygusal ilişkiler bakımından zayıf olan insanlar, geniş dünyada olağanüstü derecede etkisizdir. Değerli sonuçlar, entelektüel yetenek ile hissetme ve diğer insanlarla ilişki kurma kapasitesinin bütünleşmesinden doğar; bu bütünleşme gerçekleşene kadar, problem çözme işe yaramaz, çünkü hangi problemlerin doğru problemler olduğunu görmenin bir yolu yoktur.”
Boşlukları Kapatmak
Buna rağmen, bilgisayarların akıllı işlemler gerçekleştirme yeteneğinde —insan zekâsını birebir çoğaltmak olmasa da— sürekli iyileşmeye dair yeterli neden vardır. Bilgisayar, matematik ve nörofizyoloji bilimlerindeki ilerlemelerin tümü bu sürece dahildir.
“Yaklaşık 1955’te,” diye gözlemler Holland, “favori bir ifade, insan beynini simüle etmek için Empire State Building kadar büyük bir bilgisayar gerekeceği ve onu soğutmak için Niagara Şelalesi’ne ihtiyaç duyulacağıydı. Bugün, bu muhtemelen 100 kat azaltılabilir. Bir cep hesap makinesi, beş yıl önce küçük bir bavul büyüklüğünde 500 dolarlık bir makinenin gerektirdiği işlemleri artık yapabiliyor. Yüzyılın sonuna kadar teknolojinin ne kadar ilerleyeceğini tahmin etmek imkânsız.”
“Çok sayıda insanın ürettiklerinden çok daha fazlasını iddia ettiği doğrudur ve onları eleştirmek yerindedir,” diye ekler Michigan Üniversitesi psikoloji ve bilgisayar bilimi profesörü Walter R. Reitman. “Yine de çok şey başarıldı.”
Örnek olarak Reitman, Stanford Üniversitesi’nde Arthur Samuel tarafından tasarlanan bir dama oynama programından söz eder. Muhtemelen deneyim yoluyla öğrenebilen ilk programdı. Bununla bir bilgisayar, hem Samuel’in kendisini hem de Connecticut dama şampiyonunu yendi. Turnuva düzeyinde oynuyor. Reitman, Go’nun Doğu satrancı düzeyindeki oyununu yetkin biçimde oynayacağını umduğu bir programı tamamlamak üzeredir.
“Son 25 yılda oldukça dikkat çekici ilerlemeler kaydettik,” diye belirtir Chicago Üniversitesi biyofizik ve kuramsal biyoloji profesörü Jack D. Cowan. “Fiziğin bugün bulunduğu noktaya gelmesi 300 yıl aldı. Beyin daha karmaşıktır, ancak üzerinde çalışan bilim insanı sayısı fizikte olduğundan çok daha fazladır. Teknoloji aynı hızda gelişmeye devam ederse, beş ya da altı kuşak içinde günümüz kuramsal fiziğinin karmaşıklık düzeyine ulaşabiliriz.”
Artık Mevcut Olan Zengin Bir Veri Birikimi
İyimserliğin bir dayanağı, modelleme yoluyla beyni anlamada başarının, çalışmanın psikoloji ve nörobiyolojinin temel disiplinleriyle ne kadar yakından bağlantılı olduğuyla ilişkili olduğunun artık ne ölçüde fark edilmekte olduğudur. Bu her zaman böyle değildi.
Çoğu beyin araştırmacısı, 1950’lerde veri ile modeller arasında muazzam bir mesafe bulunduğu konusunda hemfikirdir. Bazen hiç ilişki yoktu. Alandaki bir kişi, öğrenme ya da bellek gibi bir sürecin nasıl işleyebileceğine dair bir fikirden doğrudan bir bilgisayar programı yazardı.
Bugün, nöroanatomi, fizyoloji ve psikoloji deneylerinden elde edilen zengin bir veri birikimi mevcuttur ve modeller ile modelciler bununla daha yakından bağlantılıdır.
“Buna karşılık,” diye not eder Lighthill, “psikoloji ve nörobiyoloji, bilgisayar temelli araştırmacıların kendilerini bu alanlardan biri ya da birkaçıyla bütünleşmiş hissedercesine davrandıkları ölçüde yarar sağlayacaktır. Psikologlar ve nörobiyologlar özellikle, karmaşık sistemler hakkında kuram geliştirmede ve karmaşık veri yığınlarını anlamlandırmada bilgisayarların değerine yönelik artan bir takdir kazanırlar. … En iyi çalışmaların bir kısmı, karmaşık bir veri yığınına dair iyi bilgiye sahip ve bunu yorumlamak için bilgisayar modelleri kurmak üzere gerekli becerileri edinmiş deneysel psikologlar tarafından yapılmaktadır ….”
Birçoğu National Science Foundation desteğiyle çalışan modelciler, öğrenme ve zekâ gibi genel kavramlarla çalışanlardan tek bir nöronun işleyişini simüle etmeye çalışanlara kadar uzanan gruplara ayrılır.
Bununla birlikte, güncel nörobiyolojik araştırmaların doğası gereği, modelci ne kadar iddialıysa —denemeye çalıştığı beyin modeli ne kadar genel ise— üzerine inşa edebileceği gerçek ve güvenilir veri hacmi o kadar küçüktür.
Temellere Dönüş
En soyut düzeyde, doğrudan psikolojik ya da nörobiyolojik veriler kullanmadan makinelerin akıllı şeyler yapmasını sağlamaya çalışan yapay zekâ ekolünün üyeleri yer alır. Zekâyı ya da problem çözme yeteneğini, bir bilgisayara programlanabilecek adım adım bir prosedür olarak temsil etmeye çalışırlar; bu yaklaşımın, gerçek verilerle çalışan deneyciler tarafından kullanılabilecek yeni içgörüler ve stratejiler sağlayacağı beklentisiyle.
Davranışın modellenmesi ile tek bir nöronun eyleminin modellenmesi arasındaki ara düzeylerde ise, çok sayıda araştırmacı beyin yapısı ve işlevinin öğelerini bir araya bağlamaya çalışmaktadır.
Örneğin Cowan, 1967’de Chicago Üniversitesi’ne gelmeden önce, güvenilmez bileşenlerle güvenilir bilgisayarlar kurma yöntemleri ve istatistiksel mekaniğin denklemlerini sinir ağlarına uygulama üzerine çalışmıştı. Bu birleşik yaklaşımı, algı ile sinir hücresi ateşleme örüntülerindeki değişimler arasında bire bir bir karşılık belirlemede kullanır.
Bu amaçla kendisi ve meslektaşı H. R. Wilson, insan algısını, tekdüze bir arka plandan yavaş yavaş beliren çizgili desen dizileriyle test eder. Denek, bir desen kaybolana, netleşene ya da başka bir desenle eşleşene kadar kontrastı ayarlar. Bu davranış daha sonra kedilerin ve maymunların görsel korteksinden elde edilen anatomik verilerle karşılaştırılır.
Sonuç, Cowan’ın beynin belirli bir bölgesinde olup biteni betimlediğine inandığı matematiksel denklemlerin formüle edilmesidir. “Bunlar,” der, “geniş sinir hücresi ağlarının etkinliğinin genel örüntüsündeki değişimleri tanımlar ve deneysel olarak sınanabilecek davranış öngörüleri üretir.” Bu, biyolojik araştırmayla yakın bir bağ olmaksızın başarılamazdı.
Cowan’ın yaptığı türden matematiksel modelleme, yaklaşımları bakımından bilgisayar modellemesinden farklıdır. “Sınırlı sayıdaki hücreye ilişkin verileri almanıza,” der Cowan, “ve büyük ölçekli sinir ağlarının etkinliği hakkında çıkarımlar yapmanıza olanak tanır. Gözlemlenemeyenle uğraşmanızı sağlar.”
Eğitimi iletişim bilimleri olan John Holland da aynı fikirde: “Düzinelerce, hatta yüz kadar nöronun nasıl etkileştiğini bulabilirsiniz; ama oradan on binlere, on milyonlara ya da on milyarlara sıçramak uzun bir atlayıştır. Bu atlayışı yapmanın bildiğim tek yolu matematiktir.” Doğrusal olmayanlıklar, Holland’a göre, matematiğin yardımıyla kombinatoryal patlamanın etkilerini sönümlemek için kullanılabilir. Sezgisel yöntemler de bazen aynı sonuca ulaşır.
Programlama Sezgileri
Lighthill’e göre sezgisel yöntemler, “programın, ilgili türdeki problemi çözmede insan deneyiminden türetilmiş büyük miktarda bilgiyi depolaması ve kullanması” anlamına gelir. Stanford Üniversitesi Yapay Zekâ Laboratuvarı direktörü John McCarthy ise bunu basitçe “tüm olasılıkları tek tek aramak zorunda kalmamak için kullanılan kestirme yollar” olarak tanımlar.
İnsanlar, bir önsezileri olduğunda ya da deneyimlerinin her birini sınamadan çok sayıda olasılığı göz ardı etmelerine izin verdiği durumlarda sezgisel yöntemler kullanır. Örneğin satranç oynarken hem insanlar hem de makineler sezgisel yöntemlerden yararlanır.
“Bir satranç oyunundaki tüm olası hamleleri bir ağacın dallarının katmanları olarak düşünün,” diye açıklar McCarthy. “Her oyuncu yeni bir konuma geçtiğinde, bir sonraki hamle için başka bir olasılıklar düzeyine ya da dallara ulaşır. Bu, oyunun son hamlesine kadar katmanlar ya da dallar boyunca devam eder. Bir programcı, programın hamle ağacının yalnızca küçük bir bölümüne bakmasını sağlayarak bu sonsuz olasılık dallarıyla uğraşmaktan kaçınabilir. … Oyunun sonuna kadar bakmak yerine, yalnızca üç ya da dört hamle sonrasına bakabilir. Örneğin bir şahı ya da veziri korumak için bilgisayar, bu hedefi gerçekleştirecek ve gelecekteki hamlelere olanak tanıyacak bir hamle için sınırlı olasılıkları değerlendirir.”
Bir insan oyuncu daha ileriye bakabilir; çünkü tüm olası hamlelerle uğraşmaya çalışmaz. Benzetme ya da deneyim yoluyla insan, yöntemli, adım adım bir analiz yapmadan, bir hedefi gerçekleştirmeyecek hamleleri eler. Ayrıca insan oyuncuların kazanmaya yönelik stratejiler hakkında önsezileri vardır ve benimsediği bir stratejinin dışında kalan tüm olası hamlelerle ilgilenmezler.
Bilgisayar programlarına “önseziler” kazandırma çabası—yani tüm olasılık kümelerini eleyerek karmaşık problemleri daha yönetilebilir hâle getiren kestirme yollar—önemli bir engelle karşı karşıyadır: sinirbilimciler beynin bunu nasıl başardığını henüz bilmiyor. Bu tür sezgisel yöntemlerin ya da sezginin katı, adım adım bir işleme indirgenip indirgenemeyeceği de bilinmemektedir.
Bunu anlamak için Stanford’dan Edward Feigenbaum gibi araştırmacılar, bilgisayara yaptırmaya çalıştıkları görevlerde uzman olan kişilerle birlikte çalışırlar. Nobel ödüllü Joshua Lederberg gibi bilim insanları, belirli bir görevi yerine getirirken neler yaptıklarını sözlü olarak anlatmışlardır. Feigenbaum buradan, kestirme yolların neler olduğunu ve bilim insanının bunları nasıl belirlediğini saptamaya çalışır.
Bu strateji, kimyasalların moleküler yapılarını çözmede oldukça başarılı olan bir programın ortaya çıkmasını sağlamıştır. Feigenbaum, programın “insan problem çözme tekniklerinin birçok yönünü sergilediğini” söyler. “Uygun biçimde sınırlandırılmış bir alandaki problemleri çözmede insan zekâsından daha hızlı çalışır.”
Katmanlı Beyin
Sinirbilimciler, tek bir nöronda olan bitenin sonuçlarından iki ve üç boyutlu sinirsel etkinlik örüntülerine geçmeye çalıştıklarında da sezgisel yöntemler önem kazanır. Araştırmacılar artık beyni, birbirine çoklu bağlantılarla bağlanmış nöron tabakalarının bir dizisi olarak ele alıyor.
“Sinirsel örgütlenmenin en kritik özelliklerinden biri,” der Ekim 1974 Neurosciences Research Program Bulletin, “hem yapısal hem de işlevsel alanlarda katmanların görünürde hiyerarşik bir üst üste binmesidir. Sinir merkezlerinin hiyerarşik örgütlenmesi o kadar açıktır ki neredeyse önemsizdir: omurilik, alt beyin sapı, üst beyin sapı ve korteks. Benzer biçimde, duyusal yollarda da alıcı düzey, yerel özellik analizi için birkaç düzey, subkortikal çekirdek düzeyi ve birkaç kortikal katman bulunur.”
Bir düzeydeki herhangi bir nokta ile bir sonraki düzeydeki belirli bir nokta arasında, hem yukarı hem de aşağı yönde, oldukça katı bir konu ya da yer ilişkisi vardır. Başka bir deyişle, bir harita ya da konumsal kod katmandan katmana aktarılır. Örneğin, vücudun duyusal yüzeylerindeki noktalar ile somatik duyusal korteksteki noktalar arasında bire bir bir ilişki vardır.
“Retinaya bir ışık örüntüsü düşürdüğünüzde,” diye açıklar Cowan, “buna eşdeğer bir örüntü görsel kortekse ulaşır. Bazı yönlerden gerilir ve bozulur ama karışmaz; düzenli bir temsildir.”
Böyle konumsal haritaların var olduğu bilgisi bir bilgisayara programlanır; bu, bilgisayarın yerelleşmiş olayların yorumunu genişletmesini sağlar. Bilgisayarı, o olaydan kaynaklanabilecek tüm olasılıkları araştırmak zorunda kalmaktan kurtaran bir önsezi ya da kestirme yol sağlar.
Nasıl ki bir insan benzetme ya da deneyim yoluyla bir problemin yaklaşık çözümünü bilebiliyorsa, bilgisayar programı da yerel etkileşimin belirli beyin katmanlarında mevcut olan büyük ölçekli bir etkinlik örüntüsünü temsil ettiği ve bu örüntüdeki belirli nöronların diğer nöronlarla sabit bir ilişkiye sahip olduğu gerçeğini içerir. Haritaların ya da sinir ateşleme örüntülerinin katman katman işlenmesi bilgisayar simülasyonu ile analiz edilebilir.
Çoklu Temsil
NRP Bulletin şöyle der: “Örüntülerin bir sinir katmanından bir sonrakine iletim sırasında nasıl değiştiğinin bilgisayar simülasyonu, biyolojik deneylerde kullanılmak üzere sinir ağı ve devre işleyişi kavramlarını ön taramadan geçirmek ve rafine etmek için güçlü bir araç olmayı vaat etmektedir.”
Ancak vücut çevresinin beynin duyusal ve motor merkezlerindeki doğrudan temsili kaba bir ölçekte gerçekleşir. Daha ince ayrıntılar incelendiğinde, çevrenin aynı noktasının merkezde birçok farklı biçimde ve farklı bağlamlarda, çoğu zaman aynı kaba harita içinde farklı yollar ve aktarma mekanizmaları üzerinden temsil edildiği görülür.
Örnek olarak, bir kedinin ön ve arka uzuvları, ön lobunda ve serebellumunun arka bölgelerinde iki kez temsil edilir. Bilim insanları, bu çoklu temsili dikkate alan çeşitli serebellum modellerinin bilgisayar simülasyonu üzerinde çalışmaktadır. Bunlar, bilginin omurilik sinirleri ve serebellumun çeşitli bölümleri aracılığıyla uzuvlardan nasıl alınıp gönderildiğini ve komuta ile kontrol işlevlerinin serebral korteks ile serebellum arasında nasıl iletildiğini açıklamaya çalışır.
Tek Tek Nöronlar
Ölçeğin daha da aşağısında, tek bir nöron düzeyinde, İngiliz araştırmacılar Alan L. Hodgkin ve Andrew F. Huxley 1952’de sinir hücresi aksonu boyunca impulsların nasıl yayıldığını tanımlayan denklemler geliştirdiler. Hodgkin ve Huxley dev kalamarların aksonlarını kullandılar ve bu çalışmaları için 1963’te Nobel Ödülü’nü paylaştılar.
Bu karmaşık denklemler daha sonra basitleştirildi ve pek çok araştırmacı—çoğu zaman biyologlarla eşgüdüm içinde çalışarak—sinirler boyunca ve hem ayıran hem de bağlayan sinapslar üzerinden sinyal iletimine ilişkin modeller geliştirmektedir.
1962’den bu yana tek bir sinir hücresinin simülasyonu üzerinde “kişisel bir bilimsel girişim” olarak çalışan IBM’den Cohen, sinir sinyali yayılımının bir kablo boyunca elektrik impulsu iletimine benzediğine dikkat çeker.
Modelleyicilerin denklemleri, sinyalin dalga biçimi, iletim hızı, zayıflama gibi özelliklerini öngörür; ancak hangi bilgiyi taşıdığına ya da bunu nasıl yaptığına dair bir gösterge vermez.
Anahtar sinapslarda olabilir, ancak sinapsta ne olduğuna dair ayrıntılar matematikçiler için hâlâ bir gizemdir. Sinaps bir filtre gibi mi davranır? Belirli türdeki sinyalleri engeller mi yoksa geçirir mi? Küçük değişimleri güçlendirerek, gürültüyü önleyerek ya da bir sinyalin birikimini denetleyerek bir geri besleme aygıtı işlevi mi görür?
Cohen, sinaps eyleminin kimyası ve istatistiği konusunda çok sayıda iyi çalışma yapıldığını belirtir. “Bu, modelleme için denklemlere dökülmeye hazır,” der, “ama bunu başarıyla yapan henüz olmadı.”
Daha Basit Sistemler
Modelleyiciler, tek bir sinir lifinin küçük ve büyük bir dala ayrıldığında ne olduğu gibi çok daha basit problemlerle bile hâlâ mücadele etmektedir.
Tek bir hücreden başlayarak, küçük devreler bir sonraki yukarı adımı oluşturur. Bu düzeyde sinirbilimciler, örneğin bazı güvelerin yarasaların kendilerine yönelmek için kullandıkları sonik yankı-konumlama sinyallerini algılama yeteneğini nasıl geliştirdiğini anlamaya çalışmak gibi problemler üzerinde çalışırlar; bu sistem yalnızca iki nöronu içeriyor gibi görünmektedir.
Görünen o ki evrim ve doğal seçilim süreci boyunca, devre güvede kaçınma davranışını tetikleyecek biçimde değiştirilmiştir. Araştırmacılar bu değişikliklerin neler olduğunu ve güvelerin motor sistemine ne tür bilgilerin gönderildiğini anlamaya çalışmaktadır.
Diğerleri ise bütünlüğü bozulmamış bir böcek beyninde neler olup bittiğini inceler. Holland’ın açıkladığı gibi, bir sinek ya da karıncanın doğal biçimde davrandığı belirlendiğinde, “mikroelektrotlar bu davranış sırasında sinirsel etkinliğin örüntüsünü ölçer. Bu tür araştırmalar, daha büyük sinirsel örgütlenmelerin modellenmesi için ipuçları sağlar.”
Lütfen 23. sayfaya bakınız.
Mayıs 1976 için COMPUTERS and PEOPLE
National Science Foundation
15. sayfadan devam
Bir Televizyonu Ayarlamak Gibi
İnsan beyninde, binlerce, on binlerce ya da daha fazla nörondan oluşan kümeler bir işlevi yerine getirmek için birlikte hareket eder.
Bu büyüklükte hücre kümeleriyle çalışırken, sinirbilimciler aynı anda farklı şeylerin gerçekleşmesi, devrelerin örtüşmesi ve aynı tür nöronların farklı işler yapması gibi sorunlarla karşılaşırlar.
Bilgisayarlar, programlar tüm olası etkileşimleri izlemeye çalıştığında kombinatoryal patlama içinde tıkanır. Bilgisayar programları doğrusal çalışırken, Holland’ın vurguladığı gibi, "beyin son derece doğrusal olmayan bir yapıya sahiptir."
"Bu bir televizyonu ayarlamak gibidir; en iyi görüntüyü bir düğmeyi ayarlayıp sonra bir başkasını ve bir başkasını ayarlayarak elde edemezsiniz. Hepsini paralel olarak çalıştırırsınız. Beyin de on milyar düğmesi olan bir televizyon seti gibidir. Onun en iyi görüntüsünü elde etmek için doğrusal olmayan denklemlere ihtiyacımız var. Eşzamanlı girdileri işleyebilen bilgisayarlar tasarlamamız gerekiyor ve bunu yapmayı daha yeni öğreniyoruz. Deneyimden öğrenebilen, insan benzeri kestirme yollar alabilen programlara ihtiyacımız var. Bir çocuk hatalar yaparak öğrenir ve öğrenirken kendi programlarını oluşturur. Böyle programlar tasarlayabilene kadar insan beynini simüle edemeyeceğiz."
Şu anda, bunu yapmaya yönelik iki yaklaşım — yapay zekâ okulu ve analitik okul — arasındaki uçurum çok geniştir.
"O kadar geniş ki," diye yorumluyor Cowan, "hiçbir zaman buluşup buluşamayacaklarını bilmiyorum."
Lighthill, "deneysel olgulara hâkim olmak için yeterli çabayı göstermeme günahına karşı dikkatle korunmak" koşuluyla her iki yaklaşım için de bir yer olduğunu görüyor.
Cowan, "beyinde neler olup bittiğine dair iyi bir sezgi kazanmanın" 60 yıl alacağını tahmin ediyor. Holland ise bilgisayarların 30 yıl içinde programlanmış hataları düzeltmeyi öğreneceğini ve talimatları "akıllı bir asistan gibi" alacağını düşünüyor. Ancak ekliyor ki, bu yetenek muhtemelen tek bir alandaki uzmanlaşmış bilgiyle sınırlı olacaktır.
"Karmaşıklık gerçekten cesaret kırıcı," diyor bir nörobiyolog. "Bilginin beyinde nasıl depolandığı ve oradan nasıl geri çağrıldığı gibi konularla ilgilenmeye başlamamız 50 ila 100 yıl sürecek."
İnsan Beyni Fazla mı Karmaşık?
İnsan beyninin, insan zihni tarafından anlaşılmayacak kadar karmaşık olması mümkün mü? Epistemolojik bir problem söz konusu mu: Bir şey kendi kendisini hiçbir zaman bütünüyle kapsayabilir mi?
Araştırmacıların çoğu endişeli değil. İnsanın bu benzersiz organda olup biten her ayrıntıyı asla anlayamayabileceğini kabul etseler de, üzerine inşa edilecek yeni bilgi düzeylerine ulaşmayı sürdüreceğine inanıyorlar.
"Muhtemelen hiç kimse beyinde olup bitenleri son ayrıntısına kadar bilemeyecek; tıpkı hiç kimsenin Sağlık, Eğitim ve Refah Bakanlığı’nın işleyişinin her ayrıntısını muhtemelen anlamaması gibi," diye gözlemliyor Reitman. "Bu, beynin ya da HEW’in tamamen bir gizem olduğu anlamına gelmez. Birinin işlevsel bilgisine, diğerinin işlevsel bilgisine sahip olduğumuz gibi, iyi bir işlevsel bilgiye ulaşmanın mümkün olduğuna inanıyorum."
"Beynin anlaşılmasının mümkün olmadığına beni ikna eden bir argüman görmüyorum," diye yorumluyor Holland. "Beynin, aynı anda bütün beyni anlaması gerekmez. Bir televizyon seti de tam bir görüntüyü bir anda üretmez; tarayarak, parça parça oluşturur. Aynı anda olup biten tüm süreci bilmek zorunda kalmadan, beyni tarayıp anlamak istediğimiz sistemin bir görüntüsünü elde edebiliriz."
"Beyni anlamaya çalışan tek bir beyniniz yok," diye ilan ediyor Cowan. "Üzerinde çalışmış ve çalışacak olan tüm insanların tüm beyinlerine sahipsiniz. Beyin araştırmacıları bilgiyi, diğer alanlardaki bilim insanlarının yaptığı gibi biriktirir. Ve beyinde bilimsel araştırmaya kapalı olan hiçbir şey görmüyorum."