The Thousand Brains Theory 2.0: An Extension for the Long-Range Connections of the Neocortical Heterarchy
यह शोध पत्र यह प्रस्तावित करके 'थाउजेंड ब्रेन्स थ्योरी' (Thousand Brains Theory) का विस्तार करता है कि नियोकोर्टेक्स एक हेटरार्की (heterarchy) के रूप में कार्य करता है जहाँ थैलेमिक और दीर्घ-रेंज कॉर्टिको-कॉर्टिकल कनेक्शन आत्म-केंद्रित (egocentric) संवेदी डेटा को एलोसेंट्रिक (allocentric) मॉडलों में परिवर्तित करते हैं और संरचनात्मक वस्तुओं (compositional objects) के सीखने को सक्षम करते हैं, जिससे पूर्व में अनस्पष्ट रहे बुद्धिमत्ता के शारीरिक और कम्प्यूटेशनल तंत्रों का समाधान होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
मानव मस्तिष्क अरबों न्यूरॉन्स का एक विशाल परिदृश्य है, लेकिन एक सदी से अधिक समय से, वैज्ञानिक उस मौलिक इकाई की खोज कर रहे हैं जो इस जटिलता को कार्यशील बनाती है। 1950 के दशक में, वर्नोन माउंटकैसल नामक एक तंत्रिका विज्ञानी (neuroscientist) ने प्रस्तावित किया कि मस्तिष्क समान पेड़ों के एक जंगल की तरह, दोहराव वाले स्तंभों (columns) से बना है, जहाँ प्रत्येक स्तंभ एक बुनियादी प्रसंस्करण इकाई (processing unit) के रूप में कार्य करता है। दशकों तक, प्रचलित विचार यह था कि ये स्तंभ एक सख्त पदानुक्रम (hierarchy) में काम करते हैं, जैसे कि एक कॉर्पोरेट सीढ़ी जहाँ सूचना सरल विवरणों से जटिल विचारों की ओर ऊपर की ओर प्रवाहित होती है, और सबसे परिष्कृत समझ केवल सबसे शीर्ष पर ही दिखाई देती है। हालाँकि, बढ़ते साक्ष्यों से पता चलता है कि मस्तिष्क एक साधारण सीढ़ी की तुलना में कहीं अधिक परस्पर जुड़ा हुआ और लचीला है, जहाँ स्तंभ आपस में जटिल, गैर-रेखीय (non-linear) तरीकों से बात करते हैं। इन स्तंभों के संचार को समझना महत्वपूर्ण है क्योंकि यही वह कुंजी है जिससे हम यह पहचान पाते हैं कि कॉफी का कप सीधा है या उल्टा, हम यह कैसे सीखते हैं कि एक पहिया साइकिल का हिस्सा है, और अंततः, कैसे हमारे मस्तिष्क संवेदी डेटा के एक अराजक प्रवाह से दुनिया का एक स्थिर मॉडल बनाते हैं।
"द थाउजेंड ब्रेन्स थ्योरी 2.0" नामक एक नए शोध पत्र में, शोधकर्ता जेफ हॉकिन्स, नील्स लीडहोम और विविएन क्ले अपने पिछले सिद्धांत के बारे में एक प्रमुख अपडेट प्रस्तावित करते हैं। उनका तर्क है कि मस्तिष्क केवल सूचना को निष्क्रिय रूप से प्राप्त नहीं करता है; इसके बजाय, मस्तिष्क का प्रत्येक स्तंभ एक संवेदी-मोटर प्रणाली (sensorimotor system) है जो हिलने-डुलने और महसूस करने से सीखता है। लेखक सुझाव देते हैं कि दुनिया को समझने के लिए, मस्तिष्क को दो अलग-अलग दृष्टिकोणों के बीच सूचना का निरंतर अनुवाद करना चाहिए: सेंसर से दिखने वाला दृश्य, जो हमारी आँखों या हाथों के हिलने के साथ बदलता है, और वस्तु का एक स्थिर, निश्चित दृश्य। पेपर एक विशिष्ट तंत्र पेश करता है कि यह अनुवाद कैसे होता है और यह समझाता है कि मस्तिष्क कैसे वस्तुओं को अन्य वस्तुओं के संग्रह के रूप में देखना सीखता है, जैसे कि पहियों और दरवाजों से बनी एक कार, न कि केवल असंबद्ध हिस्सों के ढेर के रूप में।
शोधकर्ता न्यूरोसाइंस की एक लंबे समय से चली आ रही पहेली को संबोधित करते हुए शुरुआत करते हैं: मस्तिष्क में उसके स्तंभों के बीच कई प्रकार के दीर्घ-दूरी के संबंध (long-distance connections) होते हैं, और मौजूदा सिद्धांत यह समझाने में संघर्ष करते हैं कि वे सभी क्या करते हैं। कुछ संबंध पदानुक्रम में ऊपर और नीचे जाते हैं, जबकि अन्य बगल में चलते हैं या थैलेमस (thalamus) नामक एक केंद्रीय संरचना के माध्यम से लूप करते हैं। लेखक प्रस्ताव देते हैं कि ये कनेक्शन केवल यादृच्छिक वायरिंग नहीं हैं बल्कि दो विशिष्ट, महत्वपूर्ण कार्यों को पूरा करते हैं। पहला कार्य एक अनुवादक के रूप में कार्य करना है। जब आप किसी वस्तु को देखते हैं, तो आपकी आँखें चलती हैं, आपका सिर झुकता है, और रेटिना पर छवि लगातार बदलती रहती है। फिर भी, आप वस्तु को स्थिर अनुभव करते हैं। पेपर सुझाव देता है कि थैलेमस, जो मस्तिष्क के भीतर एक रिले स्टेशन है, इस संवेदी डेटा का एक तीव्र रोटेशन (rotation) करता है। यह आपके सेंसरों से बदलते, चलते हुए दृश्य को लेता है और उसे तुरंत वस्तु के सापेक्ष एक निश्चित, स्थिर दृश्य में परिवर्तित कर देता है। यह प्रत्येक स्तंभ के लिए होता है, जिससे मस्तिष्क चेहरा या उपकरण को पहचानने में सक्षम होता है, चाहे आप अपना सिर कैसे भी घुमा रहे हों या आपकी आँखें कहाँ देख रही हों।
पेपर का दूसरा प्रमुख योगदान यह है कि मस्तिष्क जटिल, मिश्रित वस्तुओं को कैसे सीखता है, इसका एक नया स्पष्टीकरण है। पुराने दृष्टिकोण में, माना जाता था कि मस्तिष्क सरल रेखाओं से जटिल आकृतियों तक पदानुक्रम में सूचना के ऊपर चढ़ने के साथ निर्माण करता है। लेखक इसके बजाय तर्क देते हैं कि प्रत्येक स्तंभ, यहाँ तक कि वे भी जो प्रसंस्करण धारा के बिल्कुल नीचे हैं, तुरंत पूरे ऑब्जेक्ट को पहचानना सीख जाते हैं। स्तंभों के बीच पदानुक्रमित संबंधों का उपयोग फिर यह सीखने के लिए किया जाता है कि ये पूर्ण वस्तुएं एक साथ कैसे जुड़ती हैं। उदाहरण के लिए, एक स्तंभ यह सीख सकता है कि "पहिया" कैसा दिखता है, जबकि उसके ऊपर का एक स्तंभ यह सीख सकता है कि "साइकिल" कैसी दिखती है। उनके बीच का संबंध मस्तिष्क को यह सिखाता है कि एक पहिया साइकिल का हिस्सा है, और विशेष रूप से, साइकिल पर उस पहिये का स्थान कहाँ है। यह सीखना बिंदु-दर-बिंदु होता है क्योंकि आप अपनी आँखों या उंगलियों को वस्तु पर घुमाते हैं, जिससे भाग के स्थान को पूरे भाग के स्थान से जोड़ा जाता है। यह मस्तिष्क को यह समझने की अनुमति देता है कि कप पर लगा लोगो खिंचा हुआ या मुड़ा हुआ हो सकता है, फिर भी उसे उसी लोगो के रूप में पहचाना जा सकता है, क्योंकि मस्तिष्क ने हर विशिष्ट संपर्क बिंदु पर लोगो और कप के बीच के संबंध को सीख लिया है।
पेपर थैलेमस की भूमिका को भी स्पष्ट करता है, जिसे अक्सर केवल एक निष्क्रिय स्विचबोर्ड के रूप में देखा जाता था जो इंद्रियों से कॉर्टेक्स (cortex) तक संकेतों को पास करता है। लेखक सुझाव देते हैं कि यह एक सक्रिय प्रोसेसर है जो इन महत्वपूर्ण ओरिएंटेशन रूपांतरणों को निष्पादित करता है। वे एक विशिष्ट तंत्र का प्रस्ताव करते हैं जहाँ थैलेमिक कोशिकाएं स्विच की तरह कार्य करती हैं जो यह चुन सकती हैं कि वर्तमान सिर या शरीर के ओरिएंटेशन के आधार पर किस आने वाले संकेत को आगे भेजना है। यह मस्तिष्क को दुनिया की एक सुसंगत समझ बनाए रखने की अनुमति देता है भले ही शरीर हिल रहा हो। इसके अलावा, पेपर तर्क देता है कि मस्तिष्क एक "हेटरार्की" (heterarchy) के रूप में कार्य करता है, जो एक जटिल जाल है जहाँ क्षेत्र समानांतर में काम कर सकते हैं और सीधे संवाद कर सकते हैं, न कि एक सख्त पिरामिड के रूप में जहाँ सूचना को क्रमबद्ध तरीके से हर स्तर से गुजरना पड़ता है। इसका अर्थ है कि एक निम्न-स्तरीय क्षेत्र एक पूर्ण वस्तु को पहचान सकता है और उस जानकारी को सीधे उच्च-स्तरीय क्षेत्र को, या मोटर क्षेत्र को, बिना किसी धीमी, चरण-दर-चरण चढ़ाई के भेज सकता है।
ये विचार केवल सैद्धांतिक विचार नहीं हैं; लेखक मौजूदा प्रयोगात्मक डेटा की ओर इशारा करते हैं जो उनके दृष्टिकोण का समर्थन करता है, जैसे कि दृश्य प्रांतस्था (visual cortex) के न्यूरॉन्स जो अभिविन्यास (orientation) की परवाह किए बिना वस्तुओं के प्रति प्रतिक्रिया करते हैं, और विभिन्न संवेदी क्षेत्रों के बीच संबंध जो तीव्र सहमति की अनुमति देते हैं। वे भविष्य के प्रयोगों के लिए विशिष्ट भविष्यवाणियाँ भी प्रदान करते हैं, जैसे कि भागों और पूर्ण वस्तुओं का प्रतिनिधित्व करने वाले स्तंभों के बीच कनेक्शन के विशिष्ट पैटर्न को खोजना, या यह परीक्षण करना कि जब संवेदी इनपुट के ओरिएंटेशन को कृत्रिम रूप से बदला जाता है तो मस्तिष्क कैसे अनुकूलित होता है। मस्तिष्क को संवेदी-मोटर इकाइयों के एक संग्रह के रूप में फ्रेम करके, जो लगातार गति को स्थिर मॉडल में अनुवादित करती हैं और यह सीखती हैं कि वस्तुएं एक-दूसरे से कैसे बनती हैं, यह कार्य बुद्धिमत्ता पर एक नया दृष्टिकोण प्रदान करता है। यह सुझाव देता है कि दुनिया को समझने की क्षमता एक एकल, केंद्रीय प्रोसेसर से नहीं आती, बल्कि हजारों छोटी, विशिष्ट इकाइयों के मिलकर काम करने से आती है जो वास्तविकता की एक स्थिर तस्वीर बनाए रखने के लिए काम करती हैं, चाहे हम कितना भी हिलें या दुनिया हमारे चारों ओर कितनी भी बदले।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।