Новое исследование опровергает идею о том, что интеллект приравнивается к более быстрому мышлению, вместо этого показывая, что люди с более высоким подвижным интеллектом тратят больше времени на решение сложных проблем из-за синхронизированной активности их мозга, позволяющей более глубоко рассматривать доказательства и решать проблемы. Кредит: Петра Риттер
Думают ли умные люди быстрее других при решении проблем? Новые результаты, полученные исследователями из проекта «Человеческий мозг» в Берлинском университете Шарите и их партнером из Университета Помпеу Фабра в Барселоне, ставят под сомнение это глубоко укоренившееся убеждение в области исследований интеллекта.
Результаты их исследования недавно были опубликованы в журнале Связь с природой.
Используя биологический подход, они построили 650 персонализированных моделей сети мозга (BNM). Они были созданы с использованием данных, собранных в рамках проекта Human Connectome Project, и позволили команде смоделировать процессы, которым подвергается мозг при решении проблем.
Наблюдения за симуляцией мозга сравнивались с эмпирическими данными 650 участников, прошедших так называемый тест на рассуждение с матрицей Пенна (PMAT), состоящий из серии все более сложных задач на сопоставление с образцом. Их результаты были количественно выражены в подвижном интеллекте участников (FI), который можно грубо описать как способность принимать трудные решения в новых ситуациях.
«Мы обнаружили, что людям с более высокими показателями подвижного интеллекта (FI) требовалось больше времени для решения более сложных задач по сравнению с людьми с более низким FI. Они быстрее отвечали только на простые вопросы», — объясняет Петра Риттер из Университета Шарите, старший автор исследования. «Сначала мы наблюдали это в наших симуляциях, и только потом увидели, что эмпирические данные участников, проходящих тесты интеллекта, соответствуют этой тенденции». Лаборатория Риттера и многие другие исследовательские группы в HBP используют моделирование мозга в дополнение к данным наблюдений, чтобы разработать теоретическую основу того, как работает мозг.
В этом случае моделирование мозга использовалось для определения связи между функциональной и структурной связью в мозге и когнитивными способностями. Более синхронизированный мозг лучше решает проблемы, но не обязательно быстрее. «По мере того, как синхронизация снижается, схемы принятия решений в мозгу быстрее делают выводы, а более высокая синхронизация между областями мозга позволяет лучше интегрировать доказательства и более надежную рабочую память», — говорит Риттер. «Интуитивно это не так уж удивительно: если у вас больше времени и вы рассматриваете больше доказательств, вы вкладываете больше средств в решение проблем и находите лучшие решения. Здесь мы не только показываем это эмпирически, но и демонстрируем, как наблюдаемые различия в производительности являются следствием динамических принципов в моделях персонализированных сетей мозга. Таким образом, мы представляем новые доказательства, которые бросают вызов общепринятому представлению о человеческом интеллекте».
Ранее созданные модели локальных цепей рабочей памяти (WM) и принятия решений (DM), важные для интеллекта, были подключены к виртуальному мозгу (TVB), из которых последний обеспечивал моделирование на уровне всего мозга.
Моделирование проводилось с использованием многомасштабного подхода к моделированию мозга; данные визуализации мозга обрабатывались с помощью автоматизированных контейнерных конвейеров. Обработка высокочувствительных данных о мозге происходила в безопасной виртуальной исследовательской среде EBRAINS Health Data Cloud. Эти технологии доступны через EBRAINS мировому исследовательскому сообществу.
Конечная цель исследования состоит не в том, чтобы выяснить, насколько быстро вы должны думать, а в том, чтобы понять, как биологические сети определяют принятие решений для разработки биологических инструментов и роботизированных приложений. Таким образом, моделирование динамики мозга при принятии интеллектуальных решений является многообещающим подходом к созданию интеллектуальных приложений. «Мы думаем, что в будущем биологически более реалистичные модели могут превзойти классический ИИ», — говорит Риттер.
Ссылка: «Изучение того, как структура сети влияет на принятие решений для биологических вычислений», Майкл Ширнер, Густаво Деко и Петра Риттер, 23 мая 2023 г., Связь с природой.
DOI: 10.1038/s41467-023-38626-y