КОГНИТИВИСТИдейное ядро²Прологи
Пролог 65. Нейрон
Прологи: наука о сознании становится точной
Манифест когнитивиста
.
Узелки на распутку
.
Прологи
Пролог 1. Когнитивный порядок
Пролог 2. Сигнатура характерного масштаба
Пролог 3. Степенной закон
Пролог 4. Три типа степенных распределений
Пролог 5. Закон Зипфа, сигнатура β = 1
Пролог 6. Цветные шумы, сигнатура α = 1
.
Пролог 7. Розовый шум и модель Бака-Снеппена
Пролог 8. Розовый шум и модель релаксации
Пролог 9. Розовый шум: шипелки и фрактальное блуждание
Пролог 10. Население городов и закон Зипфа
Пролог 11. Масштабно-инвариантные сети
Пролог 12. Фракталы и закон Зипфа
Пролог 13. Дробление континуума
Пролог 14. Социально-географические волокна
Пролог 15. Закон Зипфа в случайных текстах
Пролог 16. Тексты как фракталы
Пролог 17. Когнитивные фракталы
Пролог 18. β и размерность Хаусдорфа
Пролог 19. Образы когнитивных фракталов
Пролог 20. Когнитивные волокна
Пролог 21. Математика когнитивных фракталов
Пролог 22. Стохастические когнитивные фракталы
Пролог 23. Сравниваем Россию и Польшу
Пролог 24. От Швейцарии до Афганистана
Пролог 25. Гармониум
Пролог 26. Шум когнитивных фракталов
Пролог 27. Шум когнитивных процессов
Пролог 28. Розовый шум в поведении людей
Пролог 29. Шум в динамике зрительного внимания
Пролог 30. Изображения и двухмерный розовый шум
.
Пролог 31. Физическая и когнитивная релаксация
Пролог 32. Когнитивная релаксация и цветные шумы
Пролог 33. ВТОРОЙ ЦИКЛ. Дробление времени
Пролог 34. Когнитивное дробление времени
Пролог 35. Время как текст
Пролог 36. События и причинность
Пролог 37. Четыре причины Аристотеля
Пролог 38. Экзогенные причины
Пролог 39. Генеративные модели причинности
Пролог 40. Генеративные модели причинности, часть 2
Пролог 41. Гештальт-причинность
Пролог 42. Тау-модель
Пролог 43. Я-состояния и тироны
Пролог 44. Параметры тау-модели
.
Пролог 45. Параметры тау-модели, часть 2
Пролог 46. Параллельный тирон
.
Пролог 47. Параллельный тирон, часть 2
Пролог 48. Свойства тирона
.
Пролог 49. Свойства тирона, часть 2
.
Пролог 50. Семейства тирона
Пролог 51. Эволюция как тирон
Пролог 52. Я-состояния и девиации
Пролог 53. Эволюция и морфогенез
Пролог 54. Волокна и легенды
Пролог 55. Волокна и легенды, часть 2
Пролог 56. ТРЕТИЙ ЦИКЛ. Я-состояния и их структура
Пролог 57. Я-состояния и их структура, часть 2
Пролог 58. Спиральная структура
.
Пролог 59. Информация и её типы
Пролог 60. Информация и симметрия
Пролог 61. Информация и закон Вебера-Фехнера
Пролог 62. Натуральная пропорция
Пролог 63. Апекс Я-состояний
.
Пролог 64. Генеративные модели Я-состояния
Пролог 65. Нейрон
Пролог 66. Критические случайные графы
.
Пролог 67. Блохи и табакерки
Пролог 68. Чаши, табакерки и прочее
.
Пролог 69. Интерлюдия
Пролог 70. Гештальт числа e
.
Пролог 71. Гештальт числа e, часть 2
Пролог 72. ЧЕТВЁРТЫЙ ЦИКЛ. Тиронный рост
Пролог 73. Обобщённые процессы
Пролог 74. Обобщённые процессы, часть 2
Пролог 75. Обобщённые процессы и энтропия Реньи
Пролог 76. Дельта-процессы
.
Пролог 77. Дельта-аддитивные процессы
Пролог 78. Дельта-мультипликативные процессы
Пролог 79. Дельта-мультипликативные процессы, часть 2
Пролог 80. Дельта-мультипликативные процессы, часть 3
Пролог 81. Структурно-временной изоморфизм
Пролог 82. Тау-процесс и время
Пролог 83. Знаки состояний
Пролог 84. Мерные знаки и случайное блуждание
.
Пролог 85. Именные знаки и графы состояний
Пролог 86. ПЯТЫЙ ЦИКЛ. Простые числа
Пролог 87. Числа и их компоненты
Пролог 88. Время и простые числа
Пролог 89. Т-информация
Пролог 90. Новый прототип статистики Зипфа
Пролог 91. Новый прототип и гармоническая информация
.
Пролог 92. Не-целочисленные симметрии
Пролог 93. Спектры симметрии
.
Пролог 94. Преобразования симметрий
Пролог 95. Комплексные симметрии
Пролог 96. Cимметрии и структурные модальности
Пролог 97. Симметрии и характерная динамика
Пролог 98. Симметрия, энергия, излучения
Пролог 99. Симметрия системы
Пролог 100. Симметрия континуумов и траекторий
Пролог 101. Симметрия континуумов, часть 2
Пролог 102. Симметрия и масштаб
Пролог 103. Симметрия и вероятность
Пролог 104. Симметрия и вероятность, часть 2
.
Пролог 105. Преобразование симметрии континуумов
Пролог 106. Cимметрия многомерных континуумов
Пролог 107. Опыты с взаимодействием форм
Пролог 108. Опыты с взаимодействием форм, часть 2
Пролог 109. Омега-преобразование
Пролог 110. Омега-линзы
Пролог 110 (2). Омега-линзы, часть 2
Пролог 111. Геометрическое среднее и максимум энтропии
Пролог 112. Мультипликативные коллизии
Пролог 113. Смысл принципа максимума энтропии
Пролог 114. Варианты модели мультипликативных коллизий
Пролог 115. Свойства модели мультипликативных коллизий
Пролог 116. Геометрическая энтропия
Пролог 117. Специальные энтропии. Последний Пролог.
Степенные законы, распределения Парето и закон Зипфа
.
Когнитивный уровень
.
Мерцающие зоны
.
Органическая логика: резюме
Карта органической логики
.
Хвост ящерки. Метафизика метафоры.
.
Опус 1/F
.
Anschauung, научный метод Гёте
.
Закон серийности Пауля Каммерера
.
Ранние признаки критических переходов
.
Слабые сигналы
.
Меметика
.
Системный анализ и чувствительные точки
.
Спиральная динамика
.
Пролог 65. Нейроны
 
Роман Уфимцев
15 ноября 2012 года, Калининград
В предыдущем Прологе мы познакомились с моделью "чаш терпения", которая порождает распределения, совпадающие с распределением персистивности структурных частей Я-состояний. Найти такую модель было не так просто, поскольку структурным организующим принципом Я-состояний является натуральная пропорция, то есть, отношение 1:e-1. Это отношение опирается на основание натуральных логарифмов, число e, иррациональное число, и модель должна была продемонстрировать естественное возникновение иррациональной пропорции в результате действия какого-то простого и понятного механизма.
Таким механизмом оказались "чаши терпения" - объекты, способные аккумулировать внешние "раздражения", стимулы, и обладающие пороговым эффектом. В модели "чаш терпения" структура Я-состояния выглядит как разворачивающаяся цепь подобных объектов, а потому нам важно наработать интуитивное и обобщенное понимание их природы и динамики. Это впоследствии позволит нам выделять такого рода "чаши терпения" в самых разных природных и социальных феноменах.
Так что же такое эти "чаши терпения"? Известны ли науке какие-то объекты, которые обладают сходными свойствами? Конечно, и эти объекты оказываются на удивление близки к "когнитивной" теме, находясь, по сути, в центре внимания современной когнитивной науки.
Нейроны
Это нейроны - клетки, функцией которых, как принято считать, является обработка и передача информации в живых организмах. Способность аккумулировать входящие импульсы и пороговый эффект - это ключевые свойства нейронов, которые создают саму возможность их организации в крупные "мыслящие" комплексы.
Познакомимся кратко с историей и современными представлениями о функционировании нейронов.
Вообще, тот факт, что живые организмы образованы клетками различных типов был установлен ещё в 19-м веке, когда мощности тогдашних микроскопов стало достаточно для наблюдения самых крупных живых клеток. Но вплоть до конца 19-го века биологи спорили о том, существуют ли "мыслящие" клетки или мозг живых организмов представляет собой однородную массу. Проблема состояла в том, что лишь к концу века появились достаточно сильные микроскопы, чтобы обнаружить нейроны. Другой трудностью оказалось особая форма нервных клеток - с многочисленным древовидными разветвлениями, иногда простирающимися на целый метр от крошечного тела самой клетки.
Но к началу 20-го века эти трудности были преодолены и биологи уже представляли в общих чертах, как функционируют нейроны. Уже со времен опытов Вольта, который заставлял дергаться лапу лягушки, пропуская через неё электрический ток, учёные знали, что нервные сигналы - это электрические сигналы. И вот, выяснилось, что у нейронов имеется два типа отростков. Первый тип - дендриты, которые специализируются на приёме электрических импульсов от других нейронов. Кроме того, у каждого нейрона имеется один отросток второго типа - аксон. Часто он гораздо длиннее дендритов (собственно, пучки аксонов и образуют нервы, протягивающиеся по всему телу), и его специализация - передача импульсов от нейрона другим нейронам.
После того, как сложилась эта картина, ключевым вопросом, который до сих пор активно исследуется, стал вопрос о том, как связана интенсивность входящих в нейрон электрических импульсов с выходящим из нейрона сигналом. Прежде всего было ясно, что нейроны обладают пороговым эффектом - это можно было предполагать даже исходя из опытов с легушачьей лапой - плавное увеличение силы тока лишь при превышении некоторого порога вызывает сокращение мышц.
Уточнением занялся французский биолог начала 20-го века Луи Лапик. Он использовал ту же лягушачью лапу, но пропускал ток уже через вскрытый двигательный нерв лягушки. Кроме того, он регулировал напряжение, подаваемое на нерв, а также создал хитроумный агрегат, чтобы подавать ток очень короткими импульсами с регулируемыми периодами между ними (он представлял собой набор контактов, которые замыкались пущенной через них ружейной пулей - Лапик жаловался на то, что во время опытов надышался пороховыми газами). Импульсы были необходимы Лапику, поскольку нейроны обмениваются именно импульсами - короткими всплесками тока.
Лапик обнаружил, что в первом приближении нейроны похожи на простую электрическую систему на основе накопителя тока, конденсатора. Поступающие через дендриты импульсы тока накапливаются в конденсаторе в форме электрических зарядов. Вместе с этим растет напряжение на обкладках конденсатора. Когда напряжение превышает некоторую планку, происходит разряд: нейрон отправляет по своему аксону короткий импульс, а сам возвращается в исходное состояние.
Сегодня эта модель нейрона называется моделью "Integrate-and-fire" (интегрируем и зажигаем), и считается самой простой моделью работы нейрона. Хотя известно, что она не описывает многих тонкостей в поведении реальных нейронов (а потому было придумано много других, гораздо более реалистичных и сложных моделей) она, несомненно, в очень простом виде демонстрирует ключевые свойства нейронов - их способность накапливать "раздражение" и затем, при превышении им некоторого порога, срабатывать, отправляя импульс далее по эстафете.
Полагаю, читатель видит прямую связь между "чашей терпения" и этой простейшей моделью нейрона. Фактически, наши "чаши терпения" - это просто нейроны, которые также как настоящие нейроны накапливают ("интегрируют") входящие стимулы и при превышении определенного порога "срабатывают", отправляя импульс на следующую "чашу терпения".
В этой связи нам будет полезно немного исследовать поведение модели Integrate-and-fire.
Integrate-and-fire
Итак, представим, что у нас есть накопитель зарядов, конденсатор, имеющий ёмкость C. Текущее напряжение на конденсаторе V (применительно к нейронам его обычно именуют "потенциалом нейронной мембраны" или просто "потенциалом") определяется выражением
тут Q - количество накопленных зарядов (не в штуках, в каких-то единицах измерения). Пусть в конденсатор поступает ток I, его величина определяет количество зарядов, прибавляющихся в конденсаторе за единицу времени:
Пусть также при превышении порогового напряжения на конденсаторе происходит разряд, во время которого накопленный им заряд падает до 0, а нейрон отправляет сигнал. Для простоты модели положим, что ёмкость конденсатора C = 1, а также, что пороговое напряжение также равно 1. В этом случае, исходя из первой формулы, пробой конденсатора будет наступать в тот момент, когда количество зарядов на нём Q превысит 1.
Итак, как будет выглядеть динамика накопления заряда и периоды между срабатываниями нейрона? Сначала рассмотрим простейший вариант, когда величина тока неизменна, а значит, прирост числа зарядов на конденсаторе (и рост его напряжения на нём) происходит равномерно. Нетрудно догадаться, что будет происходить в этом случае. Изменение потенциала будет иметь вид регулярной пилы, а срабатывания нейрона будут происходить строго периодично:
Теперь изменим условия. Пусть величина тока - случайна, и в каждый момент времени представляет собой случайное число в диапазоне от 0 до 0.1. Ясно, что в среднем в каждый момент времени потенциал будет возрастать на 0.05 единиц, а значит, в среднем нейрон будет срабатывать раз в 20 единиц времени. Но как в этом случае будут распределяться периоды между срабатываниями? Вот как выглядит это распределение:
Читатель наверняка ожидал увидеть логнормальное распределение, и это действительно оно и есть - красная огибающая линия соответствует логнормальному распределению с показателем σ ≈ 0,126. (По причинам, изложенным в предыдущем Прологе, говоря о параметрах логнормальных распределений, нас мало интересует параметр η, поскольку он зависит от выбора масштаба измерений случайной величины. Напротив, параметр σ не зависит от выбора шкалы измерения.) Чтобы убедиться в том, что распределение логнормальное, а не простое нормальное, как обычно воспользуемся логнормальной вероятностной диаграммой:
В зависимости от разброса входного тока в нейрон эта модель позволяет получать логнормальные распределения периодов между срабатываниями с параметром σ практически от 1/2 и вплоть до 0. Например, в случае, если величина входного тока является равномерно случайной в диапазоне от 0 до 2 (то есть, разброс входного тока превышает пороговый потенциал), мы получаем σ ≈ 0,48. Напротив, если флуктуации входного тока малы и лежат в промежутке от 0 до 0,001, мы получаем σ ≈ 0,013. В последнем случае форма распределения такова, что оно практически не отличается от обычного нормального распределения. Это обстоятельство мы обсудим чуть позже, сравнивая модель нейрона с нашей моделью целевой причинности.
Наконец, в случае, если входной ток имеет случайную величину в диапазоне от 0 до 1, мы получаем модель, точно совпадающую с моделью "чаши терпения". Точно также средний период между импульсами нейрона равен числу e, и точно также средний потенциал нейрона равен 1/e.
Итак, модель нейрона Integrate-and-fire порождает логнормальные распределения периодов между срабатываниями нейрона с параметром σ в диапазоне от 1/2 до 0 - это одна из существенных черт модели, которая является следствием 1) случайной величины входных импульсов, которые получает нейрон, 2) аккумуляции, интеграции заряда, происходящей в нейроне и, 3) существования порога срабатывания нейрона. Каждый из этих факторов является необходимым для получения логнормальных периодов.
Но обладают ли такими свойствами реальные нейроны? Распределяются ли периоды между их срабатываниями логнормально?
Поведение реальных нейронов
Обсуждая модель целевой причинности в её экстремальных режимах, мы уже говорили об исследованиях временных интервалов между нейронными импульсами (interspike intervals). Иногда исследователи сообщают о том, что эти распределения лучше всего соответствуют гамма-распределению. В других случаях опытные данные лучше укладываются на логнормальное распределение (эти распределения по форме иногда весьма близки). Сейчас мы познакомимся с некоторыми свидетельствами, при этом нас особенно будут интересовать параметры распределений, которые получали в своих наблюдениях нейрофизиологи.
В любопытной статье "Probabilistic properties of neuron spiking time-series obtained in vivo" (2001, Bershadskii, etc) излагаются результаты измерений межпиковых интервалов красного тела в мозге крыс, причём опыты проводились в дух контрольных группах - со здоровыми крысами и с "депрессивными" крысами, которые были специально выведены для исследования феномена депрессии. Распределение интервалов у здоровых крыс оказывалось логнормальным (исследователи упоминают о том, что логнормальные распределения вообще являются общепринятым описанием поведения здоровых нейронов):
Распределения представлены в двойных логарифмических координатах, поэтому они выглядят необычно. Сплошная линия соответствует логнормальному распределению - увы, авторы не приводят числовых значений параметров.
В этой же статье приводятся распределения интервалов для не-здоровых крыс, и результат весьма любопытный: распределения имеют гораздо более "тяжелые хвосты" и скорее соответствуют степенной функции с показателем -1:
Обратим внимание, что речь идет о частотных распределениях. Мы говорили, что частотные распределения с показателем -1 являются в некотором роде аномальными, особенными. Таким распределениям отвечает структура спиральных фракталов - и нейроны депрессивных крыс почему-то порождают временные ряды обладающие свойствами таких фракталов. Заметим это - может быть, этот факт нам пригодиться для распознавания аномальных или "больных" Я-состояний.
В статье "Measuring spike coding in the rat supraoptic nucleus" (2003, Bhumbra, Dyball) приводятся результаты измерений периодов между нейронными импульсами для трёх типов нейронов супраоптического ядра гипоталамуса крыс:
Верхний ряд диаграмм показывает частотное распределение интервалов для каждого типа клеток, а нижний ряд диаграмм представляет те же данные в логарифмической шкале периодов. Как видим, в логарифмической шкале распределение имеет вид бимодальных нормальных распределений. Это значит, что исходные данные представляют собой комбинации двух логнормальных распределений. Бимодальность связана с двумя альтернативными режимами работы клеток, но в каждом из них распределение интервалов между пиками оказывается близким логнормальному. К сожалению, авторы также не приводят числовые значения параметров распределений.
В статье "Improved Spike-Sorting By Modeling Firing Statistics and Burst-Dependent Spike Amplitude Attenuation: A Markov Chain Monte Carlo Approach" (2003, Pouzat, etc) исследователи описывают новую теоретическую модель нейрона, которая по их утверждениям генерирует результаты, которые очень близки реальным эмпирическим измерениям межпиковых нейронных интервалов. Эта модель генерирует логнормальные распределения периодов, при этом типичные значения σ лежат в промежутке 0,2-0,5.
В публикации "Beyond Poisson: Increased Spike-Time Regularity across Primate Parietal Cortex" (2009, Maimon, Assad) описываются результаты измерений межпиковых интервалов для нескольких типов нейронов теменной коры приматов. Авторы сообщают, что результаты хорошо соответствуют гамма-распределениям (красные сглаживающие на диаграммах) и приводят числовые параметры соответствующих распределений:
Это дало возможность найти примерные параметры логнормальных распределений, которые приближаются к описываемой авторами статистике, ведь во многих случаях логнормальные распределения сходны с гамма-распределениями. Например, для нижнего ряда опытных данных усредненное гамма-распределение и приближающееся к нему логнормальное распределение весьма близки (красная линия - логнормальное, зеленая - гамма-распределение):
Между параметром формы логнормального распределения σ и параметром формы гамма-распределения k имеется простая связь:
Это выражение получается из анализа свойств генеративной модели целевой причинности, в которой логнормальное и гамма-распределения оказываются двумя родственными результатами. Оно позволяет "переводить" параметры гамма-распределений в параметры ближайшего логнормального распределения и обратно.
Для результатов, приведенных в статье получаем, соответственно, по каждому из четырех нейронов: σ≈1,05, σ≈0,44, σ≈1,3, σ≈0,36.
Итак, хотя доступные научные публикации нейрофизиологов не балуют нас точными значениями параметров, мы можем утверждать, что периоды между срабатываниями реальных нейронов часто распределяются логнормально. Это говорит о том, что даже простейшая модель нейрона Integrate-and-fire в большинстве случаев пригодна для описания существенной динамики реальных нейронов. Значения параметра σ для реальных распределений обычно лежит в диапазоне от 0,2 до 0,5, что находится в диапазоне возможностей модели Integrate-and-fire. Однако, в некоторых случаях реальные распределения заметно отклоняются от логнормальных, приближаясь к гамма-распределениям - в последнем примере это первый и третий ряд. Есть ли подходящая модель у нейрофизиологов - такая, которая могла бы порождать и логнормальные и гамма-распределения? Конечно, есть.
Leaky Integrate-and-fire
Модель Integrate-and-fire хороша своей простотой, однако более реалистичной принято считать модификацию этой модели, которая обозначается как Leaky Integrate-and-fire (Integrate-and-fire с утечкой). В ней между обкладками конденсатора постоянно происходит некоторая утечка зарядов, которая тем больше, чем выше потенциал. Из-за этого в некоторые моменты времени потенциал нейрона может снижаться:
Если утечка велика, модель оказывается в особом режиме работы, когда порождаемые ею распределения приближаются к гамма-распределениям. Например, вот опытное рапсределение, полученное на модели, в которой входной ток имеет случайную величину от 0 до 0.5, а утечка зарядов к каждый момент времени составляет 90% имеющихся:
Итак, модель Leaky Integrate-and-fire действительно может порождать не только логнормальные, но и гамма-распределения, что делает её более реалистичным приближением к реальным нейронам с точки зрения порождаемых ими временных рядов. Однако, если исходная модель Integrate-and-fire сама по себе имеет два управляющих параметра - амплитуду входного тока и пороговый потенциал, то в модели Leaky Integrate-and-fire прибавляется ещё один - коэффициент утечки. То есть мы имеем уже довольно сложную конструкцию. (Разумеется, это не предел - нейрофизиологи придумали и ещё более "реалистичные" модели нейронов, в которых параметров ещё больше.)
Но если, как стараемся поступать мы, считать простоту ориентиром, то какая бы модель могла быть более простой альтернативой Leaky Integrate-and-fire? Можно ли описать поведение реальных нейронов, обходясь не тремя, а двумя модельными параметрами?
Ответ положительный. Речь идёт о модели целевой причинности (она же когнитивная экзогенная), которая имеет всего два управляющих параметра и при этом может порождать не только логнормальные, но и гамма-рнаспределения.
Нейрон и целевая причинность
По своей простоте модель целевой причинности подобна модели Integrate-and-fire, и вообще похожа на неё, но различается с ней в одном тонком и интересном моменте:
В модели Integrate-and-fire в каждый момент времени происходит прирост потенциала нейрона на случайную величину. Когда потенциал достигает порогового значения, нейрон срабатывает.
В модели целевой причинности в каждый момент времени частица может сдвинуться к цели на один шаг, но этот сдвиг происходит с большей или меньшей вероятностью. Когда частица всё же проходит заданное число шагов, цикл работы модели завершается.
В обоих моделях имеется предел или порог, которого должен достигнуть растущий потенциал или движущаяся частица. Но в первом случае потенциал прирастает обязательно в каждый момент времени - хотя и на случайную величину. А во втором случае прирост (длина шага) всегда одинаков, но он случается лишь с некоторой вероятностью - и это может сперва показаться несущественной разницей. И действительно, в обоих случаях можно говорить о некоторой средней дистанции, которую будет проходить потенциал или частица по направлению к порогу за единицу времени - в первом случае она равна среднему значению входящего в нейрон тока, во втором - вероятности сдвига частицы. Далее, при типичных значениях параметров обе модели порождают логнормальные распределения периодов между циклами. Однако, модель нейрона Integrate-and-fire не способна порождать гамма-распределения, а модель целевой причинности - порождает их при условии не слишком большой дистанции до цели и при низкой вероятности сдвига частицы. Это значит, что она обладает большей описательной способностью, чем модель Integrate-and-fire, и говоря о нейронах её можно использовать в качестве альтернативы более сложной Leaky Integrate-and-fire.
У модели целевой причинности есть лишь один недостаток с этой точки зрения - ей труднее придать простой "электрический" смысл - а именно электрохимическими процессами нейрофизиологи привыкли объяснять поведение нейронов. Однако, мы не нейрофизиологи, и совсем не намерены ставить модель целевой причинности на "электрохимические лыжи".
Мы поступим прямо противоположным образом - мы будем считать нейроны яркой биологической (и поэтому биологически специфической) реализацией "агрегатов целевой причинности". Подобные агрегаты существуют повсюду, где действует целевая причинность, и живой нейрон является лишь удобным и наглядным примером объекта, подчинённого универсальному принципу целевой причинности. Для нас это иллюстрация, которая добавит наглядности в наши представления о структуре Я-состояний, ведь каждая структурная часть Я-состояния, если опираться на модель "чаш терпения", является "агрегатом целевой причинности", подобным живому нейрону.
Итак, нейроны - это "целевые агрегаты". Это устройства, обеспечивающие живой организм возможностью широкого целесообразного поведения в сложной среде. Каждый нейрон контролирует движение параметров организма и окружающей среды к некоторому порогу или цели и запускает следующие звенья целесообразного, адаптивного поведения организма.
Но аккумуляция и пороговые эффекты существуют и в других типах клеток - не только нейронах. И конечно, условия для появления "целевых агрегатов" возникают не только на уровне клеток, но и на более высоких уровнях биологической организации. Это означает, что процессы целесообразной координации, которые мы именуем "мышлением", присущи не только нейронным системам, но и вообще системам живых клеток.
Далее, свои "целевые агрегаты" существуют в социальных организмах, и даже в неживой природе - и модель целевой причинности показывает нам их необходимое окружение и устройство: это 1) стохастически сложная среда, 2) возможность аккумуляции, и 3) существование порога. Там где выполняются три условия, возникает целевая причинность и целесообразное поведение феноменов вне зависимости от их природы.
Прологи следуют.
Ваш комментарий
image Поля, отмеченные звездочкой, нужно обязательно заполнить
Заголовок комментария:
image Текст комментария: (не более 2000 символов, HTML-разметка удаляется)
image Ваше имя:
Ваш E-mail:
image Сколько будет дважды два? (ответьте цифрой, это проверка от спам-рассылок)
Отправить комментарий
Главные темы
Внимание (8)Геогештальт (1)Гештальт (16)Динамика внимания (5)Инсайт (5)Интуиция (2)Кибернетика (5)Когнитивное управление (6)Когнитивный анализ (4)Когнитивный словарь (5)Культура наблюдения (5)Мерцающие зоны (7)Метафизика (3)Метафора (13)Механизмы восприятия (15)Мифы и парадигмы (7)Органическая логика (5)Прогнозирование (6)Роль языка (4)Симметрии (5)Синхронизмы (5)Сложные системы (10)Степенной закон (8)Творческое мышление (5)Три уровня систем (4)Управление знаниями (3)Фазы развития (7)Фракталы (18)Цветные шумы (9)
КОГНИТИВИСТ: когнитивные методы и технологии © Роман Уфимцев, при поддержке Ателье ER