Что такое интуиция на самом деле? Первая карта мозга показывает, как работает чутьё

Пост опубликован в блогах iXBT.com, его автор не имеет отношения к редакции iXBT.com
| Мнение | Наука и космос

Знакомо чувство, когда вы, не успев подумать, делаете выбор, который кажется единственно верным? Или когда внутренний голос настойчиво шепчет: «Сюжет повернётся именно так». Мы называем это интуицией, шестым чувством, чутьём. Долгое время это явление обитало на границе психологии и мистики. Но что, если интуиция — это не загадочный дар, а отточенный до совершенства механизм работы нашего мозга?

Недавнее исследование, ставшее плодом беспрецедентного сотрудничества двенадцати лабораторий, впервые позволило создать полную карту мозговой активности млекопитающего в момент принятия решения. И результаты оказались куда более ошеломляющими, чем просто красивая картинка работающих нейронов. Они заставляют нас по-новому взглянуть на то, как мы думаем, как воспринимаем реальность и что на самом деле скрывается за нашими «спонтанными» озарениями.

«Шестое чувство», абстрактная интерпретация
Автор: ИИ Copilot Designer//DALL·E 3 Источник: www.bing.com
«ЦЕРН для мозга»: как заглянуть в мысли мыши

Прежде всего, стоит осознать масштаб проделанной работы. Десятилетиями нейробиология сталкивалась с фундаментальным ограничением: заглянуть в мозг можно было лишь «через замочную скважину». Один электрод регистрирует активность лишь небольшой группы нейронов, а превратить живое существо в «подушечку для иголок» невозможно. Чтобы обойти эту проблему, учёные пошли по пути физиков-ядерщиков, создавших ЦЕРН. Они объединили усилия, создав своего рода «ЦЕРН для нейробиологии».

В каждой из двенадцати лабораторий мыши выполняли одну и ту же задачу: с помощью крошечного руля из Lego они должны были переместить полосатую мишень на экране. Сложность заключалась в том, что контрастность мишени менялась. Иногда она была видна чётко, а иногда практически сливалась с фоном, заставляя животное полагаться не на зрение, а на свой предыдущий опыт. Экспериментаторы намеренно создавали «предвзятость», заставляя мишень чаще появляться с одной стороны экрана.

Каждая лаборатория регистрировала активность в своей зоне мозга, но с перекрытиями для калибровки данных. В итоге, собрав воедино мозаику из более чем 650 000 нейронов, учёные получили то, чего не видел ещё никто — целостную динамическую картину сложнейшего когнитивного процесса.

a. Схема задачи IBL и блочная структура примера сессии. b. Временная шкала событий и анализируемые переменные. Цвета используются на других рисунках. c. Распределение времени между появлением стимула и первым движением колеса (интерпретируемым как время реакции) по данным 459 сессий. Распределение усечено на отметках 80 мс и 2 с. В общей сложности 22,8% случаев первого движения колеса произошли ранее 80 мс (не показано). d. Доля правильных выборов (вверху) и время первого движения колеса (внизу) при заданной контрастности стимула (одна точка на мышь на значение контрастности). Результативность в пробах с 0% контрастностью (серый) составила 58,7 +- 0,4% правильных ответов (среднее +- s.e.m. по всем мышам). Данные получены для 139 мышей и 454 сессий. e. Доля правильных выборов в зависимости от количества проб до конца сессии для проб с 0% (серый) и ненулевой (чёрный) контрастностью (среднее +- s.e.m. по всем мышам). f. Тот же анализ для времени первого движения колеса. g. Реверсивные кривые. Доля правильных выборов вблизи момента смены блока для проб с 0% контрастностью и контрастностью >0% (среднее +- s.e.m. по всем мышам; за исключением первых 90 несмещённых проб). h. Психометрические кривые. Доля правильных выборов при заданной контрастности со знаком (положительной для стимулов справа и отрицательной для стимулов слева) для всех мышей (одна точка на мышь на значение контрастности). Выборы вправо были более частыми в правых (красный) блоках и менее частыми в левых (синий), с P_right = 0.8 и P_right = 0.2, соответственно. i. Временные ряды и информация о пробах для трёх примеров: выходные данные поворотного энкодера колеса, видеоанализ и спайковые растры по нескольким областям мозга. Рисунки организованы в соответствии со стилем IBL (https://github.com/int-brain-lab/ibl-style/tree/main). Схема на рисунке a адаптирована из источника [23], eLife, по лицензии Creative Commons, CC BY 4.0. цитирование: International Brain Laboratory., Angelaki, D., Benson, B. et al. A brain-wide map of neural activity during complex behaviour. Nature 645, 177-191 (2025). https://doi.org/10.1038/s41586-025-09235-0
Автор: International Brain Laboratory. Источник: www.nature.com
Решение — это не точка, а процесс

Первый миф, который развеяло исследование, — это идея о существовании некоего «центра принятия решений». Мы привыкли думать, что где-то в префронтальной коре есть условная «красная кнопка», на которую нажимает наш внутренний генеральный директор. Реальность оказалась сложнее и элегантнее.

Карта активности показала: в принятии решения участвуют десятки областей мозга. Это не команда одного начальника, а скорее гул целого парламента, где разные фракции (зоны мозга) взвешивают аргументы и постепенно приходят к консенсусу. Процесс не локализован, он распределён по всей нейронной сети.

a. Траектории зондов Neuropixels на схематическом 3D-изображении мозга. В общей сложности было выполнено 699 введений зондов у 139 мышей. b. Для каждой области показаны число зарегистрированных нейронов (полная длина столбца) и число хорошо изолированных нейронов, использованных для анализа (закрашенная часть); для справки: чёрная линия на каждом столбце показывает 10% от числа зарегистрированных нейронов, что соответствует среднему числу хорошо изолированных нейронов. В той же таблице приводится так называемая иерархическая группировка областей Cosmos, которая различает изокортекс, обонятельные области (OLF), гиппокампальную формацию (HPF), кортикальную субпластинку (CTXsp), церебральные ядра (CNU), таламус (TH), гипоталамус (HY), средний мозг (MB), задний мозг (HB) и мозжечок (CB). Цветные текстовые метки областей мозга используются на других рисунках. c. Flatmap одного полушария с указанием акронимов, используемых для обозначения областей. цитирование: International Brain Laboratory., Angelaki, D., Benson, B. et al. A brain-wide map of neural activity during complex behaviour. Nature 645, 177-191 (2025). https://doi.org/10.1038/s41586-025-09235-0
Автор: International Brain Laboratory. Источник: www.nature.com

Более того, «решение» начинает формироваться задолго до того, как мышь повернёт руль. Сигналы, соответствующие будущему выбору, нарастали в мозге ещё в состоянии покоя, до появления стимула. Они постепенно накапливались, словно вода в плотине, и лишь по достижении определённого порога приводили к физическому действию. Это фундаментально меняет наше представление о выборе: он не происходит в один момент, а вызревает в глубинах нейронных сетей.

Предвзятый мозг: как опыт формирует реальность

Но самое поразительное открытие ждало исследователей на самом «входе» информации. Оказалось, что наши ожидания и прошлый опыт влияют на восприятие ещё до того, как мы успеваем что-либо осознать.

a. Байесовски-оптимальный прайор в сравнении с прайором, декодированным из активности ORBvl в одной сессии. b. Карты Свонсона для кросс-валидированного R² для значимых областей (см. Методы). Слева — карта Ephysis. Справа — объединённые данные Ephysis и WFI. Область считается значимой, если комбинированный P-критерий Фишера на левой карте < 0,05 и она проходит поправку Бенджамини-Хохберга (уровень ложных открытий 1%) на правой. DN, зубчатое ядро; MOp, первичная моторная кора; PAG, околоводопроводное серое вещество; PPN, педункулопонтинное ядро; PRNc, каудальная часть ретикулярного ядра моста; PRNr, ретикулярное ядро моста. c. Результаты Ephysis в сравнении с WFI для дорсальной коры. Все области значимо кодируют байесовски-оптимальный прайор в данных WFI (комбинированный P-критерий Фишера < 0,05). Синий — значимо; оранжевый — не значимо; серый — не декодировано из-за отсутствия данных, прошедших контроль качества (см. Методы); белый — не декодировано из-за отсутствия записей или потому, что область не входила в рамки анализа (хотя в WFI регистрировались оба полушария, здесь декодировано только левое для сопоставления с Ephysis). d. Скорректированный R² для Ephysis и WFI значимо коррелирует (цветовая схема показана на Расширенном рисунке 5b; затенение показывает 95% доверительные интервалы). e. Доля выборов вправо в пробах с нулевой контрастностью в сравнении с кросс-валидированным декодированным байесовски-оптимальным прайором из нейронной активности; более высокие значения декодированного прайора связаны с большим числом выборов вправо (см. Методы; затенение показывает s.e.m.). f. Скорректированный R² для декодирования прайора из нейронной активности коррелирует со скорректированным R² для декодирования остаточного прайора (прайор минус прайор, декодированный из DLC), что указывает на то, что прайор, декодированный из нейронной активности, не объясняется моторными признаками из DLC (цветовая схема приведена на Расширенном рисунке 5a; затенение показывает 95% доверительные интервалы). g. Граф по Грейнджеру на уровне Cosmos (см. Методы и Расширенный рисунок 5) в Ephysis, показывающий двунаправленный поток априорной информации между подкорковыми и корковыми областями. Слева: направленные пары, нацеленные на VISp в данных WFI, выявляют значимую обратную связь от областей высшего порядка (серые круги) к ранним сенсорным областям. h. Доля значимых направленных пар, образующих петли размером 3 (оранжевая пунктирная линия), в WFI (вверху) и Ephysis (внизу). Поток априорной информации образует больше петель, чем ожидается при случайном распределении (синее нулевое распределение). Цитирование: Findling, C., Hubert, F., International Brain Laboratory. et al. Brain-wide representations of prior information in mouse decision-making. Nature 645, 192-200 (2025). https://doi.org/10.1038/s41586-025-09226-1
Автор: International Brain Laboratory. Источник: www.nature.com

Сигналы от глаз мыши, едва начав свой путь в таламус — своего рода «диспетчерскую» мозга, — уже были изменены! Мозг, основываясь на опыте (например, «в последнее время мишень чаще появляется слева»), заранее «подкрашивал» входящую зрительную информацию. Он не просто пассивно получал картинку мира, а активно интерпретировал её, исходя из своих убеждений.

Именно здесь, по мнению учёных, и может скрываться нейробиологическая основа интуиции. То, что мы ощущаем как «внутреннее знание» или «предчувствие», на самом деле — результат молниеносной и неосознанной обработки данных, уже искажённых нашим прошлым опытом. Наш мозг — это машина для предсказаний. Он постоянно строит модель мира и, сталкиваясь с неполной информацией (как в случае с низкоконтрастной мишенью), заполняет пробелы наиболее вероятным, с его точки зрения, сценарием. Этот процесс настолько быстр и глубок, что до нашего сознания доходит уже готовый результат — то самое «чутьё».

Как отмечает Лоуренс Хант из Оксфорда, особенно интригует то, что мозг формирует ожидания не только на основе объективных событий, но и на основе наших собственных прошлых выборов. Иными словами, мы видим то, что ожидаем увидеть, потому что мы привыкли так действовать. Наш субъективный опыт становится фильтром, через который мы смотрим на мир.

a. Частота модели и вероятности превышения для трёх моделей субъективного прайора с использованием посессионной перекрёстной валидации на 107 мышах (≥2 сессий; см. Методы; планки погрешностей показывают стандартное отклонение (s.d.)). Наилучшая модель включает фильтрацию недавних действий с помощью экспоненциального ядра. Act. kernel, ядро действий; Bayes opt., байесовски-оптимальная модель; Stim. kernel, ядро стимулов. b. Константа затухания для модели ядра действий по всем сессиям и животным (светло-фиолетовый; медиана = 5,45 проб, пунктирная линия). Показана доля правильных ответов для модели ядра действий в зависимости от константы затухания (тёмно-фиолетовый). Медианная константа затухания для проб соответствует оптимальной результативности, достижимой с помощью модели ядра действий, и лишь на 1,9% ниже байесовски-оптимальной результативности. c. Результативность в пробах с нулевой контрастностью в зависимости от того, было ли предыдущее действие правильным или неправильным, для поведенческих моделей и поведения животных. Справа — тот же анализ для симулированного агента, использующего байесовски-оптимальный прайор, декодированный из нейронных данных (нейронный прайор), для генерации решений. Снижение результативности после правильных и неправильных предыдущих проб для нейронного прайора предполагает, что модель ядра действий лучше объясняет нейронную активность, что согласуется с поведением. Вверху — данные WFI; n = 51 сессия. Внизу — данные Ephysis; n = 139 мышей. Статистический анализ проводился с использованием критерия знаковых рангов Уилкоксона. Планки погрешностей показывают стандартную ошибку среднего (s.e.m.). d. Нескорректированный R² выше при декодировании прайора на основе ядра действий по сравнению с декодированием байесовски-оптимального прайора во время межпробного интервала (ITI), для данных, полученных методами Ephysis и WFI. Статистический анализ проводился с использованием критерия знаковых рангов Уилкоксона. e. Вес предыдущих действий (фиолетовый) и предыдущих стимулов (жёлтый) в декодированном байесовски-оптимальном прайоре, оценённом по нейронной активности (слева — Ephysis; справа — WFI). Пунктирные линии показывают 95-й перцентиль нулевого распределения (см. Методы). f. Корреляция между нейронными обратными константами затухания (оценивающими временную зависимость нейронных сигналов от предыдущих действий) и поведенческими обратными константами затухания (полученными путём подгонки модели ядра действий к поведению). Данные как Ephysis, так и WFI показывают корреляции (двусторонний критерий Пирсона; см. Методы; затенение показывает 95% доверительные интервалы). NS, не значимо; *P < 0,05, ***P < 0,001. Цитирование: Findling, C., Hubert, F., International Brain Laboratory. et al. Brain-wide representations of prior information in mouse decision-making. Nature 645, 192-200 (2025). https://doi.org/10.1038/s41586-025-09226-1
Автор: International Brain Laboratory. Источник: www.nature.com
Свобода воли под вопросом?

Естественно, такие выводы не могли не затронуть вечный философский вопрос о свободе воли. Если мозг предопределяет реакцию ещё до осознанного выбора, и если наше восприятие заранее искажено опытом, свободны ли мы в своих решениях?

Александр Пуже, один из авторов работы, даёт довольно прямой ответ: мозг и окружающий мир — это детерминированная система. Физические законы, управляющие нейронами, неумолимы. Зная все начальные условия, можно с определённой долей вероятности предсказать будущее решение.

a. Средняя доля значимых направленных пар между двумя областями, отражающих прайор по всем сессиям. При рассмотрении всех пар областей, значимо кодирующих прайор и для которых проводились одновременные записи, мы обнаружили, что информация значимо передавалась между 71% этих пар в данных Widefield-визуализации и 36% в данных Ephysis. Синие гистограммы: нулевое распределение. b. Средняя доля значимых направленных пар (A -> B), для которых в той же сессии существует реципрокная (обратная) связь (B -> A); мы обнаружили, что это происходит в 38% случаев в данных Widefield и в 11% в данных Ephysis. Синие гистограммы: нулевое распределение (как на Рис. 2h). c. Гистограмма, показывающая количество сессий для каждой направленной пары, и круговая диаграмма, показывающая долю наблюдаемых направленных пар (пары, направленные по крайней мере в одной сессии) в сравнении с ненаблюдаемыми парами. Справа: в данных Ephysis при общем количестве 242 наблюдаемых областей возможное число пар составляет 242 x 241 = 58 322. Из них примерно 10% направленных пар были зарегистрированы одновременно, но подавляющее большинство (75%) этих пар наблюдалось в двух или менее сессиях, что подчёркивает их редкость. Слева: данные Widefield представляют собой более богатый набор данных, поскольку 32 области регистрировались одновременно, что позволяет нам анализировать в общей сложности 992 возможные направленные пары (32 x 31), большинство из которых доступны во всех сессиях. d. Слева: полная карта связности из данных Ephysis (p < 0,05 без поправки на множественные сравнения). При введении поправки на множественные сравнения ни одна из связей не остаётся значимой. Этот недостаток значимости после поправки, вероятно, связан с разреженной природой наблюдений в данных Ephysis (см. панель c). Справа: карта связности в Ephysis на уровне областей Cosmos (p < 0,05 с поправкой Бонферрони). P-значения для пар областей агрегированы на уровне Cosmos с использованием критерия Фишера (см. Методы, как на Рис. 2g, слева). e. Слева: полная карта связности из данных Widefield (p < 0,05 с поправкой Бонферрони). Граф имеет высокую плотность связей и, следовательно, труден для интерпретации. В центре: частичная карта связности из данных Widefield, выделяющая значимые направленные пары, проецирующиеся на первичную зрительную кору (VISp), как показано на Рис. 2g (справа). Мы обнаруживаем обратные связи от областей высшего порядка, таких как моторная кора (MOs), вентральная ретросплениальная кора (RSPv), прелимбическая кора (PL) и передняя поясная кора, дорсальная часть (ACAd) — эти области отмечены серыми кругами для акцента — к ранней сенсорной области, первичной зрительной коре (VISp). f. Слева: доля сессий, демонстрирующих значимые реципрокные соединения (A->VISp->A) в тех сессиях, где байесовски-оптимальный прайор мог быть значимо декодирован как из VISp, так и из ранее определённых областей высшего порядка (MOs, RSPv, PL и ACAd). Размер стрелки пропорционален этому проценту. Наши результаты указывают на существование реципрокных соединений в этих сессиях: 33,3% между MOs и VISp, 16,7% между ACAd и VISp, 20% между PL и VISp и 18,75% между RSPv и VISp. Цитирование: Findling, C., Hubert, F., International Brain Laboratory. et al. Brain-wide representations of prior information in mouse decision-making. Nature 645, 192-200 (2025). https://doi.org/10.1038/s41586-025-09226-1
Автор: International Brain Laboratory. Источник: www.nature.com

Однако это не повод для фатализма. Ключевое слово здесь — «окружающий мир». Он постоянно меняется, поставляя новую информацию. Эта непредсказуемость внешних событий не позволяет системе быть полностью замкнутой. Мы постоянно обновляем наши «внутренние карты» и корректируем ожидания. Таким образом, хотя работа мозга подчиняется строгим законам, его взаимодействие с хаотичной реальностью создаёт пространство для вариативности и того, что мы ощущаем как свободу выбора.

Это исследование — не просто шаг вперёд для нейробиологии. Это окно в самые основы нашего познания. Оно показывает, что наша реальность — это не пассивное отражение мира, а активный конструкт, создаваемый нашим мозгом на основе прошлого. А интуиция — не магия, а высшее проявление эффективности этого удивительного механизма. И понимание этого механизма в будущем может помочь в лечении таких состояний, как аутизм, при котором, как предполагается, нарушена именно способность гибко обновлять свои внутренние модели мира.

Сейчас на главной

Новости

Публикации

Как клетка решает, частью чего она станет: геометрия восстанавливает траектории развития организма

С одной стороны, технологии позволяют нам заглянуть внутрь каждой отдельной клетки и прочитать ее генетический код. С другой — эти данные статичны. Мы получаем миллионы моментальных...

✦ ИИ  Почему между казино и торговым центром так много общего: как архитектура управляет вашим временем

Современный торговый центр и казино объединяет гораздо больше, чем может показаться на первый взгляд. И дело не только в том, что и там, и там посетители расстаются с деньгами — хотя и...

Как смартфоны защищают от воды, и почему влагозащите нельзя верить

Статистика неумолима: пользователи не расстаются со своими гаджетами даже в туалете, где риск случайного падения в воду особенно высок. Не говоря уже о внезапных ливнях, заставших вас в километре...

Обзор Baseus NOMOS Qi2 5-in-1 140 Вт (CCNMS140): компактная зарядная станция с мониторингом питания

Baseus NOMOS Qi2 5-in-1 — это настольная зарядная станция, которая пытается решить главную проблему современного человека: как зарядить все гаджеты одновременно, не превращая рабочий...

Обзор Rapoo XD101 – плюс 10 разъемов к ноутбуку

Нынешние лэптопы стремятся к максимальной изящности и малому весу, однако такая компактность неизбежно приводит к дефициту интерфейсов. Зачастую пользователю предлагается лишь пара портов USB-C,...