Начнем с фундаментального отличия: кремниевая нейросеть лишена органических компонентов — в ней нет тау-белка, формирующего патологические бляшки, и других биологических субстратов дегенерации. Даже когда модель начинает «глючить» из-за переполнения контекстного окна, это не имеет ничего общего с деменцией — природа этих сбоев принципиально иная. Ожидать, что искусственный интеллект в ходе диалога спонтанно «заболеет» в человеческом понимании, не стоит.
Тем не менее, для нейробиологов ИИ — идеальный полигон для моделирования подобных процессов. Если взять обученную нейронную сеть и систематически нарушать её структуру, она начинает деградировать по сценариям, пугающе похожим на клиническую картину неврологических заболеваний. Свежие следы памяти стираются раньше давних, а частные концепции утрачиваются быстрее общих. Более того, модель воспроизводит эффект «скрытого накопления»: симптомы долго остаются незаметными, пока не наступает внезапный критический обвал системы.
Этот метод вычислительной нейробиологии существует уже более трех десятилетий. Давайте разберемся, как именно он работает и почему он ценен для науки.
О чем мы не будем спорить
Часто термин «забывание» в ИИ связывают с катастрофическим забыванием (catastrophic forgetting) — явлением, при котором дообучение модели новой задаче полностью стирает предыдущие знания.
Это фундаментальное ограничение машинного обучения, вызванное радикальным переписыванием синаптических весов при адаптации к новым данным.
Это важная техническая проблема, но она не имеет отношения к нашему вопросу. Это лишь аналог перезаписи информации на носителе. Мы же рассматриваем иной сценарий: берем корректно работающую систему и физически разрушаем ее архитектуру — обрываем связи, снижаем веса, подавляем сигналы. Это прямое отображение нейродегенерации, при которой клетки и синапсы гибнут физически.
Задача исследователя заключается в следующем: если спровоцировать в сети деструкцию, аналогичную биологической, повторит ли модель паттерны поведения реальных пациентов? Как показывает практика — да, повторит.
Почему ИИ — подходящая модель для изучения болезней мозга
Искусственные нейросети изначально проектировались по образу и подобию биологических структур, состоящих из пирамидальных нейронов. Современные глубокие модели не просто вдохновлены мозгом — они с высокой точностью предсказывают паттерны активности зрительной коры приматов. В решении узких задач алгоритмы и биологические нейроны действуют удивительно схожим образом.
Из этого вытекает следующий шаг: если здоровая модель имитирует здоровый участок мозга, то «поврежденная» становится инструментом исследования патологий. Главное преимущество модели — абсолютная контролируемость. Мы можем выборочно удалить N% связей, «откатить» прогрессию назад или прогнать тысячи сценариев за несколько часов. С живым организмом подобные эксперименты по этическим и техническим причинам невозможны.
|
Критерий |
Биологический мозг |
Искусственная сеть |
|
Удаление конкретного % связей |
Невозможно |
С точностью до синапса |
|
Откат повреждений |
Нет |
Да |
|
Масштабирование экспериментов |
Нет |
Сотни симуляций за вечер |
|
Полный контроль нейронов |
Нет |
Полный доступ к параметрам |
|
Воспроизводимость состояния |
Нет |
Через фиксацию seed |
|
Анализ причин сбоя |
Крайне затруднен |
Прозрачный механизм |
Каталог готовых ИИ-моделей
Сервис для запуска и управления LLM в облаке Selectel. Выберите модель, конфигурацию и получите готовый эндпоинт для работы с ней.
Классика: болезнь Альцгеймера на сетях Хопфилда
Пионерами этого направления в 1993 году стали Дэвид Хорн и Эйтан Руппин. Они использовали сеть Хопфилда — простую модель ассоциативной памяти, способную восстанавливать исходный образ по его фрагментам. Суть эксперимента заключалась в имитации компенсаторных механизмов мозга: при гибели части синапсов оставшиеся связи усиливаются, чтобы компенсировать дефицит сигнала.
Результаты оказались поразительными: компенсация эффективно маскировала повреждения. Сеть функционировала почти без ошибок, пока деградация не достигала критической точки, после которой система обрушивалась мгновенно. Это объясняет, почему количество амилоидных бляшек при болезни Альцгеймера слабо коррелирует с тяжестью ранних симптомов: мозг долго скрывает дефекты за счет внутренних резервов, которые рано или поздно исчерпываются.
Приведу пример кода для демонстрации этого эффекта (с добавлением шума, так как без него компенсация не проявляет себя в полной мере):
import numpy as np
rng = np.random.default_rng(7)
N, P, NOISE, TRIALS, SWEEPS = 200, 8, 0.20, 60, 12
BETA = 2.2 # коэффициент температурного шума
patterns = rng.choice([-1, 1], size=(P, N))
W0 = (patterns.T @ patterns) / N
np.fill_diagonal(W0, 0.0)
def recallquality(W):
qs = []
for in range(TRIALS):
idx = rng.integers(P)
xi = patterns[idx]
s = xi.copy()
flip = rng.choice(N, size=int(NOISE N), replace=False)
s[flip] = -1
for _ in range(SWEEPS):
for i in rng.permutation(N):
h = W[i] @ s
p = 1.0 / (1.0 + np.exp(-2 BETA h))
s[i] = 1 if rng.random() < p else -1
qs.append(max(np.dot(s, xi) / N, 0))
return np.mean(qs)
def delete(W, d):
m = rng.random((N, N)) > d
m = np.triu(m, 1); m = m + m.T
return W * m
for d in [0.0, 0.3, 0.5, 0.7]:
Wd = delete(W0, d)
print(f"{d*100:3.0f}% удалено | без компенс.: {recall_quality(Wd):.2f}"
f" | с компенс.: {recall_quality(Wd/(1-d)):.2f}")
|
Потери связей |
Качество (без компенсации) |
Качество (с компенсацией) |
|
0% |
0,90 |
0,94 |
|
30% |
0,49 |
0,88 |
|
50% |
0,22 |
0,85 |
|
70% |
0,04 |
0,60 |
Данные подтверждают теорию: без компенсации показатели падают стремительно, тогда как «адаптивная» сеть сохраняет работоспособность до последнего, удерживая сигнал над порогом шума.
Семантическая деменция: иерархия забывания
При изучении семантической деменции исследователи используют архитектуры типа «хаб и спицы», где периферийные модули отвечают за восприятие, а центральный хаб — за концептуализацию. Повреждение «хаба» приводит к тому, что специфические признаки стираются раньше общих: пациент перестает различать конкретные виды собак, затем путает животных в целом, и в конце концов утрачивает семантическую связь с объектом. Тот факт, что искусственная сеть воспроизводит эту иерархическую деградацию, служит весомым аргументом в пользу правильности наших представлений об организации человеческой памяти.
Современные глубокие сети
В последние годы исследователи применяют этот подход к сверточным нейросетям. Например, моделируя заднюю корковую атрофию, ученые обнаружили, что повреждение связей в глубоких слоях приводит к иерархическому падению навыков распознавания объектов. Свежие работы 2025 года интегрируют концепцию нейропластичности, позволяя поврежденным сетям «дообучаться» в обход дефектов, что гораздо ближе к процессам восстановления мозга.
Твист: чат-боты против MoCA
Интерес вызвала недавняя публикация, в которой языковые модели (LLM) прошли Монреальский когнитивный тест (MoCA) для диагностики деменции. Результаты показали, что модели «демонстрируют признаки снижения». Однако относиться к этому стоит с долей иронии: чат-боты не стареют, а их провал в задачах на пространственное воображение (рисование часов и т.д.) обусловлен архитектурными ограничениями, а не патологией. Это скорее наглядный урок того, что диагностические инструменты, созданные для людей, могут быть неприменимы к ИИ, и наоборот.
Практическая польза для людей
Зачем мы «ломаем» нейросети? Ответ очевиден: это песочница для быстрой проверки гипотез. Понимание того, как и когда истощается компенсаторный ресурс системы, дает нам количественный инструмент для прогнозирования прогрессии заболеваний. Это также помогает осознать «слепые зоны» ИИ, которые мы планируем привлекать к диагностике в реальной медицине.
Пределы метода
Важно помнить, что мы имеем дело лишь с математической аналогией. Искусственная сеть — это упрощенная карикатура, лишенная биологической сложности (химии, нейрохимии, динамики белков). Мы не лечим Альцгеймер с помощью ИИ, но мы получаем ценные подсказки о том, в каком направлении следует вести фундаментальные исследования.
А какие человеческие когнитивные искажения или неврологические расстройства, по вашему мнению, было бы интересно смоделировать с помощью нейросетей?