راز تکامل مغز: رقابت نقشه های قشری و شبکه های لیمبیک

تصویر قدیمی از مغز شما به شکل توده‌ای مرتب، با غرایز باستانی در پایین و استدلال مدرن در بالا، در حال فرو ریختن است. این تصور منظم به نظر می‌رسید و با شهود ما جور درمی‌آمد. اما پژوهش تازه‌ای از جورجیا تک این تصویر را به چالش می‌کشد و پرسشی متفاوت پیش می‌گذارد: اگر تکامل مغز کمتر به لایه‌ها مربوط باشد و بیشتر به سیم‌کشی عصبی و بده‌بستان‌های زیستی وابسته باشد، چه؟

پژوهشگرانی به سرپرستی نبیل امام رویکردی تطبیقی در پیش گرفتند، ساختار مغز را در ۱۸۲ گونه بررسی کردند و ایده‌های خود را در شبکه‌های عصبی مصنوعی آزمودند. نتیجه این مطالعه که در نشریه Science Advances منتشر شده، بخش‌های اصلی مغز را نه به عنوان ماژول‌هایی جداافتاده، بلکه به عنوان راهبردهای رقیب در سیم‌کشی مغز بازتعریف می‌کند؛ راهبردهایی که هم‌زمان با سازگاری گونه‌ها با محیط خود، گسترش می‌یابند یا کوچک می‌شوند.

نئوکورتکس را مانند نقشه‌ای دقیق و با دقت ترسیم‌شده تصور کنید. اندام‌های مجاور بدن و ورودی‌های حسی نزدیک به هم، در قلمروهای قشری کنار یکدیگر قرار می‌گیرند. این چیدمان نقشه‌مانند برای بینایی، شنوایی و لامسه بسیار کارآمد است؛ وظایفی که در آن‌ها رابطه‌های فضایی اهمیت اساسی دارند. در مقابل، مدارهایی که آن‌ها را زیر عنوان سیستم لیمبیک دسته‌بندی می‌کنیم، کمتر شبیه نقشه‌اند و بیشتر مانند بارکد عمل می‌کنند: الگوهای توزیع‌شده‌ای که در سراسر شبکه‌ها پخش شده‌اند و برای تشخیص بوها، ذخیره خاطرات پیچیده یا رمزگذاری نشانه‌های مسیریابی مناسب‌اند.

برش‌های عرضی از مغز میمون سنجابی، در سمت چپ، و مغز آرمادیلوی نه‌نواره، در سمت راست، نشان می‌دهد که چگونه سامانه‌های عصبی مختلف در گونه‌های گوناگون با هم بزرگ یا کوچک می‌شوند. میمون سنجابی که به بینایی بسیار وابسته است، نئوکورتکس بزرگ‌تری دارد، به رنگ آبی، در حالی که آرمادیلوی متکی به بویایی، مجموعه بویایی بزرگ‌تر، به رنگ بنفش، و مرکز حافظه گسترده‌تری، به رنگ سبز، دارد. 

این تفاوت‌ها مهم‌اند. در میان جانوران، بخش‌هایی از شبکه لیمبیک هماهنگ با یکدیگر افزایش یا کاهش می‌یابند. وقتی یک ناحیه لیمبیک رشد می‌کند، بخش‌های همراه آن نیز معمولا بزرگ‌تر می‌شوند، در حالی که نواحی نئوکورتکس اغلب کوچک‌تر می‌شوند. برای نمونه، آرمادیلوی نه‌نواره به شدت به بویایی تکیه دارد و دستگاه لیمبیک آن به طور نسبی گسترش یافته است. در مقابل، میمون سنجابی که زندگی‌اش سرشار از اطلاعات بصری است، مغزی دارد که ساختارهای قشری نقشه‌مانند در آن غالب‌اند. این تغییرات دستکاری‌های تصادفی نیستند، بلکه جابه‌جایی‌هایی هماهنگ در معماری مغز به شمار می‌آیند.

اما همبستگی به تنهایی کافی نیست. برای بررسی علت و معلول، امام و همکارانش مغزهای مصنوعی ساختند که با طرح‌های اولیه متفاوتی از سیم‌کشی آغاز می‌کردند. شبکه‌هایی با اتصالات موضعی و فضایی در بینایی و شنوایی عملکرد بهتری داشتند. مدل‌هایی که به شیوه‌ای توزیع‌شده و غیرتوپوگرافیک سیم‌کشی شده بودند، بو و حافظه را بهتر پردازش می‌کردند. خلاصه اینکه معماری، کارکرد را جهت می‌دهد. این تناسب فقط محتمل نبود، بلکه قدرت پیش‌بینی داشت.

نمایی مفهومی از دو راهبرد سیم‌کشی که در این مطالعه شناسایی شده‌اند. مدارهای سازمان‌یافته فضایی در نئوکورتکس، در سمت چپ، رابطه‌های نقشه‌مانند را حفظ می‌کنند، در حالی که شبکه‌های توزیع‌شده در سیستم لیمبیک، در سمت راست، اطلاعات را در مکان‌های مختلف به هم پیوند می‌دهند و بده‌بستانی ایجاد می‌کنند که ممکن است مسیر تکامل مغز را شکل دهد. 

چرا تکامل باید یک سبک سیم‌کشی را بر سبک دیگر ترجیح دهد؟ مغز اندامی پرهزینه است. بافت عصبی انرژی مصرف می‌کند و جمجمه فضای محدودی دارد. به نظر می‌رسد انتخاب طبیعی این فضا را دوباره تخصیص می‌دهد. اگر بقای یک گونه به بو وابسته باشد، شبکه‌های توزیع‌شده شبیه سیستم لیمبیک گسترش می‌یابند و نقشه‌های قشری کوچک‌تر می‌شوند. اگر بینایی مهم‌ترین نقش را داشته باشد، عکس این روند رخ می‌دهد. شبیه‌سازی‌های این مطالعه، که در آن دو سامانه برای ظرفیت محدود رقابت می‌کردند، همین تغییرات را بازتولید کرد: به وظیفه بویایی پاداش بدهید، شبکه‌های توزیع‌شده بزرگ می‌شوند؛ به بینایی پاداش بدهید، قشر نقشه‌مانند غالب می‌شود.

این یافته نگاه ما را به سیستم لیمبیک تغییر می‌دهد. این سامانه، برخلاف تصور رایج، مجموعه‌ای پراکنده از کارکردهای قدیمی نیست؛ اجزای آن مانند یک گروه هماهنگ عمل می‌کنند و در طول زمان تکاملی با هم مقیاس می‌گیرند. هیجان، حافظه، بویایی و مسیریابی به طور تصادفی کنار هم قرار نگرفته‌اند؛ آن‌ها منطق مشترکی در سیم‌کشی عصبی دارند که توزیع اطلاعات را به مجاورت فضایی ترجیح می‌دهد.

این پژوهش برای هوش مصنوعی نیز درس مهمی دارد. هوش مصنوعی مدرن معمولا از حجم عظیمی از داده‌ها یاد می‌گیرد، بی‌آنکه چارچوب ذاتی چندانی برای هدایت یادگیری داشته باشد. مغزهای زیستی، در مقابل، با معماری‌هایی از پیش آماده پا به میدان می‌گذارند که یادگیری را به سوی بازنمایی‌های مفید سوق می‌دهد. آیا هوش مصنوعی می‌تواند با الهام گرفتن از این روحیه پیش‌سیم‌کشی‌شده کارآمدتر شود؟ امام پاسخ مثبت می‌دهد. تنظیم معماری بر اساس نوع اطلاعاتی که یک سامانه باید پردازش کند، می‌تواند نیاز به داده را کاهش دهد و سرعت یادگیری را بالا ببرد.

پس خبری از توده‌ای مرتب از بخش‌های قدیمی در برابر بخش‌های جدید نیست. آنچه می‌بینیم، اقتصاد عمل‌گرایانه‌ای در سیم‌کشی مغز است: نقشه‌ها و بارکدها بسته به نیازهای بوم‌شناختی، فضا را با هم معامله می‌کنند. داستان مغز، داستان لایه‌ها نیست، داستان انتخاب‌هاست؛ و همین انتخاب‌ها شاید به ماشین‌ها بیاموزند چگونه با ظرافتی بیشتر یاد بگیرند.