хоботом, мы узнаем все элементы, но понимаем, что этот комбинированный образ является новым, и запоминаем его. На более высоких понятийных уровнях иерархии новой коры, воспринимающих контекст (например, что данная картина является плодом творчества конкретного художника и что мы пришли на новую выставку его работ), будет зарегистрирован необычный комбинированный образ слонокота, а все детали контекста сохранятся в виде дополнительных воспоминаний.
Новые вспоминания вроде морды слонокота записываются в доступном распознающем модуле. В этом процессе задействован гиппокамп, и о том, как все происходит на самом деле, мы поговорим в следующей главе. В рамках обсуждаемой модели новой коры достаточно сказать, что неопознанные образы сохраняются в виде новых образов и связаны с составляющими их образами более низкого уровня. В частности, морда слонокота записывается несколькими способами: регистрируется новое расположение черт, а также имя художника, ситуация, возможно, наше воспоминание о том, как мы смеялись, впервые увидев картину.
Успешно распознанные воспоминания также могут сформировать новый образ, позволяющий дополнительно увеличить избыточность информации. Если же образы распознаны недостаточно хорошо, они, скорее всего, сохраняются как варианты распознанного образа в новом ракурсе.
Каким же методом в целом можно определить, какие образы сохраняются? На языке математики проблема формулируется так: как оптимальным образом представить входные сигналы, которые уже встречались ранее, чтобы не превышать доступной емкости новой коры? Некоторая избыточность необходима, но было бы нерационально заполнять все отпущенное для хранения информации пространство (то есть всю новую кору) повторяющимися образами, поскольку в таком случае сокращается разнообразие запоминаемых образов. Например, образ звука [и] мы встречали бесконечное число раз. Это простой образ звуковой частоты, который, несомненно, представлен в коре с очень большой избыточностью. Мы можем заполнить всю кору повторами образа звука [и], однако полезная избыточность имеет пределы, которые в случае такого распространенного образа, конечно же, были достигнуты.
Подобная математическая проблема оптимизации решается с помощью так называемого линейного программирования, позволяющего наилучшим образом использовать ограниченные ресурсы (в нашем случае – ограниченное число распознающих модулей) для представления всех примеров, на которых отрабатывалась модель. Метод линейного программирования был разработан для систем с одноразмерными входными параметрами, и это еще одна причина, по которой она оптимально подходит для описания линейной последовательности входных сигналов. Мы можем использовать этот математический подход для создания компьютерных программ, и хотя реальный мозг ограничен имеющимися физическими связями, которые он распределяет между распознающими модулями, метод тем не менее очень похожий.
Важным
