Анализ гипотезы о том, что мозг работает как частотный модулятор, а LLM — как амплитудный. Экспертная критика: почему такая аналогия игнорирует векторную природу трансформеров, временное кодирование нейронов и фундаментальные отличия в архитектуре обучения.
Обсуждение в сообществе исследователей ИИ часто обрастает метафорами из теории сигналов. Одна из популярных гипотоз: биологический мозг реализует частотную модуляцию (FM), а большие языковые модели — амплитудную (AM). На первый взгляд это кажется интуитивно верным: нейроны генерируют импульсы с переменной частотой, а нейросети оперируют непрерывными числовыми значениями активаций.
Однако детальный разбор показывает, что такая классификация является грубым упрощением. Мозг использует не только частотное кодирование (rate coding), но и точное временное расположение спайков (temporal coding), фазовую синхронизацию относительно локальных полевых потенциалов и химическую модуляцию через нейромедиаторы. На синаптическом уровне передача сигнала имеет ярко выраженную амплитудную составляющую — амплитуда постсинаптического потенциала зависит от силы синапса.
Что касается LLM, то приравнивание их к амплитудной модуляции упускает суть архитектуры Transformer. Информация в трансформерах закодирована не в скалярной амплитуде отдельного нейрона, а в направлении векторов в пространстве размерностью тысячи измерений. Механизм внимания (attention) выполняет не модуляцию несущей частоты, а динамическую маршрутизацию и адресную выборку информации. Кроме того, LLM работают в дискретном времени с токенами, не имея аналога несущей волны.
Фундаментальная ошибка гипотезы — в категориальном смешении: сравнивается физический протокол передачи данных в мозге (как преодолеть шум в аксонах) с математическим представлением переменных в LLM. Доказательством служат Spiking Neural Networks (SNN), которые воспроизводят вычисления классических сетей, используя импульсную, «частотную» природу сигналов. То есть FM и AM — это лишь транспортный уровень, а не суть интеллекта.
Продуктивнее рассматривать иные дихотомии: динамическая система с непрерывным временем (мозг) против статической функции с дискретными шагами (LLM); событийно-ориентированная вычислительная парадигма против плотных матричных умножений; локальное синаптическое обучение против глобального обратного распространения ошибки. Эти отличия определяют принципиально разные свойства: энергоэффективность, адаптивность в реальном времени и способность к непрерывному обучению.
