Прожективный блок: Как мозг строит будущее¶

От реальности к вееру¶

Представьте: вы стоите перед дверью. Что за ней? Ваш мозг уже построил несколько вариантов: комната, коридор, лестница, улица. Каждый вариант — со своей вероятностью, основанной на прошлом опыте. И каждый тянет за собой цепочку следующих шагов: если комната — вы войдёте и сядете; если коридор — пойдёте дальше; если лестница — начнёте подъём.

Это и есть работа прожективного блока — центрального механизма архитектуры ProTeC. Он получает данные от сенсоров, материал от памяти и строит веер реальностей — множество возможных траекторий будущего, каждая со своей оценкой вероятности.

Прожективный блок — не фантазия в бытовом смысле. Это вычислительный процесс: память поставляет паттерны, сенсоры дают точку отсчёта, мотивация размечает варианты. Результат — структурированное пространство возможностей, из которого селектор выберет одну траекторию.

Веер: структура и параметры¶

Траектория и шаг¶

Фундаментальная единица веера — траектория. Это последовательность шагов от текущего момента до некоторого горизонта прогнозирования:

Траектория T: [s₀] → s₁ → s₂ → ... → s_D

s₀ — текущее состояние (дано сенсорами)
s₁, s₂, ..., s_D — предсказываемые состояния
D (depth) — глубина прогноза, количество шагов

Каждый шаг (sᵢ) — это не просто точка. Это узел, в котором снова открывается веер. Прожективный блок не строит одну линейную цепочку — он строит рекурсивное дерево возможностей:

flowchart TD
    S0["s₀<br>Текущий момент"]
    S1A["s₁ᵃ"]
    S2A["s₂ᵃ"]
    S3A["s₃ᵃ"]
    S3A1["s₃ᵃ·¹"]
    S3A2["s₃ᵃ·²"]
    S1B["s₁ᵇ"]
    S2B["s₂ᵇ"]
    S3B1["s₃ᵇ·¹"]
    S1C["s₁ᶜ"]

    S0 --> S1A --> S2A --> S3A
    S3A --> S3A1
    S3A --> S3A2
    S0 --> S1B --> S2B --> S3B1
    S0 --> S1C

Эта рекурсивная природа принципиальна. Мы не просто выбираем «пойти налево или направо». Мы выбираем «пойти налево, а потом, если там будет то-то, сделать то-то». Веер — это дерево решений, развёрнутое в будущее.

Ключевые параметры веера¶

Веер описывается тремя параметрами, которые динамически меняются в зависимости от контекста и ограничений:

Параметр	Обозначение	Что определяет
Глубина	D	На сколько шагов вперёд строится прогноз
Ширина	W	Сколько параллельных траекторий рассматривается
Порог отсечения	τ	Минимальная вероятность, ниже которой траектория отбрасывается

D (depth) — горизонт прогнозирования. Может быть D=1 («сейчас отдёрну руку от горячего») или D≫1 («через пять лет я хочу жить в другом городе, что для этого нужно сделать за год, за месяц, завтра?»). Глубина определяется задачей, доступной энергией и временем.

W (width) — разнообразие веера. При W=1 система идёт по единственному, наиболее вероятному пути (реактивное поведение). При W≫1 рассматривается множество альтернатив, включая маловероятные (творческое, гибкое поведение). W ограничено контекстным окном.

Порог отсечения (τ) — фильтр вероятности. Траектории с вероятностью ниже τ отбрасываются и не размечаются мотивационным блоком. При низком τ система рассматривает даже экзотические варианты («а что если поехать автостопом?»). При высоком τ — только надёжные, проверенные пути.

Плотность вероятности на веере¶

Каждая траектория имеет оценку вероятности — насколько правдоподобен этот вариант. Оценка вычисляется на основе:

Совпадения с памятью — насколько траектория похожа на известные паттерны
Соответствия текущему контексту — насколько она релевантна ситуации
Ошибки предсказания — насколько предыдущие шаги этой траектории совпали с реальностью

Совокупность траекторий с их вероятностями образует плотность вероятности на веере. Это не дискретный набор «траектория А vs траектория Б», а непрерывное поле, где близкие траектории плавно переходят друг в друга:

flowchart LR
    subgraph Density["Плотность вероятности"]
        direction LR
        T1["Траектория А\n(пик)"] -.-> T2["Переходная\nзона"] -.-> T3["Траектория Б\n(пик)"]
    end
    Note["⬆ Пики — наиболее вероятные сценарии\n⬇ Седловины — зоны колебания и выбора"]

Пики — наиболее вероятные сценарии. «Седловины» между пиками — области, где система колеблется между двумя близкими вариантами. Именно в седловинах возникает субъективное переживание выбора и сомнения.

Конкуренция траекторий¶

Траектории в веере не сосуществуют мирно. Они конкурируют за ограниченный ресурс:

За место в контекстном окне — W ограничено, не все траектории удерживаются одновременно
За энергетический ресурс — поддержание каждой траектории требует активации нейронных ансамблей
За мотивационную разметку — мотивационный блок размечает все удержанные траектории, но внимание распределено неравномерно

Механизм конкуренции напоминает естественный отбор, ускоренный до миллисекунд:

Генерация множества вариантов (аналог мутаций)
Оценка вероятности и мотивационной окраски (аналог приспособленности)
Подавление слабых траекторий и усиление сильных (аналог отбора)

Побеждает не обязательно самая вероятная траектория. Побеждает траектория с наилучшим балансом вероятности и желательности — та, которая и реалистична, и ведёт к предпочитаемому результату.

Связь с сенсорами: данные и ошибка¶

Прожективный блок получает от сенсоров два сигнала:

Данные о реальности — что происходит прямо сейчас (s₀)
Ошибка предсказания — разность между ожидаемым состоянием s₁ (предсказанным на предыдущем цикле) и реальным s₁' (тем, что сенсоры зафиксировали)

Ошибка предсказания — критический сигнал. Если она мала — мир ведёт себя ожидаемо, модель точна, веер можно разворачивать дальше. Если ошибка велика — модель неточна, веер нужно корректировать: перестраивать траектории, пересчитывать вероятности, возможно, полностью менять доминирующую траекторию.

Именно ошибка предсказания запускает обучение: память обновляется, включая механизмы консолидации (см. Память и обучение).

Связь с памятью: материал для симуляций¶

Прожективный блок не строит траектории из пустоты. Он опирается на память. Каждый уровень памяти поставляет свой тип материала:

Уровень памяти	Что поставляет в прожективный блок
Инстинктивная	Базовые шаблоны: «огонь = опасность», «сладкое = хорошо»
Процедурная	Сценарии действий: «как открыть дверь», «как написать письмо»
Долговременная	Эпизоды и закономерности: «в прошлый раз, когда я...», карты местности, граф знаний
Справочная	Указатели: «я не знаю, как это работает, но знаю, где посмотреть»
Рабочая	Текущий контекст: что удерживается прямо сейчас (W ≤ 4 чанка)

Качество веера напрямую зависит от качества памяти. Искажённые воспоминания → искажённые траектории → неверный выбор. Подробно о структуре памяти и механизмах консолидации — в главе Память и обучение.

Связь с мотивацией: зачем нужна разметка¶

Прожективный блок генерирует веер и отправляет его мотивационному. Тот возвращает веер размеченным: каждый шаг каждой траектории получает сигнальную метку (ДЕЙСТВОВАТЬ, ИЗБЕГАТЬ, СТРЕМИТЬСЯ и т.д.).

Зачем это нужно? Вероятность траектории — это ответ на вопрос «насколько это реалистично?». Но нам нужен ответ на другой вопрос: «насколько это хорошо?». Высоковероятная траектория может вести к катастрофе. Маловероятная — к триумфу. Мотивационная разметка добавляет второе измерение оценки.

Прожективный блок агрегирует метки в кумулятивную окраску траектории, комбинируя её с вероятностью. Итоговая формула выбора:

Селектор выбирает траекторию, максимизирующую P(T) × V(T), где P — вероятность, V — кумулятивная окраска (ценность).

Подробно о природе мотивации, каталоге меток и механизмах разметки — в главе Мотивационный блок.

Нейробиологические корреляты¶

Какие структуры мозга реализуют прожективный блок?

Структура	Функция в прожективном блоке
Префронтальная кора (дорсолатеральная)	Удержание и манипуляция траекториями (W)
Гиппокамп	Извлечение эпизодической памяти для построения траекторий; предварительное «проигрывание» маршрутов
Теменная кора	Пространственные и количественные аспекты симуляций
Default Mode Network (DMN)	Спонтанная генерация вееров в состоянии покоя (мечтание, планирование)
Передняя поясная кора	Детектор конфликта между траекториями с близкими оценками

Исследования фМРТ показывают: когда человек представляет будущее, активируются те же зоны, что и при воспоминании прошлого. Это подтверждает, что прожективный блок и блок памяти тесно связаны — будущее строится из материала прошлого.

Аналоги в искусственном интеллекте¶

Прожективный блок имеет прямые аналоги в современных ИИ-системах:

Механизм ProTeC	Аналог в ИИ
Веер траекторий	Beam search, Monte Carlo Tree Search (MCTS)
Параметр W	Beam width (ширина луча)
Параметр D	Search depth (глубина поиска)
Порог отсечения τ	Pruning threshold
Рекурсивная структура	Дерево поиска с ветвлением на каждом узле
Плотность вероятности	Распределение softmax над кандидатами
Ошибка предсказания	Loss function (разность prediction vs ground truth)
Конкуренция траекторий	Механизмы attention, top-k sampling

Сходство не случайно: beam search и MCTS — это инженерные реализации той же идеи, которую эволюция реализовала в мозге. Разница в том, что биологический прожективный блок работает непрерывно, параллельно по множеству модальностей и с жёсткими ограничениями по энергии и времени.

Резюме¶

Прожективный блок — центральный генератор архитектуры ProTeC: строит веер возможных будущих
Веер состоит из траекторий, траектория — из шагов; каждый шаг — узел, в котором снова открывается веер (рекурсивная структура)
Три ключевых параметра: D (глубина), W (ширина), τ (порог отсечения) — динамически меняются
Траектории имеют плотность вероятности и конкурируют за ресурсы (окно, энергию, внимание)
Прожективный блок опирается на память (пять уровней) и мотивационную разметку (метки → окраска)
Выбор траектории — максимизация P(T) × V(T): баланс вероятности и ценности
Нейробиологические корреляты: префронтальная кора, гиппокамп, DMN
ИИ-аналоги: beam search, MCTS, top-k sampling

Далее: Память и обучение