9860 A.I. není nic jako mozek... a to je v pořádku Yasemin Saplakoglu

[ Ezoterika ] 2025-04-30

Ohromující buněčná rozmanitost mozku a jeho síťová složitost by mohla ukázat, jak zlepšit umělou inteligenci... V roce 1943 se dvojice neurovědců snažila popsat, jak funguje lidský nervový systém, když náhodou položili základy umělé inteligence. Warren McCulloch a Walter Pitts ve svém matematickém rámci pro to, jak mohou systémy buněk kódovat a zpracovávat informace, tvrdili, že každou mozkovou buňku nebo neuron lze považovat za logické zařízení: buď se zapne, nebo ne. Síť takových neuronů "všechno nebo nic", napsali, může provádět jednoduché výpočty prostřednictvím pravdivých nebo nepravdivých tvrzení. "Ve skutečnosti v jistém smyslu popisovali úplně první umělou neuronovou síť," řekl Tomaso Poggio z Massachusetts Institute of Technology, který je jedním ze zakladatelů výpočetní neurovědy. Rámec McCullocha a Pittse položil základy pro mnoho neuronových sítí, které jsou základem nejvýkonnějších systémů umělé inteligence.

Tyto algoritmy, vytvořené tak, aby rozpoznávaly vzorce v datech, se staly tak kompetentními ve složitých úkolech, že jejich produkty mohou vypadat děsivě lidsky. Text ChatGPT je tak konverzační a osobní, že se do něj někteří lidé zamilovávají. Generátory obrázků dokážou vytvářet obrázky tak realistické, že může být těžké zjistit, zda jsou falešné. Algoritmy hlubokého učení řeší vědecké problémy, které lidem vrtají hlavou už desítky let. Schopnosti těchto systémů jsou jedním z důvodů, proč je slovní zásoba umělé inteligence tak bohatá na jazyk lidského myšlení, jako je inteligence, učení a halucinace.

Je tu však problém: původní McCullochův a Pittsův rámec je "naprostý nesmysl", řekl historik vědy Matthew Cobb z University of Manchester, který napsal knihu The Idea of the Brain - The Past and Future of Neuroscience. "Nervové systémy nejsou vůbec takto propojené." Když se podíváte i na to nejobecnější srovnání mezi biologickou a umělou inteligencí - obě se učí zpracováním informací napříč vrstvami síťových uzlů - jejich podobnosti se rychle rozpadnou. Umělé neuronové sítě jsou "obrovským zjednodušením", řekl Leo Kozachkov, postdoktorand v IBM Research, který brzy povede laboratoř výpočetní neurovědy na Brownově univerzitě. "Když se podíváte na obrázek skutečného biologického neuronu, je to taková zatraceně komplikovaná věc." Komplikované věci mají mnoho podob a tvoří tisíce vzájemných spojení, vytváří husté, trnité sítě, jejichž chování je řízeno zvěřincem molekul uvolňovaných v přesném časovém měřítku. Obrovský buněčný komplex, kterým je náš nervový systém, vytváří naše pocity, myšlenky, vědomí a inteligenci - vše, co nás dělá tím, kým jsme.

Zdá se, že mnoho procesů se odvíjí okamžitě a současně, řízeno orgánem, který evoluce formovala po stovky milionů let z kousků nalezených v dávných oceánech, a kulminovala v systému ukládání a zpracování informací, který může klást existenciální otázky o sobě samém. "Mozek je nejsložitější částí aktivní hmoty ve známém vesmíru," řekl Christof Koch, neurovědec z Allen Institute for Brain Science v Seattlu. "Mozek byl vždy přirovnáván k nejpokročilejšímu stroji." Ale jakýkoli kus stroje - od telefonní ústředny nebo rádiové trubice až po superpočítač nebo neuronovou síť - je neměřitelný. Nervové systémy se vůbec nepodobají umělým neuronovým sítím, řekl historik vědy Matthew Cobb. "Nejsou vůbec takto zapojeny." Chris Schmauch: Neuronální diverzita mozku a jeho síťová složitost se ztrácí v umělých neuronových sítích.

Ale výpočetní neurovědci - odborníci na mozek i počítače - říkají, že je to v pořádku. Přestože se tyto dva systémy rozcházely po oddělených evolučních cestách, počítačoví vědci a neurovědci se mají stále co učit jejich srovnáním. Využití biologických strategií by mohlo zlepšit účinnost umělých neuronových sítí. Ta by zase mohla být modelem pro pochopení lidského mozku. S umělou inteligencí "nejsme v procesu obnovy lidské biologie," řekl Thomas Naselaris, neurovědec z University of Minnesota, ale "objevování nových cest k inteligenci". A když tak učiníme, doufáme, že lépe porozumíme svým vlastním.

Elektronický "mozek"
V roce 1958, dva roky poté, co byl termín "umělá inteligence" vytvořen na matematickém a počítačovém semináři na Dartmouth College, americké námořnictvo odhalilo to, co The New York Times (13. července 1958) nazvaly "elektronickým "mozkem", který se učí sám: Tento počítač, známý jako "perceptron", nebyl nijak zvlášť pokročilý. Dokázal přečíst jednoduchý kód - řadu děr vyražených do karty - a předpovědět, zda se další díra objeví vpravo nebo vlevo, reprezentovaná binárním výstupem: 0 nebo 1. Perceptron prováděl tyto výpočty prostřednictvím řady uzlů, nazývaných také neurony. Byly to však neurony jen v duchu.
"Neurony jsou mnohem víc než jen uzly: Jsou to živé buňky... s DNA a organelami a specializovanými strukturami," řekl Mac Shine, systémový neurobiolog z univerzity v Sydney. Ve vašem mozku spolu 86 miliard neuronů komunikuje ve složitých sítích. Komunikují tak, že hází molekuly zvané neurotransmitery do prostoru mezi buňkami a chytají je rameny zvanými dendrity. Tyto molekuly mohou neuron vypnout nebo jej podnítit k aktivaci, což spustí prudký výbuch elektřiny, který proudí dolů jeho dlouhým ocasem (axonem). To pak spustí větve (zakončení axonů) na druhém konci buňky, aby vyslaly novou vlnu molekul do dalších neuronů v síti.

Všechny neurony - v mozku i mimo něj - sdílí tento základní mechanismus, ale prakticky každá další funkce se liší mezi typy neuronů a dokonce i mezi jednotlivými neurony stejného typu. "Žádné dva neurony nevypadají stejně; jsou úplně jiné," řekl Shine. Některé excitují další neurony; některé je brzdí. Některé jsou dlouhé - například axony některých dotykových neuronů sahají od základny míchy k palci u nohy - zatímco jiné jsou relativně malé, těsně v mozku. Mohou nést význam nejen v binárním kódu - ať už vystřelí nebo ne - ale také v analogu, v symfonii signálů s proměnlivými vzory, silami a frekvencemi. Posílají různé neurotransmitery ke kódování různých zpráv, některé místo toho komunikují prostřednictvím elektrického proudu. A samozřejmě, neurony plní velmi odlišné funkce: regulují emoce, přesouvají potravu střevem, ukládají a vyvolávají vzpomínky, pohybují rukama a mnoho dalšího.

Mozek je nejsložitější část aktivní hmoty ve známém vesmíru. Christof Koch, Allenův institut pro vědu o mozku
Dokonce i ty nejjednodušší mozky v živočišné říši se vyznačují touto složitostí. Například červi mají neuron, který signalizuje, když se jejich tělo příliš natáhlo. Má 130 vstupů a 200 výstupů. "A to jen říkám: ´Hej, natáhl jsem se´," řekl Cobb.

Čím více se tělo červa natahuje, tím více neuron vystřeluje. Tímto způsobem obsahuje frekvenční kód, řekl. "Neříká: ´Ach, jsem natahován.´ Říká: ´Jsem napnutý.´" To je analogové, ne binární... Naproti tomu umělé neurony jsou "karikatury biologických neuronů," řekl Poggi. Neurony perceptronu například přijímají informace, analyzují je a vydávají konečnou odpověď - 1 nebo 0. V tomto smyslu, stejně jako biologický neuron, buď se aktivují, nebo ne. Ale to je asi tak všechno, co se týče podobností. To, co dělalo perceptron pozoruhodným ve srovnání s předchozími počítači, bylo to, že se mohl učit. Poprvé stroj - vyrobený nikoli z tkáně, ale z drátů a obvodů - prokázal schopnost, kterou dříve tvrdila pouze biologie. Jeho schopnost učit se byla inspirována neurovědou. V roce 1949 psycholog Donald Hebb poukázal na to, že nervové dráhy v mozku jsou posilovány, když jsou používány, a oslabovány, když nejsou, což je myšlenka často shrnutá jako "neurony, které se spojují, spojují se". Jinými slovy, mozek se z velké části učí úpravou spojení mezi svými neurony.

V perceptronu to znamenalo přiřadit každému připojení "váhu" - číslo, které určovalo význam vstupu pro konečný výstup. Neuronová síť se učila úpravou svých vah na základě toho, zda byly její předpovědi přesné. V tomto smyslu byl perceptron "prvním strojem, který je schopen mít originální myšlenku", jak řekl jeho tvůrce Frank Rosenblatt. V roce 1958 počítačový vědec Frank Rosenblatt zveřejnil perceptron, který nazval "prvním strojem, který je schopen mít originální myšlenku". Byla to první neuronová síť. Oddělení vzácných a rukopisných sbírek Cornellovy univerzity Umělé učení perceptronu se však neujalo. V té době byl výpočetní výkon příliš omezený na to, aby se strojové učení posunulo nad rámec tohoto jednoduchého modelu, a chyběly finanční prostředky na podporu jeho vývoje. "Perceptronový přístup byl zanedbáván a počítačová věda sama se stala programováním," řekl Poggi.


Programování znamenalo helikoptérové rodičovství. Algoritmy se neučily, bylo jim řečeno, co mají dělat. Jak se počítačoví vědci soustředili na psaní stále podrobnějších instrukcí a ignorovali systémy, které se mohly učit samy, nastala zima umělé inteligence. Neurovědecký výzkum se však nezpomalil; zrychlil se. Následující desetiletí odhalila, jak fungují různé části lidského mozku, zejména zraková kůra – čímž přinesli více biologických drobečků, kterých se později chopili počítačoví vědci.

Síťová složitost
Přibližně v době, kdy byl perceptron představen, navrhl matematik Oliver Selfridge rámec pro to, jak funguje vizuální systém mozku. V jeho metaforickém "modelu Pandemonium" představovala síť křičících démonů aktivující neurony: Když démon rozpoznal vizuální prvek, zakřičel (neuron vystřelil). Například, když bylo předloženo písmeno "A", první skupina démonů identifikovala levý kmen písmene a pak křičela na další skupinu démonů, kteří byli připraveni rozpoznat větší vzor, jako je levý kmen spojující se s pravým kmenem na vrcholu písmene. Pokud by to bylo skutečně to, co viděli, tito démoni by křičeli na posledního démona, který - jak byste mohli uhodnout v tomto bodě - křičel, když mu bylo předloženo úplné "A". Tímto způsobem by křičící démoni mohli zpracovat vstupní informace a identifikovat písmeno "A". Červ ví věci o vnějším světě tak, jako žádný počítač. - Matthew Cobb, Manchesterská univerzita Ukázalo se, že ten křik v našich hlavách byl skutečný. Brzy poté neurovědci David Hubel a Torsten Wiesel zkoumali zrakovou kůru koček a zjistili, že vizuální systém vysílá signály prostřednictvím vrstev neuronů, které reagují na stále složitější detaily, od čar přes rozmazané tvary až po celé obrazy, což byl objev, který jim v roce 1981 vynesl Nobelovu cenu za fyziologii a medicínu.

Dnes je vizuální systém jednou z nejlépe pochopených sítí v lidském mozku a zjednodušená verze modelu, který Hubel a Wiesel odhalili, je jádrem moderních neuronových sítí, které identifikují objekty na obrázcích. Takové algoritmy, nazývané konvoluční neuronové sítě, začínají detekcí hran a jednoduchých tvarů v obrázku a poté se pohybují vrstvami umělých neuronů, aby identifikovaly větší tvary nebo vzory, jako jsou uši nebo tváře. Mozek se skládá z mnoha takových sítí, které přijímají a zpracovávají toky informací, vzájemně se ovlivňují ve zpětných vazbách a neustále se mění spojení. Tyto sítě z něj dělají vynikající multitasker, který ve svých 100 bilionech připojení provádí oslnivou řadu funkcí. Informace, ve formě fotonů nebo zvukových vln nebo molekul vůně a dalších, jsou zachyceny smyslovými neurony a poté analyzovány vrstvami jiných neuronů. Spouštějí sítě k rychlému spouštění sekvencí, aby vytáhly vzpomínky a daly informace do kontextu.

Pokud mozek usoudí, že zážitek stojí za to si uchovat, uloží si ho jako vzpomínku. Mezitím mozek také mluví se střevem, aby posoudil hlad, a interpretuje sluneční signály, aby koordinoval cirkadiánní čas pro téměř každou buňku ve vašem těle. V jedné vteřině je to denní snění a v další je to pokyn vaší ruce, aby vám sejmula pavouka z ramene. Je to plánování zítřka a vzpomínání na včerejšek a zároveň regulace teploty, krevního tlaku, zánětu a srdečního tepu. Když spíme, mozek se přepne do jiného režimu: skládání obrazů do snů, upevňování vzpomínek, trochu úklidu a řízení mnoha dalších činností, kterým nerozumíme...

Dokonce i milimetr krychlový vizuální kůry myši obsahuje hustou džungli tisíců buněk (projekt MICrONS - Allen Institute). Všechny tyto procesy probíhají v různých měřítcích, od jednotlivých neuronů přes místní sítě až po sítě, které pokrývají celý mozek a dokonce i celé tělo. Neustále se měnící dynamiku nervového systému umožňují neuromodulátory, podmnožina neurotransmiterů, které působí pomaleji a šíří se v širším měřítku napříč oblastmi mozku. Jsou to "hlavní spínače v mozku", podle Srikantha Ramaswamyho, vedoucího laboratoře nervových obvodů na univerzitě v Newcastlu. Neuromodulátory jsou uvolňovány z propracovaných dendritických stromů na koncích některých neuronů a umožňují mozku přizpůsobit se novým situacím během několika sekund až minut. Například uvolňování kortizolu během stresu připravuje tělo na akci.

Systém je jemně vyladěný: Studie ukázaly, že molekuly uvolněné z různých větví stejného stromu mohou ovlivnit chování zvířete, například zda myš běží nebo se zastaví. "Neměli byste ponětí, kam to v neuronové síti umístit," řekl Shine. "V neurovědě se skrývá složitost, která je pro moderní neuronové sítě nepřístupná, protože jsou konstruovány jinak." Zásadní je, že umělá neuronová síť není tvořena fyzickými spojeními, jako jsou neurony v mozku. Síť je abstraktní, sídlí ve světě matematiky a výpočtů jako algoritmů, které jsou naprogramovány do křemíkových čipů. Je to "v podstatě jen lineární algebra" plus některé další nelineární výpočty, řekl Mitchell Ostrow, postgraduální student výpočetní neurovědy na MIT. Aby moderní hluboká neuronová síť dosáhla složitosti byť jen jednoho biologického neuronu, vyžaduje pět až osm vrstev uzlů. Rozšíření umělých neuronových sítí do více než dvou vrstev však trvalo desítky let. V hlubších sítích je mnohem obtížnější zjistit, jaké váhy by měla síť upravit, aby minimalizovala chybu ve svých předpovědích.

V 80. letech přišel počítačový vědec Paul Werbos s inovací zvanou backpropagation, která tento problém vyřešila. V roce 1986 Geoffrey Hinton - takzvaný kmotr umělé inteligence, který byl v roce 2024 oceněn Nobelovou cenou za fyziku za svou práci na strojovém učení - a jeho kolegové napsali vlivný článek o tom, jak lze neuronové sítě trénovat pomocí zpětného šíření. Tato myšlenka, která nebyla přímo založena na neurovědě, se stala klíčem k prohloubení neuronových sítí a zlepšení jejich učení. V 90. letech počítačoví vědci konečně prohloubili neuronové sítě do tří vrstev. Ale až po roce 2010, kdy se počítačoví vědci naučili strukturovat své algoritmy tak, aby prováděly rychlejší výpočty současně na menších čipech, se neuronové sítě prohloubily do desítek a stovek vrstev.

Tyto pokroky vedly k dnešním výkonným neuronovým sítím, které mohou v určitých úkolech překonat lidský mozek. Mohou být trénovány na miliardách obrázků nebo slov, které by člověk nemohl analyzovat za celý život. Poráží lidské mistry světa ve hrách, jako jsou šachy a Go. Mohou předpovědět strukturu téměř jakéhokoli známého proteinu na světě s vysokou mírou přesnosti. Dokážou napsat krátký příběh ve stylu Jane Austenové. Nicméně, i když jsou tyto schopnosti působivé, algoritmy ve skutečnosti "nevědí" věci tak jako my, řekl Cobb. "Oni ničemu nerozumí." Učí se hlavně rozpoznáváním vzorců ve svých trénovacích datech; Aby toho dosáhli, musí být obvykle vycvičeni obrovským množstvím dat. Přitom i ty nejjednodušší nervové systémy v živočišné říši mají znalosti. "Larvy vědí věci o vnějším světě tak, jak to žádný počítač neví," řekl Cobb. A jedna larva se liší od druhé, protože každá se učí interakcí se svým prostředím a získáváním informací z něj. Nevíme, jak naplnit stroje znalostmi nad rámec toho, že je nakrmíme souborem faktů, řekl.

Umělé neuronové sítě jsou jednodušší a nejsou tak dynamické jako systémy, které jim daly jméno. Fungují velmi dobře pro to, k čemu byly navrženy, jako je rozpoznávání objektů nebo odpovídání na výzvy. Ale nemají "žádný způsob, jak uvažovat" jako lidský mozek, řekl Ramaswamy. "Myslím, že přidání biologických detailů by v tom hrálo obrovskou roli." A to je to, o co se snaží - infuze biologie, protože se ukázalo, že ozubená kola biologie, zdokonalená evolucí, fungují v mozku docela dobře.

Někteří vědci se domnívají, že umělé neuronové sítě by mohly být vylepšeny návratem ke své inspiraci a lepším napodobováním některých neurobiologických rysů. Takové počítače, které jsou inspirovány mozkem, známé také jako neuromorfní výpočty, nevyžadují chemii, řekl Ramaswamy. Spíše je možné abstrahovat myšlenku molekul do algoritmických ekvivalentů, které fungují napříč obvody. Jeho tým zjistil, že vnesení určité rozmanitosti do způsobu, jakým se umělé neurony chovají, umožňuje neuronovým sítím fungovat lépe. Například v předběžné práci publikované na vědeckém preprintovém webu arxiv.org v roce 2024 jeho tým zjistil, že programování umělých neuronů tak, aby vystřelovaly různou rychlostí, zlepšilo to, jak dobře se jejich systémy učí. Ramaswamy se také zabývá síťovými efekty pozorovanými v biologickém nervovém systému. Letos jeho tým teoretizoval, že navrhování neuronových sítí tak, aby zahrnovaly druh informací, které neuromodulátory poskytují, by zlepšilo jejich schopnost neustále se učit jako mozek. Jiní výzkumníci se také snaží zachytit složitou dynamiku, která existuje v populacích neuronů - ale místo toho, aby tuto informaci překládali do algoritmu, chtějí mluvit rodným jazykem biologie. Jaderný inženýr Mattia Gazzola a jeho tým z University of Illinois Urbana-Champaign připojují biologické neurony k umělým komponentám, aby zlepšili schopnost počítače zpracovávat informace.

Biologické sítě mohou vyvinout novou výpočetní dynamiku, protože jsou tvořeny neurony, které vrozeně kódují správné množství informací, řekl. "Vidíme to jako klíč k přístupu k těmto schopnostem kreativity, zvědavosti a učení," řekl Gazzola. "To vše jsou charakteristické znaky biologické inteligence, které nacházíme všude, nejen u lidí... ale i u prostých tvorů." Další neuromorfní snahy se zaměřují na zlepšení efektivity umělých neuronových sítí - závod, který mozek drtivě vyhrává. Mozek je "neuvěřitelně energeticky efektivní," řekl Ramaswamy. Pracuje s výkonem asi 20 wattů, což je zhruba dvojnásobek oproti typické LED žárovce. "Neexistuje způsob, jak by neuronová síť mohla fungovat s pouhými 20 watty," řekl. Tam, kde byl mozek kdysi modelem pro umělé neuronové sítě, jsou nyní neuronové sítě modely pro mozek. Srovnání spotřeby energie umělých a biologických neuronových sítí však není jednoduché kvůli způsobu, jakým je mozek trénován. Počítáme za trénink stovky milionů let evoluce nebo celoživotní učení jedince? Kolik energie to vyžaduje? "V této oblasti se stále více diskutuje o tom, jaké je to srovnání," řekl Kozachkov, výzkumník IBM. "Srovnáváme jablka s hruškami?"

Navzdory nuancím se spotřeba energie umělých neuronových sítí týká mnoha lidí. Současný trend škálování - stále zvětšování sítí za účelem zvýšení jejich výpočetního výkonu - bude i nadále zvyšovat jejich poptávku po energii, dokud nebudou vynalezeny efektivnější čipy a procesy. Přidávání příliš velkého množství biologických detailů do algoritmů s sebou nese značné náklady na výpočetní výkon, energii a další zdroje. "Potřebujeme identifikovat bod, kde si myslíme, že tato úroveň detailů je skutečně užitečná," řekl Ramaswamy. Přesto pro většinu počítačových vědců není mozek na prvním místě. Pro mnoho neurovědců však umělá inteligence "je"...

Modelové systémy
Umělá inteligence již ovlivňuje a v některých případech urychluje studium biologie. Výzkumníci mohou trénovat neuronové sítě na biologických datech, jako jsou proteiny a genomy, s nadějí, že počítače mohou pomoci navrhnout nové, funkční biologické produkty. Mohou však také použít umělou inteligenci ke studiu samotného mozku. "Vstupujeme do opravdu vzrušujícího období," řekla Jenelle Featherová, výzkumná pracovnice na Flatiron Institute Center for Computational Neuroscience, která brzy povede laboratoř na Carnegie Mellon University. "Nyní se posouváme na místo, kde můžeme tyto modely skutečně využít k tomu, abychom se o mozku dozvěděli něco nového." Tam, kde byl mozek kdysi modelem pro umělé neuronové sítě, jsou nyní neuronové sítě modely pro mozek. Navzdory mnoha rozdílům jsou dnešní algoritmy umělé inteligence výrazně podobnější částem skutečného mozku než jakékoli modely, které jsme měli v minulosti, řekl Feather.

A jsou tu i další výhody. Neurovědci obvykle studují zvířata, aby se pokusili porozumět lidské neurobiologii. Algoritmus však nemusí být udržován při životě. Neuronové sítě mají navíc náskok před hlodavci při psaní esejí, řešení matematických problémů a hraní šachů. Řada studií naznačuje, že navzdory velmi odlišným architekturám by se umělé a biologické neuronové sítě mohly chovat podobným způsobem. V preprintu publikovaném v roce 2024 na biorxiv.org Ev Fedorenko, která studuje jazyk a mozek na MIT, a její tým zjistili, že aktivita různých neuronových sítí a mozku se může navzájem napodobovat v tom, čemu se říká "univerzalita reprezentace".

V jiné studii zjistili, že umělé neuronové sítě a lidský mozek dokážou zpracovávat věty podobným způsobem. Skutečnost, že mají "určitou podobnost s mozkem - to je opravdu vzrušující," řekl Fedorenko. Ale jakékoli podobnosti je těžké identifikovat vzhledem k tomu, že neuronové sítě a mozek jsou blízko "černým skříňkám": Je těžké vidět zvenčí, jak přesně neuronová síť nebo mozek fungují uvnitř. V tomto smyslu je srovnávání těchto dvou jako "slepý vedoucí slepého," řekl Naselaris.

Přesto můžeme srovnáním našich dvou nejchytřejších síťových systémů mnoho získat a jen málo ztratit, a to navzdory mnoha rozdílům. "Vždy bude zajímavé srovnávat lidi s umělou inteligencí," řekl podobně jako nás nikdy neunaví srovnávat zvířecí a lidskou mysl. Ale nejsou stejné - a pravděpodobně nikdy nebudou. "Neuronové sítě jsou nyní natolik odlišné od skutečného mozku v tolika různých ohledech, že je rozumnější uvažovat o nich jako o skutečně odlišných objektech zpracovávajících informace," řekl Shine, systémový neurobiolog, Pokud se zeptáte ChatGPT-4: "Jste podobní lidskému mozku?",... Převede váš text na čísla, zpracuje je prostřednictvím stovek tisíc uzlů - jednou, dvakrát, mnohokrát. Pokaždé vám předpoví nejlepší další slovo, které vám má říct.
Ano i ne, mohlo by to napsat... Někdy, stejně jako mozek, potřebuje nějakou zpětnou vazbu. "Myslíš na mě jako na mozek, nebo spíš jako na něco jiného?"

Zdroj: https://www.bibliotecapleyades.net/ciencia4/ai50.htm
Zpět