Hasonló csapda a hétköznapi fogalmaink aprópénzre váltása vélt neuronális mechanizmusokkal, majd a fogalmak általánosító ereje révén maguk a mechanizmusok általánosítása és gyakran túláltalánosítása is. Erre a példám a „döntés” fogalma. A „döntést” az ún. Neuroökonómia irányzat csempészte be az idegtudomány egyik legnépszerűbb irányzatai közé döntéselmélet címen. Az elmélet egy egyszerű megfigyelésből indul ki, nevezetesen, hogy az alternatív perceptuális döntési helyzetben az alternatív opciókat reprezentáló neuronok a majmok parietális lebenyében (LIP) kumulatív módon növelik válaszukat a döntést megelőző intervallumban. Végül, amikor a versengő válasz bármelyik irányban elér egy küszöböt (mint amikor a pohár túlcsordul), az agyban döntés születik (Kiani–Shadlen, 2009). A modell vonzó egyszerűsége révén hamar népszerű lett, és elkezdték más fajokra és mindenféle viselkedéspreferencia paradigmákra is alkalmazni, és először rágcsálókon, majd pár év sem telt el, és a Caenorhabditis elegans nevű férgeken mutatták ki a „döntés” molekuláris mechanizmusát (Faumont et al., 2012). Itt több olyan probléma is felmerül, amelyek jellemzők a terminológiai zűrzavarra az idegtudományban. Az egyik maga a „döntés” fogalma. Úgy vélem, a döntés szót csak a főemlősök szintjén kellene alkalmaznunk. Döntésről akkor beszélünk, amikor egymással versengő alternatívák között választunk. Menjek-e nyaralni, vagy inkább tegyem félre a pénzt. Ez egy döntést megelőző dilemma. Ezzel szemben, amikor a Caenorhabditis elegans elkötelezi magát, és „választ” két feltételes inger között, amelyek különböző jutalmakkal asszociálódnak, és annak megfelelően jobbra vagy balra fordul, az nem „döntés” kérdése a fenti értelemben. Hiányzik belőle a mérlegelés szabadsága (a volíció és deliberáció), az a komponens, hogy új szempontokat tudunk bevezetni, és azokat mérlegelni, mint a fent említett nyaralási dilemma példámban. Ehelyett javaslom a „választás” („choice”) vagy a tendencia, esetleg „válasz” kifejezéseket. Bőségesen akad terminológia, amelyek eddig is beváltak a viselkedéstudományban, és nem implikálják a szempontok szabad akaratból történő mérlegelését a „döntéshozatalban”. A másik elméleti zavar, amit a „döntés szó” implikál, az a kumulatív mechanizmus oksági magyarázatként történő alkalmazása. A „döntést” mint a cselekvés okát szoktuk tekinteni (de lásd Gazzaniga, 2012). Azonban az, hogy bizonyos sejtekben megnő az aktivitás a választási intervallumban, még nem jelenti azt, hogy ezek a sejtek „döntenek”, vagyis okozzák a viselkedést. A sejtaktivitás lehet a viselkedés szabályozásának egy korrelátuma is. Mint ahogy az fMRI-ből is nyilvánvaló, hogy bizonyos areákban megnő a vérátáramlás egy döntési helyzetben, mégsem gondoljuk, hogy az átáramló vér vagy az általa szállított oxigén mennyisége végezte el a „döntést”.

Gyakori fogalmi csapda továbbá, hogy új keletű tudományos fogalmakat a gyakorlat vagy a technológiai fejlődés újradefiniál, miközben a régi jelentés is tovább él, és későbbi félreértésekre ad okot. Ilyen a neurális hálózatok (NN) fogalma. A neurális hálózatok elmélete a 1940-es évekig nyúlik vissza (McCulloch–Pitts, 1943), egy hosszú és folyamatos fejlődés eredménye, amely eredetileg a biológiai neuronok közötti kooperáció megértését tűzte ki célul. Ebből fejlődött ki a 80-as években a PDP (’Parralel Distributed Processing’) iskola, amelynek jeles képviselői kulcsszerepet játszottak a manapság divatos ’deep-learning’ algoritmusok kifejlesztésében és széles körű elterjedésében. Az eredetileg biológiai inspirációjú elmélet azonban szép lassan szakított a biológiai korlátaival, és az utóbbi 20 évben kizárólag a technológiai kihívások nyomása alatt fejlődött. Az NN a 90-es évek végétől önálló (a neurobiológiától független) fejlődésen ment keresztül. A biológiai inspirációt tükröző név megmaradt, a mérnökök új nemzedéke adoptálta az algoritmusokat, és a fogalom mindinkább egybeolvadt a mesterséges intelligencia (AI) kifejezéssel is, noha az AI nem feltétlenül alapul NN-en, és a kettő összekeverése azt az illúziót kelti, mintha a mesterséges idegrendszerek építésének küszöbén lennénk, pedig a mai értelemben vett NN és AI-technológiának sem az agyhoz, sem a természetes intelligenciához nincs sok köze.

A másik reflexióm a lokalizációs elméletekre vonatkozik. Itt is egyetértek a szerzővel, mindössze két kiegészítéssel szeretnék élni, és két példát ragadnék ki a neurobiológiának mára tankönyvekben szereplő eredményei közül. Az egyik a „Jennifer Aniston sejtek” (Quiroga et al., 2005). Ezek olyan sejtek az ember temporális lebenyében, az amigdalában és a hippokampuszban, amelyek egy-egy híres személy, közismert épület, könnyen felismerhető állat képére vagy írott nevére, esetleg azzal asszociálható tárgyak képére aktiválódnak. Noha az eredeti szerzők számos cikkben figyelmeztettek, hogy ezek a sejtek nem azonosak a korábban a Jerry Lettvintől származó és Horace Barlow által adoptált „nagymama sejtekkel” (a teljes történetet lásd: Coltheart, 2017), hanem ezek a sejtek amellett, hogy egy-egy specifikus híres színészre válaszolnak, még számos egyéb tárgyra is válaszolnának kisebb-nagyobb mértékben, amelyek teljes halmazát képtelenség egy korlátozott időtartamú kísérletben tesztelni. És fordítva is igaz, vagyis nem egyetlen sejt válaszol egy adott híres személy képére, hanem számos. (A „nagymama sejtekkel” később az agyi hálózatok hierarchikus modelljének abszurditását kívánták illusztrálni, miszerint annak a hálózatnak a végpontjain minden fogalomra (személyre) volna egy dedikált idegsejtünk az agyban. Lásd Hubel–Wiesel, 1979.). Mindenesetre a Jennifer Aniston sejt eredménye azt az egyébként helytelen következtetést látszik támogatni, hogy az információ sejtszinten lokalizált az agyban, pedig nem erről van szó. Inkább arról, hogy az információ eloszlása a neuronokban szemcsézett, és ez a szemcsézettség megengedi a specifikus és nem specifikus reprezentációk sejtszintű leképeződését. (Figyelembe ajánlom az elméleti csapda egyik kiváló kritikáját Földiák Péter tollából: Földiák, 2009).

A másik példa a cikkben is említett neurális képalkotási módszerek elterjedése a pszichológiában. Az fMRI eredmények értelmezése azt a csapdát hordozza magában, hogy a mechanizmus megértését a mechanizmus lokalizációjával helyettesítjük, míg az utóbbi nem feltétlenül magyarázza meg a folyamatot. Ahogy azt az fMRI jeles képviselői számos publikációban kifejtették, az MRI eredményeket ma már szigorúan az agyi ideghálózatok kontextusában kell értelmeznünk (Poldrack, 2018). Ezt a lépést nagymértékben facilitálta a DTI (diffusion tensor imaging) technológia elterjedése. Ez azonban még mindig kevés, és a lokalizáció a hálózat kontextusában sem pótolja a magyarázatot. Azt, hogy a lokalizáció nemcsak a hálózat kontextusa nélkül nem áll meg a lábán, de még azzal együtt is egy még átfogóbb hiba forrása, azzal támasztanám alá, hogy az agy egy különleges szerv. Különleges nemcsak a komplexitása révén, vagy mert a legfelsőbb viselkedést kontrolláló szerv, de a világegyetemben minden eddig ismert kölcsönhatástól eltérően egy minőségileg új működési módot képvisel, ha úgy tetszik, az evolúció játékszabályait is átíró szerv. Arra gondolok, hogy minden élőlény testében, beleértve a növényeket és a szomatikus sejteket az állatokban, a sejtek lokális kapcsolatok révén kommunikálnak a szomszédos sejteken keresztül. Ez alól vannak kivételek, de az vitathatatlan, hogy az idegrendszerben a sejtek közötti kommunikáció új formája jelenik meg, a szomszédok megkerülése és a gyors, nagy távolságot (sejtszinten) áthidaló üzenetváltás, amely nemcsak kivétel, hanem szabály. Egy olyan szabály, amelynek révén az idegrendszer minden korábbinál gyorsabban és precízebben volt képes kontrollálni a test mozgató rendszerét. A mozgások és szenzoros ingerek összehangolása olyan feladatot rótt az idegrendszerre, amellyel csak egy nagyon okosan decentralizált rendszer tudott megbirkózni. A decentralizált rendszerben lehetnek idegdúcok, amelyek elosztott és lokális komputációt hajtanak végre egyszerre. A vezérelv, hogy az agy, mint egy hálózat, a funkciókat a hálózatban elosztva hajtja végre, és ez az elv a medúzák idegdúcaitól az emberi agyig megmarad, és ha a vérátáramlás-alapú képalkotó módszerek néha ezt az elosztott dinamikát el is fedik, nekünk érdemes „agyunkba vésni”.

A lokalizációs elméletnek van azonban egy banális szociológiai magyarázata is, nevezetesen az idegtudomány végzetes kompartmentalizációja. Egy mai idegtudós vagy egyetemi szellemi műhely legfontosabb attribútuma, hogy az agy melyik alrendszerével foglalkozik. Így vannak a hippokampusszal, a látókéreggel, a frontális lebennyel vagy a kisaggyal foglalkozó kutatóműhelyek. Az ott kutatók külön konferenciákra járnak, saját folyóirataikban publikálnak, saját köreikben szocializálódnak. A kutatást finanszírozó intézmények is ezt a kompartmentalizációt támogatják. Ezért az agy kompartmentalizált fogalma megkerülhetetlen, ha valaki karriert akar építeni. Ez a megközelítés viszont rányomja a bélyegét a szemléletünkre, és megnehezíti, hogy az agyat mint egészet megértsük. Ezért is nagy szerepe kellene hogy legyen a kutatók nyitottságának és az azt támogató egyetemi oktatásnak a globális és interdiszciplináris szemlélet kultiválásában.