脳とコンピュータの比較

人間の脳は約86兆のシナプス結合を持つ超並列コンピュータだが、コンピュータとは根本的に異なるアーキテクチャで動作する。

この章で学ぶこと

• 脳とコンピュータの構造的な違いを説明できる
• 各アーキテクチャの得意・不得意を理解する
• ニューロモーフィックコンピューティングの可能性を知る
• 情報処理の観点から脳とコンピュータを定量的に比較できる
• 脳科学の知見がコンピュータサイエンスにどう応用されているかを理解する

前提知識

1. 構造の比較

1.1 基本スペック

脳 vs コンピュータ の基本仕様:

1.2 アーキテクチャの違い

フォン・ノイマン型 vs ニューラルネットワーク型:

  フォン・ノイマン型コンピュータ:

特徴:
  - 演算と記憶が分離（フォン・ノイマンボトルネック）
  - 逐次的に命令を実行
  - 正確で再現性がある
  - プログラム可能（汎用的）

  脳のアーキテクチャ:

│╲   ╱│╲   ╱│╲   ╱│

N = ニューロン、線 = シナプス結合

  特徴:
  - 演算と記憶が一体化（シナプス結合 = 記憶）
  - 超大規模並列処理
  - ノイズに強い、確率的
  - 学習によって自己変更

1.3 フォン・ノイマンボトルネックの詳細

フォン・ノイマンボトルネック（von Neumann bottleneck）:

  問題:
  CPUとメモリが1つのバスで接続されているため、
  データ転送速度がシステム全体のボトルネックになる

具体的な数値:
  - CPUの演算能力: 1TFLOPS（1秒に1兆回の浮動小数点演算）
  - メモリ帯域: 50GB/s
  - 1回の演算に8バイト必要とすると: 50GB/8B = 62.5億回/秒
  - → CPUの能力の1/160しか活用できない！

  対策の歴史:
  1. キャッシュ階層（L1/L2/L3）
     → 頻繁にアクセスするデータをCPU近くに
  2. アウトオブオーダー実行
     → メモリ待ちの間に他の命令を実行
  3. プリフェッチ
     → 必要になる前にデータを読み込み
  4. SIMD命令
     → 1命令で複数データを処理

  脳はこの問題が存在しない:
  → 演算（ニューロンの発火）と記憶（シナプス結合）が同じ場所にある
  → 「データを転送する」必要がない
  → これが「インメモリコンピューティング」の原点

1.4 信号伝達メカニズムの比較

コンピュータの信号伝達:

脳の信号伝達:

比較まとめ:

2. 得意分野の比較

2.1 コンピュータが得意なこと

コンピュータの圧倒的優位:

  1. 正確な計算
     → 1兆回の加算でも1回もミスしない
     → 人間: 100回の加算でもミスする

  2. 速度
     → 1秒間に数十億回の演算
     → 人間: 1秒間に数回の簡単な計算

  3. 記憶の正確性
     → 保存したデータは完全に再現
     → 人間: 記憶は変質し、忘れる

  4. 繰り返し作業
     → 同じ処理を何十億回でも正確に
     → 人間: 飽きる、疲れる、ミスが増える

  5. 大量データ検索
     → テラバイトの中から0.001秒で検索
     → 人間: 書類の山から探すのに数時間

  6. 通信
     → 光速で世界中と通信
     → 人間: 言語、距離の制約

  7. マルチタスク（定義された範囲内で）
     → 何千ものプロセスを同時管理
     → 人間: 2-3個の認知タスクが限界

  8. 再現性
     → 同じプログラムは同じ結果を常に返す
     → 人間: 同じ判断でも状況によって変動

2.2 脳が得意なこと

脳の圧倒的優位:

  1. パターン認識
     → 一度見た顔を別の角度・照明でも認識
     → コンピュータ: 2012年まで猫の認識すら困難だった
     → ※ 2024年: AIが人間を超えた分野も増加

  2. 言語理解と常識推論
     → 「銀行に行く」が金融機関か川岸かを文脈で判断
     → 曖昧な指示を適切に解釈
     → ※ LLMが急速に追い上げ中

  3. エネルギー効率
     → 20Wで高度な認知処理
     → GPT-4の学習: 推定50GWh以上
     → 人間の脳を1年動かすエネルギー: 約175kWh

  4. 少数データからの学習
     → 犬を3匹見れば「犬」の概念を獲得
     → AI: 数千〜数百万の画像が必要（改善中）

  5. 創造性と類推
     → 「原子 = 太陽系のミニチュア」のような異分野の類推
     → 全く新しいアイデアの創出

  6. 感情・共感・意識
     → 他者の感情を直感的に理解
     → コンピュータ: 意識の再現は未知の領域

  7. 適応性と汎用知能
     → 一つの脳で音楽、数学、スポーツ、社交全てに対応
     → 予期しない状況にも柔軟に適応
     → AI: 特定タスクでは超人的だが、汎用知能は未達成

  8. 身体性と環境理解
     → 重力、空間、物理法則を直感的に理解
     → コップの水が溢れそう→自然に手を出す
     → ロボティクス: まだ人間の身体操作には及ばない

2.3 認知バイアスと計算エラー

脳の「バグ」— 認知バイアス:

  人間の脳はパターン認識に最適化されているが、
  それが原因でシステマティックなエラーを起こす

コンピュータの「バグ」— 計算エラー:

教訓:
  - 脳のバイアスは「進化の副産物」（生存に有利だった）
  - コンピュータのエラーは「設計上の制約」
  - 両者の弱点を理解して補い合うことが重要

3. 処理速度の逆説

3.1 100ステップルール

100ステップルール（Feldman, 1985）:

  脳のニューロンの発火頻度: 最大 約1,000Hz
  人間が画像を認識する時間: 約100ms

  → 100ms × 1,000Hz = 100ステップ以内で処理完了

  つまり:
  - 脳は深さ100ステップ以下のアルゴリズムで画像認識を行っている
  - 通常のプログラムは数十億ステップの逐次処理

  秘密: 超大規模並列処理
  - 860億ニューロンが同時に処理
  - 各ニューロンは単純だが、並列度が圧倒的
  - 深さ100 × 幅数十億 = 膨大な計算能力

  → コンピュータの「深くて狭い」処理 vs 脳の「浅くて広い」処理

3.2 演算数での比較

脳の計算能力の推定:

  ニューロン数:     860億
  シナプス数:       約86兆
  シナプス伝達速度:  約200回/秒（平均的な発火率 × 処理）

  推定演算能力:     86兆 × 200 = 約1.7 × 10^16 ops/秒
                   ≈ 17 PFLOPS

  比較:

※ 脳の「FLOPS」はアナログ計算であり、
     デジタルFLOPSとの直接比較は困難
  ※ エネルギー効率では脳が圧倒的:
     脳: 17 PFLOPS / 20W = 850 TFLOPS/W
     H100: 2 PFLOPS / 700W = 2.86 TFLOPS/W
     → 脳は約300倍エネルギー効率が良い

3.3 並列処理のパラダイムの違い

コンピュータの並列処理:

  1. データ並列（SIMD / GPU）

2. タスク並列（マルチコア）

3. パイプライン並列

脳の並列処理:

  1. 大規模並列処理

2. 階層的並列処理

コンピュータが脳の並列性に学んだもの:
  - ニューラルネットワーク（Deep Learning）
  - メモリ一体型プロセッサ（PIM: Processing-in-Memory）
  - データフロー・アーキテクチャ
  - イベント駆動型プロセッサ

4. 記憶の仕組み

4.1 メモリアーキテクチャの比較

コンピュータのメモリ:

脳の記憶:

記憶の種類:

4.2 脳の記憶容量

脳の記憶容量の推定:

  シナプスの数: 約86兆
  各シナプスの情報量: 推定4.7ビット (Bartol et al., 2015)

  総容量: 86兆 × 4.7ビット ≈ 約1ペタバイト

  ただし:
  - デジタルストレージとは質的に異なる
  - 同じシナプスが複数の記憶に関与（分散表現）
  - 圧縮・抽象化されて格納される
  - 単純なバイト数では比較困難

  実感としての比較:
  - 人生で見る全ての映像を記憶するのに必要: 約3PB（推定）
  - 実際に記憶しているのはごく一部（選択と圧縮）
  - しかし「知恵」や「直感」として統合されている

4.3 記憶の符号化と検索の違い

コンピュータの記憶操作:

  書き込み（Write）:

読み取り（Read）:

脳の記憶操作:

  符号化（Encoding）:

想起（Retrieval）:

重要な違い:
  - コンピュータ: 「保存→取り出し」（忠実なコピー）
  - 脳: 「符号化→再構成」（創造的な再構築）
  - 脳の記憶は「読む」たびに「書き換わる」！
  - これが目撃証言の信頼性問題の原因

4.4 忘却とガベージコレクション

コンピュータのメモリ管理:

  手動管理（C/C++）:

ガベージコレクション（Java/Python/Go）:

脳の「忘却」:

忘却のメカニズム:
  1. 減衰理論: 使わないシナプス結合が弱まる
  2. 干渉理論: 新しい記憶が古い記憶を妨害
  3. 検索失敗: 記憶はあるが手がかりが見つからない
  4. 動機づけ忘却: 不快な記憶の抑圧

  忘却の利点（脳のGC）:
  - 不要な詳細を削除して抽象概念を形成
  - 注意力のリソースを効率的に配分
  - 類似パターンの一般化を促進
  - 精神的健康の維持（トラウマからの回復）

  → 脳の忘却 ≈ コンピュータのGC + データ圧縮 + 正則化

5. 学習メカニズムの比較

5.1 脳の学習原理

ヘブの法則（1949）:
  「一緒に発火するニューロンは一緒に配線される」
  (Neurons that fire together, wire together)

具体例:
  - ベルの音（聴覚ニューロン）+ 食事（味覚ニューロン）
    → 繰り返しの対提示で結合が強化
    → ベルだけで唾液分泌（パブロフの条件反射）

報酬学習:

シナプス可塑性の種類:

5.2 コンピュータの学習（機械学習）

機械学習の主要パラダイム:

  1. 教師あり学習

2. 強化学習

3. 自己教師あり学習

比較:

5.3 破滅的忘却問題

破滅的忘却（Catastrophic Forgetting）:

  機械学習のモデルが新しいタスクを学ぶと、
  以前のタスクの知識を忘れてしまう問題

脳はなぜ忘れない:
  1. 睡眠中のメモリ固定化（オフライン再生）
  2. 相補的学習システム
     - 海馬: 新しい記憶の高速学習（エピソード記憶）
     - 大脳皮質: 緩やかな統合学習（意味記憶）
  3. シナプスの選択的保護
     - 重要なシナプスの安定化
  4. 神経新生
     - 海馬での新しいニューロンの生成

  AI研究での対策:

6. AIと脳の融合

6.1 ニューロモーフィックコンピューティング

ニューロモーフィックチップ:
  脳の構造を模倣した専用ハードウェア

利点:
  - 超低消費電力（脳に近いエネルギー効率）
  - イベント駆動（常時計算しない）
  - 学習と推論を同時実行可能

  課題:
  - プログラミングモデルが確立していない
  - 汎用計算には不向き
  - ソフトウェアエコシステムが未成熟

スパイキングニューラルネットワーク（SNN）:

6.2 脳-コンピュータインターフェース（BCI）

BCI（Brain-Computer Interface）:

  非侵襲型:
  - EEG（脳波計）: 頭皮上のセンサーで脳波を読み取り
  - 解像度は低いが安全
  - 用途: 意思伝達装置、簡単なゲーム操作
  - fNIRS（機能的近赤外分光法）: 脳血流をモニタリング

  侵襲型:
  - Neuralink (Elon Musk): 脳に電極を埋め込み
  - Utah Array: 96チャネルの神経信号記録
  - 解像度が高く、精密な制御が可能
  - 用途: 四肢麻痺患者のカーソル操作、義肢制御

  現状 (2024-2025):
  - Neuralink: 初の人体臨床試験で成功例
  - 思考でカーソル操作、テキスト入力が可能に
  - 読み取りは進んでいるが、書き込み（脳への入力）は初歩的

  BCIの応用シナリオ:

倫理的課題:
  - プライバシー（思考の読み取り）
  - セキュリティ（脳のハッキング？）
  - 格差（拡張された人間 vs そうでない人間）
  - アイデンティティ（自分の思考かAIの思考か）
  - インフォームドコンセント（脳への介入の同意）
  - 依存性（BCIなしでは機能しない状態）

6.3 人工汎用知能（AGI）への道

AGI（Artificial General Intelligence）:

  現在のAI（特化型AI / Narrow AI）:

AGI = 人間のような汎用知能:

脳科学からAGIへの貢献:

7. 脳に学ぶコンピュータ設計の具体例

7.1 ディープラーニングと視覚野

人間の視覚系:

  網膜 → LGN → V1 → V2 → V4 → IT → 前頭葉
          ↓     ↓     ↓     ↓     ↓
        明暗  エッジ  形状  色+形 物体認識  判断

  各層で抽出される特徴:
  V1: 方位選択性（特定角度のエッジに反応するニューロン）
  V2: 輪郭の統合、テクスチャ境界
  V4: 色と形の組み合わせ、幾何学的パターン
  IT: 物体のカテゴリ（顔、手、動物など）

畳み込みニューラルネットワーク（CNN）:

  入力画像 → Conv1 → Conv2 → Conv3 → FC → 出力
              ↓       ↓       ↓
            エッジ   パーツ   物体

  CNNの各層が学習する特徴（可視化結果）:
  Layer 1: エッジ、色のグラデーション → V1に対応
  Layer 2: コーナー、テクスチャ → V2に対応
  Layer 3: パーツ（目、車輪など） → V4に対応
  Layer 4-5: 物体全体の特徴 → ITに対応

  Hubel & Wiesel（1962年、ノーベル賞）:
  - 猫の視覚野の実験で発見
  - 「単純細胞」→ 特定方位のエッジに反応
  - 「複雑細胞」→ 位置に依存しない応答
  - → CNNのConvolution + Poolingの直接的な着想源

  具体的な対応:

7.2 Transformerと注意メカニズム

脳の注意メカニズム:

  選択的注意:

TransformerのSelf-Attention:

脳とTransformerの対応:

7.3 海馬と経験再生

脳の海馬（Hippocampus）:

強化学習のExperience Replay:

Prioritized Experience Replay:

8. 量子コンピュータと脳の比較

8.1 量子コンピュータの概要

量子コンピュータ:

  古典コンピュータ:
  - ビット: 0 または 1
  - 決定的な計算

  量子コンピュータ:
  - 量子ビット（qubit）: 0と1の重ね合わせ状態
  - |ψ⟩ = α|0⟩ + β|1⟩ （|α|² + |β|² = 1）
  - n量子ビット = 2^n 個の状態を同時に保持

量子脳仮説（Penrose-Hameroff）:
  - 脳のニューロン内の微小管（マイクロチューブル）で
    量子計算が行われている可能性を提唱
  - 科学的コンセンサスは得られていない
  - 脳の温度（37℃）で量子コヒーレンスを維持するのは困難
  - しかし、一部の生物学的プロセス（光合成等）で
    量子効果の関与が示唆されている

9. 実務への示唆

9.1 脳の知見を活かしたシステム設計

脳のアーキテクチャから学ぶ設計原則:

  1. 冗長性と耐障害性

2. 階層的キャッシング

3. イベント駆動アーキテクチャ

4. 連想検索

5. 注意メカニズムの応用

9.2 プログラマーとしての脳の活用法

脳の特性を理解したプログラミング:

  1. ワーキングメモリの限界

2. チャンキング（情報のまとめ）

3. 睡眠と問題解決

4. フロー状態の活用

10. 実践演習

演習1: 比較表の作成（基礎）

脳とコンピュータの違いを10項目以上で比較する表を作成せよ。各項目について「どちらが優れているか」とその理由を述べよ。

演習2: ボトルネック分析（応用）

フォン・ノイマンボトルネックと脳の100ステップルールについて、それぞれのアーキテクチャがなぜそのような制約を持つか分析せよ。

演習3: ニューロモーフィック設計（応用）

以下の要件を持つシステムについて、脳のアーキテクチャから着想を得た設計案を提案せよ:

• IoTセンサー100万個からのリアルタイムデータ処理
• 異常検知（通常パターンからの逸脱を検出）
• 消費電力を最小限に抑える

演習4: 認知バイアスとバグの分析（応用）

過去に経験した（または文献で読んだ）ソフトウェアバグについて、人間の認知バイアスがどのように関与していたか分析せよ。例えば、確証バイアスによるテスト不足、正常性バイアスによるエラー無視など。

演習5: 未来予測（発展）

2040年のコンピュータと脳の関係について、以下の観点から予測レポートを書け:

1. AIは人間の知能を超えるか
2. ニューロモーフィックコンピューティングの普及度
3. BCIの実用化レベル
4. 脳とAIの協調はどのような形態になるか

演習6: 学習アルゴリズムの比較（発展）

以下の学習メカニズムについて、脳とAIの類似点と相違点を詳細に比較せよ:

1. ヘブ学習 vs 誤差逆伝播法
2. 脳の報酬系 vs 強化学習のTD誤差
3. 脳の予測符号化 vs Transformerの自己回帰生成

トラブルシューティング

よくあるエラーと解決策

デバッグの手順

1. エラーメッセージの確認: スタックトレースを読み、発生箇所を特定する
2. 再現手順の確立: 最小限のコードでエラーを再現する
3. 仮説の立案: 考えられる原因をリストアップする
4. 段階的な検証: ログ出力やデバッガを使って仮説を検証する
5. 修正と回帰テスト: 修正後、関連する箇所のテストも実行する

# デバッグ用ユーティリティ
import logging
import traceback
from functools import wraps
 
# ロガーの設定
logging.basicConfig(
    level=logging.DEBUG,
    format='%(asctime)s [%(levelname)s] %(name)s: %(message)s'
)
logger = logging.getLogger(__name__)
 
def debug_decorator(func):
    """関数の入出力をログ出力するデコレータ"""
    @wraps(func)
    def wrapper(*args, **kwargs):
        logger.debug(f"呼び出し: {func.__name__}(args={args}, kwargs={kwargs})")
        try:
            result = func(*args, **kwargs)
            logger.debug(f"戻り値: {func.__name__} -> {result}")
            return result
        except Exception as e:
            logger.error(f"例外発生: {func.__name__}: {e}")
            logger.error(traceback.format_exc())
            raise
    return wrapper
 
@debug_decorator
def process_data(items):
    """データ処理（デバッグ対象）"""
    if not items:
        raise ValueError("空のデータ")
    return [item * 2 for item in items]

パフォーマンス問題の診断

パフォーマンス問題が発生した場合の診断手順:

1. ボトルネックの特定: プロファイリングツールで計測
2. メモリ使用量の確認: メモリリークの有無をチェック
3. I/O待ちの確認: ディスクやネットワークI/Oの状況を確認
4. 同時接続数の確認: コネクションプールの状態を確認

設計判断ガイド

選択基準マトリクス

技術選択を行う際の判断基準を以下にまとめます。

アーキテクチャパターンの選択

トレードオフの分析

技術的な判断には必ずトレードオフが伴います。以下の観点で分析を行いましょう:

1. 短期 vs 長期のコスト

• 短期的に速い方法が長期的には技術的負債になることがある
• 逆に、過剰な設計は短期的なコストが高く、プロジェクトの遅延を招く

2. 一貫性 vs 柔軟性

• 統一された技術スタックは学習コストが低い
• 多様な技術の採用は適材適所が可能だが、運用コストが増加

3. 抽象化のレベル

• 高い抽象化は再利用性が高いが、デバッグが困難になる場合がある
• 低い抽象化は直感的だが、コードの重複が発生しやすい

# 設計判断の記録テンプレート
class ArchitectureDecisionRecord:
    """ADR (Architecture Decision Record) の作成"""
 
    def __init__(self, title: str):
        self.title = title
        self.context = ""
        self.decision = ""
        self.consequences = []
        self.alternatives = []
 
    def set_context(self, context: str):
        """背景と課題の記述"""
        self.context = context
        return self
 
    def set_decision(self, decision: str):
        """決定内容の記述"""
        self.decision = decision
        return self
 
    def add_consequence(self, consequence: str, positive: bool = True):
        """結果の追加"""
        self.consequences.append({
            'description': consequence,
            'type': 'positive' if positive else 'negative'
        })
        return self
 
    def add_alternative(self, name: str, reason_rejected: str):
        """却下した代替案の追加"""
        self.alternatives.append({
            'name': name,
            'reason_rejected': reason_rejected
        })
        return self
 
    def to_markdown(self) -> str:
        """Markdown形式で出力"""
        md = f"# ADR: {self.title}\n\n"
        md += f"## 背景\n{self.context}\n\n"
        md += f"## 決定\n{self.decision}\n\n"
        md += "## 結果\n"
        for c in self.consequences:
            icon = "✅" if c['type'] == 'positive' else "⚠️"
            md += f"- {icon} {c['description']}\n"
        md += "\n## 却下した代替案\n"
        for a in self.alternatives:
            md += f"- **{a['name']}**: {a['reason_rejected']}\n"
        return md

FAQ

Q1: コンピュータは意識を持てますか？

A: 現在の科学では未解決の問題。意識の定義自体が確立していない。チューリングテストに合格するAI（行動的に区別できない）は実現しつつあるが、「主観的経験（クオリア）」を持つかは別問題。中国語の部屋の議論（Searle, 1980）が示すように、振る舞いの模倣と理解は異なる可能性がある。統合情報理論（IIT）は意識の数学的尺度Φ（ファイ）を提案しているが、実用的な測定方法はまだ確立していない。

Q2: 脳のシミュレーションにはどの程度のコンピュータが必要？

A: ニューロン単位の完全シミュレーション（Blue Brain Project等）では、1万ニューロンに現代のスーパーコンピュータが必要。860億ニューロン全体のシミュレーションには、現在の計算能力の約100万倍が必要と推定。エクサスケールコンピュータでも不十分。ただし、抽象度を上げれば（例: 大脳皮質の機能的モデル）、必要な計算量は大幅に削減できる。

Q3: 人間はコンピュータと競争すべきですか？

A: 競争ではなく補完の関係。コンピュータの強み（速度、正確性、忍耐力）と人間の強み（創造性、共感、適応力）を組み合わせるのが最善。AIツールを使いこなすリテラシーが重要。「AIに置き換えられる仕事」ではなく「AIを使いこなす人材」が求められる。

Q4: 脳の研究はAI研究にどの程度貢献していますか？

A: 歴史的に極めて大きな貢献をしている。ニューラルネットワーク自体が脳の模倣から始まり、CNNは視覚野の研究から、強化学習はドーパミン系の研究から着想された。最近ではTransformerの注意メカニズムも脳の選択的注意との類似性が議論されている。一方で、現代のAI技術は脳から離れた独自の方向にも進化しており、バックプロパゲーションのように脳では起きないメカニズムも多い。

Q5: ニューロモーフィックコンピューティングは実用化されますか？

A: 特定のニッチ（エッジAI、IoT、低電力環境）では実用化が進む可能性が高い。汎用コンピュータを完全に置き換えることは当面ない。Intel Loihi 2やBrainChip Akidaなどが商用製品として出始めている。自動運転、ドローン、ウェアラブルデバイスなど、低消費電力でリアルタイム処理が求められる分野が有望。

Q6: 脳の計算モデルで最も有力なものは？

A: 現在最も注目されているのは「予測符号化（Predictive Coding）」フレームワーク。脳は常に外界の状態を予測し、予測と実際の入力の差（予測誤差）を最小化するように動作するという理論。これは自由エネルギー原理（Karl Friston）として統一的に定式化されている。知覚、学習、行動の全てを「予測誤差の最小化」で説明できる可能性がある。

まとめ

次に読むべきガイド

参考文献

1. Herculano-Houzel, S. "The Human Advantage: A New Understanding of How Our Brain Became Remarkable." MIT Press, 2016.
2. Bartol, T. M. et al. "Nanoconnectomic upper bound on the variability of synaptic plasticity." eLife, 2015.
3. Feldman, J. A. "Connectionist Models and Their Properties." Cognitive Science, 1982.
4. Mead, C. "Neuromorphic Electronic Systems." Proceedings of the IEEE, 1990.
5. Hassabis, D. et al. "Neuroscience-Inspired Artificial Intelligence." Neuron, 2017.
6. Hubel, D. H. & Wiesel, T. N. "Receptive fields, binocular interaction and functional architecture in the cat's visual cortex." The Journal of Physiology, 1962.
7. Friston, K. "The free-energy principle: a unified brain theory?" Nature Reviews Neuroscience, 2010.
8. Vaswani, A. et al. "Attention Is All You Need." NeurIPS, 2017.
9. Mnih, V. et al. "Human-level control through deep reinforcement learning." Nature, 2015.
10. Kirkpatrick, J. et al. "Overcoming catastrophic forgetting in neural networks." PNAS, 2017.
11. Penrose, R. "The Emperor's New Mind." Oxford University Press, 1989.
12. Tononi, G. "Integrated information theory." Scholarpedia, 2015.