Przyprowadź trzyletnie dziecko do zoo, a on intuicyjnie ustali, że zwierzę o długich szyjach do żucia to ta sama żyrafa z książki obrazkowej jego dzieci. Ten prosty wyczyn jest w rzeczywistości dość złożony. Rysunek w książce to zamrożona sylwetka prostych linii, a żywa istota to arcydzieło koloru, tekstury, ruchu i światła. Wygląda inaczej pod różnymi kątami i może zmieniać kształt, pozycję, perspektywę.
Ogólnie rzecz biorąc, ludzie dobrze sobie radzą w tego typu zadaniach. Z prostych przykładów możemy łatwo zrozumieć najważniejsze cechy obiektu i zastosować tę wiedzę do czegoś nieznanego. Z drugiej strony komputery zwykle muszą skompilować całą bazę danych żyraf, pokazanych w różnych pozycjach, z różnych perspektyw, aby nauczyć się dokładnego rozpoznawania zwierzęcia.
Tożsamość wizualna to jeden z wielu obszarów, w których ludzie łatwo pokonują komputery. Lepiej też szukamy odpowiednich informacji w strumieniu danych; rozwiązujemy nieustrukturyzowane problemy; Uczymy się przez zabawę, jak dziecko, które uczy się grawitacji, bawiąc się klockami.
„Ludzie są znacznie bardziej wszechstronni” - mówi Tai Sing Lee, naukowiec i neurolog z Carnegie Mellon University w Pittsburghu. „Wciąż jesteśmy bardziej elastyczni w myśleniu, potrafimy przewidywać, wyobrażać sobie i kreować przyszłe wydarzenia”.
Ale Stany Zjednoczone finansują ambitny nowy program, który ma na celu zrównanie sztucznej inteligencji z naszymi własnymi zdolnościami umysłowymi. Trzy zespoły neuronaukowców i informatyków próbują dowiedzieć się, w jaki sposób mózg wykonuje te wyczyny identyfikacji wizualnej, a następnie budują maszyny, które robią to samo.
„Nowoczesne uczenie maszynowe zawodzi tam, gdzie ludzie się rozwijają” - mówi Jacob Vogelstein, który kieruje programem w Intelligence Advanced Research Projects Activity (IARPA). „Chcemy zrewolucjonizować uczenie maszynowe poprzez algorytmy inżynierii odwrotnej i obliczenia w mózgu”.
Jest bardzo mało czasu. Każda grupa obecnie modeluje płat kory z niespotykaną dotąd szczegółowością. Wspólnie opracowują algorytmy na podstawie tego, czego się nauczyli. Do lata przyszłego roku każdy z tych algorytmów otrzyma przykład nieznanej rzeczy do wykrycia na tysiącach obrazów w nieznanej bazie danych. „Harmonogram jest bardzo napięty” - powiedział Christoph Koch, prezes i starszy pracownik Allen Institute for Brain Science w Seattle, który pracuje z jednym z zespołów.
Koch i jego koledzy tworzą kompletny schemat połączeń dla małej kostki mózgu - miliona mikronów sześciennych, czyli około jednej pięćsetnej objętości maku. Jest to o rząd wielkości więcej niż najbardziej kompletna i największa do tej pory mapa tkania mózgu, która została opublikowana w czerwcu ubiegłego roku i której stworzenie zajęło około sześciu lat.
Film promocyjny:
Pod koniec pięcioletniego projektu IARPA zwanego „inteligencją maszynową sieci korowej (mikrony)” naukowcy planują zmapować milimetr sześcienny kory. Ten niewielki fragment zawiera blisko 100 000 neuronów, od 3 do 15 milionów połączeń neuronowych lub synaps oraz wystarczającą ilość splątań neuronowych, aby pokryć duże miasto, jeśli zostanie rozplątane i rozciągnięte.
Nikt jeszcze nie próbował zrekonstruować części mózgu na taką skalę. Jednak więcej wysiłków na małą skalę pokazało, że takie mapy mogą rzucić światło na wewnętrzne funkcjonowanie kory mózgowej. W artykule opublikowanym w marcu w czasopiśmie Nature, Wei-Chung Allen Lee - neurobiolog z Uniwersytetu Harvarda, który pracuje z zespołem Kocha - i jego współpracownicy zmapowali połączenia 50 neuronów i ponad 1000 ich partnerów. Łącząc tę mapę z informacjami o funkcjonowaniu każdego neuronu w mózgu - niektórzy reagują na przykład na sygnał wzrokowy - naukowcy wydedukowali prostą zasadę anatomicznego połączenia neuronów w tej części kory. Okazało się, że neurony o podobnych funkcjach są bardziej skłonne do łączenia się i tworzenia dużych połączeń między sobą, a mniej z innymi typami neuronów.
I chociaż cel projektu Microns jest bardzo technologiczny - IARPA finansuje badania, które mogłyby zaowocować narzędziami do analizy danych dla agencji wywiadowczych i oczywiście innych - równolegle z tym naukowcy otrzymają dane o pracy mózgu. Andreas Tolias, neurolog z Baylor College of Medicine, który jest jednym z czołowych członków zespołu Kocha, porównuje naszą obecną wiedzę na temat kory mózgowej do niewyraźnych zdjęć. Ma nadzieję, że bezprecedensowa skala projektu Microns pomoże wyostrzyć tę perspektywę i odkryć bardziej złożone zasady rządzące naszymi obwodami neuronowymi. Nie znając wszystkich części składowych, „możemy przegapić piękno tej struktury”.
Procesor mózgu
Skomplikowane fałdy, które pokrywają powierzchnię mózgu i tworzą korę mózgową (korę), są dosłownie zaklinowane w naszych czaszkach. Pod wieloma względami jest to mikroprocesor mózgu. Warstwa pośrednia o grubości trzech milimetrów składa się z szeregu powtarzających się modułów lub mikroukładów, podobnych do szeregu bramek logicznych w chipie komputerowym. Każdy moduł składa się z około 100 000 neuronów ułożonych w złożoną sieć połączonych ze sobą komórek. Istnieją dowody na to, że podstawowa struktura tych modułów jest w przybliżeniu taka sama w całej korze. Jednak moduły w różnych obszarach mózgu są wyspecjalizowane do określonych celów, takich jak wzrok, ruch i słuch.
Naukowcy mają tylko ogólne pojęcie o tym, jak te moduły wyglądają i jak działają. W dużej mierze ograniczają się do badania mózgu w najmniejszej skali: dziesiątek lub setek neuronów. Nowe technologie zaprojektowane do śledzenia kształtu, aktywności i łączności tysięcy neuronów dopiero teraz pozwalają naukowcom rozpocząć analizę interakcji między komórkami w module; jak aktywność w jednej części systemu może generować aktywność w innej części. „Po raz pierwszy w historii mogliśmy sondować te moduły zamiast tylko zgadywać ich zawartość” - mówi Vogelstein. „Różne zespoły mają różne przypuszczenia, co jest w środku”.
Badacze skupią się na części kory odpowiedzialnej za widzenie. Ten system uczuć był aktywnie badany przez neurofizjologów, a specjaliści od modelowania komputerowego od dawna próbują naśladować. „Wizja wydaje się prosta - wystarczy otworzyć oczy - ale nauczenie komputerów, jak robią to samo, jest bardzo trudne” - mówi David Cox, neurobiolog z Harvard University, który kieruje jednym z zespołów IARPA.
Andreas Tolias (po lewej)
Każdy zespół zaczyna od tej samej podstawowej idei działania wizji: starej teorii znanej jako analiza przez syntezę. Zgodnie z tą ideą mózg przewiduje, co wydarzy się w najbliższej przyszłości, a następnie porównuje te przewidywania z tym, co widzi. Siła tego podejścia tkwi w jego skuteczności - wymaga mniej obliczeń niż ciągłe odtwarzanie w każdym momencie.
Mózg może przeprowadzać analizę poprzez syntezę na wiele różnych sposobów, więc naukowcy badają inną możliwość. Grupa Coxa widzi w mózgu rodzaj silnika fizycznego, który wykorzystuje istniejące modele fizyczne do symulacji świata tak, jak powinien. Zespół Tai Sing Lee, wraz z George'em Churchem, zakłada, że mózg ma wbudowaną bibliotekę części - kawałków i kawałków przedmiotów oraz ludzi - i uczy zasad łączenia tych części. Na przykład liście zwykle pojawiają się na gałęziach. Grupa Toliasa pracuje nad podejściem bardziej opartym na danych, w którym mózg tworzy statystyczne oczekiwania dotyczące świata, w którym żyje. Jego grupa przetestuje różne hipotezy dotyczące tego, jak różne części obwodu uczą się komunikować.
Wszystkie trzy grupy będą monitorować aktywność neuronową dziesiątek tysięcy neuronów w docelowej kostce mózgowej. Następnie stosuje się różne metody tworzenia schematu połączeń dla tych ogniw. Na przykład zespół Coxa przecina tkankę mózgową na warstwy cieńsze niż ludzki włos i analizuje każdy kawałek za pomocą mikroskopu elektronowego. Następnie naukowcy sklejają ze sobą każdy przekrój na komputerze, aby stworzyć gęsto upakowaną trójwymiarową mapę przedstawiającą miliony drutów nerwowych przedostających się przez korę.
Mając mapę i wykres aktywności w ręku, każdy zespół spróbuje zrozumieć podstawowe zasady rządzące torem. Następnie programują te reguły w symulacji i mierzą, jak dobrze symulacja pasuje do prawdziwego mózgu.
Andreas Tolias i współpracownicy zmapowali połączenia par neuronów i zarejestrowali ich aktywność elektryczną. Złożoną anatomię pięciu neuronów (u góry po lewej) można podsumować na prostym schemacie (u góry po prawej). Jeśli przepuszczasz prąd elektryczny przez neuron 2, jest on aktywowany, uruchamiając ładunek elektryczny w dwóch komórkach w dół kursu, neuronach 1 i 5 (poniżej)
Tolias i jego koledzy już spróbowali tego podejścia. W artykule opublikowanym w Science w listopadzie zmapowali połączenia 11 000 par neuronów, ujawniając pięć nowych typów neuronów. „Nadal nie mamy pełnej listy części składowych kory, typu poszczególnych komórek, ich połączeń” - mówi Koch. „Tak zaczął się Tolias”.
Spośród tysięcy połączeń neuronowych grupa Tolias odkryła trzy ogólne zasady rządzące połączeniem komórek: niektóre komunikują się głównie z neuronami własnego typu; inni unikają własnego typu, zajmując się głównie innymi typami; trzecia grupa komunikuje się tylko z kilkoma innymi neuronami. (Grupa Toliasa zdefiniowała swoje komórki na podstawie anatomii neuronów, a nie funkcji, w przeciwieństwie do grupy Wei Li). Korzystając tylko z trzech z tych reguł komunikacji, naukowcy byli w stanie dość dokładnie odtworzyć obwód. „Wyzwaniem jest teraz ustalenie algorytmicznie, co oznaczają te reguły komunikacji” - mówi Tolias. "Jaki rodzaj obliczeń oni robią?"
Sieci neuronowe oparte na prawdziwych neuronach
Sztuczna inteligencja oparta na mózgu nie jest nowym pomysłem. Tak zwane sieci neuronowe, które naśladują podstawową strukturę mózgu, były niezwykle popularne w latach 80. Jednak w tamtym czasie naukowcom w tej dziedzinie brakowało mocy obliczeniowej i danych na temat wydajnych algorytmów. A te wszystkie miliony zdjęć z kotami w Internecie nie były. I chociaż sieci neuronowe przeżyły wielki renesans - już dziś trudno sobie wyobrazić życie bez programów do rozpoznawania głosu i twarzy, a komputer AlphaGo niedawno pokonał najlepszego na świecie gracza w go - zasady, które wykorzystują sieci neuronowe do zmiany połączeń prawie na pewno różnią się od tych czego używa mózg.
Nowoczesne sieci neuronowe „opierają się na tym, co wiedzieliśmy o mózgu w latach 60. XX wieku” - mówi Terry Seinowski, neuronaukowiec obliczeniowy z Salk Institute w San Diego, który wraz z Jeffreyem Hintonem, naukowcem z University of Toronto, opracował pierwsze algorytmy sieci neuronowych. „Nasza wiedza na temat organizacji mózgu pęka w szwach”.
Na przykład, nowoczesne sieci neuronowe składają się z architektury bezpośredniego przepływu, w której informacje przepływają od wejścia do wyjścia przez szereg warstw. Każda warstwa jest szkolona w rozpoznawaniu określonych cech, takich jak oczy lub wąsy. Następnie analiza idzie dalej, a każda warstwa wykonuje coraz bardziej złożone obliczenia. Ostatecznie program rozpoznaje kota w serii kolorowych pikseli.
Ale w tej wybiegającej w przyszłość strukturze brakuje ważnego składnika systemu biologicznego: sprzężenia zwrotnego, zarówno w obrębie poszczególnych warstw, jak i z warstw wyższego rzędu z niższą. W prawdziwym mózgu neurony w jednej warstwie kory są połączone ze swoimi sąsiadami, a także z neuronami w warstwach powyżej i poniżej, tworząc złożoną sieć pętli. „Sprzężenie zwrotne jest niezwykle ważną częścią sieci korowych” - mówi Seinovski. „W sprzężeniu zwrotnym jest tyle sygnałów, ile jest sprzężeń zwrotnych”.
Neurolodzy nie do końca rozumieją, na czym polegają sprzężenia zwrotne, chociaż wiedzą, że są one niezbędne dla naszej zdolności do skupienia się. Pomagają nam słuchać głosu przez telefon, nie rozpraszając się na przykład odgłosami miasta. Część popularności teorii analizy przez syntezę polega na tym, że stanowi ona podstawę dla wszystkich tych powtarzalnych związków. Pomagają mózgowi porównać jego przewidywania z rzeczywistością.
Badacze Microns starają się rozszyfrować reguły rządzące pętlami sprzężenia zwrotnego - na przykład, które komórki łączą pętle, które aktywują ich aktywność i jak ta aktywność wpływa na wyjście danych z obwodu - a następnie przełożyć te reguły na algorytm. „Maszynie brakuje teraz wyobraźni i introspekcji. Wierzę, że pętla sprzężenia zwrotnego pozwoli nam wyobrazić sobie i przeanalizować siebie na wielu różnych poziomach”- mówi Tai Sing Lee.
Być może pewnego dnia pętla sprzężenia zwrotnego wyposaży maszyny w funkcje, które uważamy za unikalne dla ludzi. „Gdybyś mógł zaimplementować pętlę sprzężenia zwrotnego w głębokiej sieci, mógłbyś przejść z sieci, która jest zdolna tylko do szarpnięcia kolanem - zapewniając wejście i wyjście - do bardziej refleksyjnej sieci, która zaczyna nadawać sens swoim wejściom i testować hipotezy.” mówi Sejnowski.
Klucz do tajemnicy świadomości
Podobnie jak wszystkie programy IARPA, projekt Microns wiąże się z dużym ryzykiem. Istnieją technologie, których naukowcy potrzebują do mapowania aktywności neuronowej i splątań na dużą skalę, ale do tej pory nikt nie stosował ich na taką skalę. Naukowcy mają do czynienia z ogromnymi ilościami danych - 1-2 petabajty danych na milimetr sześcienny mózgu. Prawdopodobnie będziesz musiał opracować nowe narzędzia do uczenia maszynowego, aby przeanalizować wszystkie te dane, co jest dość ironiczne.
Nie jest również jasne, czy wnioski wyciągnięte z małego ugryzienia mózgu mogą wskazywać na większe talenty mózgu. „Mózg to nie tylko kawałek kory” - mówi Sejnowski. „Mózg to setki systemów wyspecjalizowanych w różnych funkcjach”.
Sama kora mózgowa składa się z powtarzających się połączeń, które wyglądają mniej więcej tak samo. Ale inne części mózgu mogą funkcjonować na bardzo różne sposoby. „Jeśli potrzebujesz sztucznej inteligencji, która wykracza poza proste rozpoznawanie wzorców, będziesz potrzebować wielu różnych części” - mówi Seinowski.
Jeśli projekt się powiedzie, będzie to coś więcej niż analiza danych wywiadowczych. Udany algorytm ujawni ważne prawdy o tym, jak mózg nadaje znaczenie temu światu. W szczególności pomoże to potwierdzić, czy mózg naprawdę działa poprzez analizę poprzez syntezę - że porównuje swoje przewidywania dotyczące świata z danymi napływającymi z naszych zmysłów. To pokaże, że kluczowym składnikiem przepisu na świadomość jest ciągle zmieniająca się mieszanka wyobraźni i percepcji. Budując maszynę, która potrafi myśleć, naukowcy mają nadzieję odkryć sekrety samej myśli.