V živalski vrt pripeljite triletnega otroka in intuitivno bo ugotovil, da so dolgoživi živalski listi živali ista žirafa iz slikanice njegovih otrok. Ta preprost podvig je pravzaprav precej zapleten. Risba v knjigi je zamrznjena silhueta preprostih linij, živo bitje pa je mojstrovina barve, teksture, gibanja in svetlobe. Če ga gledamo iz različnih zornih kotov, je videti drugače in lahko spremeni obliko, položaj, perspektivo.
Na splošno ljudje dobro opravljajo tovrstne naloge. Najpomembnejše lastnosti predmeta lahko enostavno razumemo iz preprostih primerov in uporabimo to znanje na neznanem. Računalniki pa po navadi morajo sestaviti celotno bazo žiraf, prikazanih na različnih položajih, z različnih vidikov, da se naučijo natančno prepoznati žival.
Vizualna identiteta je eno od mnogih področij, na katerih človek zlahka premaga računalnike. Prav tako bomo bolje iskali ustrezne informacije v toku podatkov; rešujemo nestrukturirane težave; Učimo se igrivo, kot otrok, ki se z gravitacijo uči z gravitacijo.
"Ljudje so veliko, mnogo bolj vsestranski," pravi Tai Sing Lee, znanstvenik in nevroznanstvenik z univerze Carnegie Mellon v Pittsburghu. "Še vedno smo bolj prilagodljivi v razmišljanju, sposobni smo predvideti, predstavljati in ustvarjati prihodnje dogodke."
Toda ZDA financirajo ambiciozen nov program, ki si prizadeva umetno inteligenco postaviti v enak položaj z lastnimi miselnimi sposobnostmi. Tri ekipe nevroznanstvenikov in računalničarjev poskušajo ugotoviti, kako možgani izvajajo te podvige vizualne identifikacije, in nato zgraditi stroje, ki storijo enako.
"Sodobno strojno učenje ne uspe tam, kjer uspeva človek," pravi Jacob Vogelstein, ki program vodi pri dejavnosti Intelligence Advanced Research Projects Activity (IARPA). "Želimo spremeniti strojno učenje z algoritmi obratnega inženiringa in računanjem možganov."
Časa je zelo malo. Vsaka skupina trenutno modelira obliž lubja z neznanimi podrobnostmi. Skupaj razvijejo algoritme na podlagi tega, kar so se naučili. Do naslednjega poletja bo vsak od teh algoritmov zgled neznane stvari, ki jo je mogoče zaznati na tisoče slik v neznani bazi podatkov. "Časovni trak je zelo tesen," je dejal Christoph Koch, predsednik in starejši sodelavec Allenovega inštituta za možgansko znanost v Seattlu, ki sodeluje z eno od skupin.
Koch in njegovi sodelavci ustvarijo popolno shemo ožičenja za majhno možgansko kocko - milijon kubičnih mikronov, približno pet petino prostornine makovega semena. In to je za nekaj več kot najbolj popoln in največji zemljevid tkanja možganov do danes, ki je bil objavljen junija lani in je za izdelavo potrebovalo približno šest let.
Promocijski video:
Do konca petletnega projekta IARPA, imenovanega "kortikalna mrežna strojna inteligenca (Microns)", znanstveniki načrtujejo preslikati kubični milimeter korteksa. Ta majhen kos vsebuje blizu 100.000 nevronov, 3 do 15 milijonov nevronskih povezav ali sinaps in dovolj nevronskih zapletov, da pokrije veliko mesto, če ga ne razgrnemo in raztegnemo.
Nihče še ni poskušal rekonstruirati dela možganov v takem obsegu. Toda bolj majhna prizadevanja so pokazala, da lahko takšni zemljevidi osvetlijo notranje delovanje možganske skorje. V članku, objavljenem v reviji Nature marca, je Wei-Chung Allen Lee - nevroznanstvenik z univerze Harvard, ki sodeluje s Kochovo ekipo - in njegovi sodelavci preslikali povezave 50 nevronov in več kot 1000 njihovih partnerjev. S kombiniranjem tega zemljevida z informacijami o delovanju vsakega nevrona v možganih - nekateri se na primer odzovejo na vizualni signal - so znanstveniki sklepali o preprostem pravilu anatomske povezave nevronov na tem delu skorje. In ugotovili so, da se nevroni s podobnimi funkcijami pogosteje povezujejo in tvorijo velike povezave med seboj in manj verjetno z drugimi vrstami nevronov.
In čeprav je cilj projekta Microns zelo tehnološki - IARPA financira raziskave, ki bi lahko privedle do orodij za analizo podatkov za obveščevalne agencije in druge, seveda - vzporedno s tem bodo znanstveniki prejeli podatke o možganskih funkcijah. Andreas Tolias, nevrolog z medicinske fakultete Baylor College, ki je eden vodilnih članov Kochove ekipe, naše trenutno znanje o kortezu primerja z zamegljeno fotografijo. Upa, da bo obseg projekta Microns brez primere pomagal izostriti to perspektivo in odkriti bolj zapletena pravila, ki urejajo naša nevronska vezja. Ne da bi poznali vse sestavne dele, "nam morda manjka lepota te strukture."
Možganski procesor
Zapleteni pregibi, ki pokrivajo površino možganov in tvorijo možgansko skorjo (skorjo), so dobesedno vtkani v naše lobanje. V marsičem gre za možganski mikroprocesor. Tri milimetra debel vmesni sloj je sestavljen iz niza ponavljajočih se modulov ali mikrovezj, kot niz logičnih vrat v računalniškem čipu. Vsak modul sestavlja približno 100.000 nevronov, razporejenih v zapleteni mreži medsebojno povezanih celic. Obstajajo dokazi, da je osnovna struktura teh modulov približno enaka v celotni skorji. Vendar so moduli v različnih regijah možganov specializirani za posebne namene, kot so vid, gibanje in sluh.
Znanstveniki imajo le grobo predstavo o tem, kako ti moduli izgledajo in kako delujejo. Večinoma so omejene na preučevanje možganov v najmanjšem merilu: na desetine ali stotine nevronov. Nove tehnologije, namenjene sledenju oblike, aktivnosti in povezljivosti tisoč nevronov, šele zdaj omogočajo znanstvenikom, da začnejo analizirati, kako celice v modulu medsebojno vplivajo; kako lahko dejavnost v enem delu sistema ustvari aktivnost v drugem delu. "Prvič v zgodovini smo te module lahko opravili, ne da bi zgolj ugibali o vsebini," pravi Vogelstein. "Različne ekipe imajo različna ugibanja o tem, kaj je znotraj."
Raziskovalci se bodo osredotočili na del možganske skorje, ki je odgovoren za vid. Ta sistem občutkov nevrofiziologi aktivno preučujejo, strokovnjaki za računalniško modeliranje pa že dolgo poskušajo posnemati. "Vizija se zdi preprosta - samo odprite oči - vendar je učenje računalnikov, da to storijo, zelo težko," pravi David Cox, nevroznanstvenik z univerze Harvard, ki vodi eno od skupin IARPA.
Andreas Tolias (levo)
Vsaka ekipa začne z isto osnovno idejo, kako deluje vid: stara teorija, znana kot analiza s sintezo. Po tej ideji možgani napovedujejo, kaj se bo zgodilo v bližnji prihodnosti, nato pa te napovedi preverijo v primerjavi s tem, kar bodo videli. Moč tega pristopa je v njegovi učinkovitosti - potrebno je manj izračuna, kot nenehno rekreiranje vsakega trenutka.
Možgani lahko izvedejo analizo s sintezo na kup različnih načinov, zato znanstveniki raziskujejo še eno možnost. Coxova skupina v možganih vidi nekakšen fizični motor, ki uporablja obstoječe fizične modele za simulacijo sveta, kot bi moral biti. Ekipa Tai Sing Leeja skupaj z George Churchom domneva, da imajo možgani vgrajeno knjižnico delov - kosov in kosov predmetov in ljudi - in uči pravila, kako sestaviti te dele. Listi, na primer, se običajno pojavijo na vejah. Toliasova skupina se ukvarja s pristopom, ki temelji na podatkih, v katerem možgani ustvarjajo statistična pričakovanja za svet, v katerem živijo. Njegova skupina bo preizkusila različne hipoteze o tem, kako se različni deli vezja učijo komunicirati.
Vse tri skupine bodo spremljale nevronsko aktivnost več deset tisoč nevronov v ciljni možganski kocki. Nato se za izdelavo ožičnega diagrama za te celice uporabljajo različne metode. Coxova ekipa bo na primer razrezala možgansko tkivo na plasti, tanjše od človeških dlak, in analizirala vsako rezino s pomočjo elektronske mikroskopije. Znanstveniki nato vsak presek skupaj zlepijo na računalnik, da ustvarijo gosto zapakiran 3D zemljevid, kako milijoni živčnih žic peljejo skozi skorjo.
Z zemljevidom in grafikonom dejavnosti bo vsaka ekipa poskušala razumeti osnovna pravila, ki urejajo vezje. Nato ta pravila programirajo v simulacijo in izmerijo, kako dobro se simulacija ujema z resničnimi možgani.
Andreas Tolias in sodelavci so preslikali povezave parov nevronov in posneli njihovo električno aktivnost. Kompleksno anatomijo petih nevronov (zgoraj levo) lahko povzamemo v preprostem shematičnem diagramu (zgoraj desno). Če vodite električni tok skozi nevrona 2, se aktivira in sproži električni naboj v dveh celicah po poti, nevrona 1 in 5 (spodaj)
Tolias in njegovi sodelavci so ta pristop že okusili. V članku, objavljenem v Science, novembra, so preslikali povezave 11.000 parov nevronov in razkrili pet novih vrst nevronov. "Še vedno nimamo popolnega seznama delov, ki sestavljajo skorjo, vrste posameznih celic in njihovih povezav," pravi Koch. "Tu je začel Tolias."
Med tisoči nevronskih povezav je skupina Tolias odkrila tri splošna pravila, ki urejajo povezavo celic: nekatere komunicirajo predvsem z lastnimi nevroni; drugi se izogibajo lastnemu tipu in se ukvarjajo predvsem z drugimi vrstami; tretja skupina komunicira z le nekaj drugimi nevroni. (Toliasova skupina je določila svoje celice na podlagi nevronske anatomije in ne funkcije, za razliko od skupine Wei Li.) S pomočjo samo treh teh pravil komuniciranja so znanstveniki lahko dokaj natančno reproducirali vezje. "Zdaj je izziv ugotoviti, kaj algoritmično pomenijo ta komunikacijska pravila," pravi Tolias. "Kakšno vrsto računa izvajajo?"
Nevronske mreže, ki temeljijo na resničnih nevronih
Umetna inteligenca, ki temelji na možganih, ni nova ideja. Tako imenovane nevronske mreže, ki posnemajo osnovno strukturo možganov, so bile v 80. letih 20. stoletja izjemno priljubljene. Toda takrat znanstvenikom na tem področju ni primanjkovalo računske moči in podatkov, kako narediti algoritme učinkovite. In vseh teh milijonov slik z mačkami na internetu ni bilo. In čeprav so nevronske mreže doživele veliko renesanso - dandanes si je življenje brez programov za prepoznavanje glasu in obrazov že težko predstavljati, računalnik AlphaGo pa je pred kratkim premagal najboljšega igralca na svetu - pravila, ki uporabljajo nevronske mreže za spreminjanje povezav, se skoraj zagotovo razlikujejo od tistih kar možgani uporabljajo.
Sodobne nevronske mreže "temeljijo na tistem, kar smo o možganih vedeli v šestdesetih letih prejšnjega stoletja," pravi Terry Seinovski, računski nevroznanstvenik iz inštituta Salk v San Diegu, ki je razvil prve algoritme nevronske mreže z Jeffreyjem Hintonom, znanstvenikom z univerze v Torontu. "Naše znanje o tem, kako so možgani organizirani, se širi po šivih."
Na primer, sodobna nevronska omrežja sestavljajo arhitekturo z neposrednim tokom, kjer informacije tečejo od vhoda do izhoda skozi vrsto plasti. Vsaka plast je usposobljena za prepoznavanje določenih lastnosti, na primer oči ali viske. Nato se analiza nadaljuje in vsak sloj izvaja vse bolj in bolj zapletene izračune. Sčasoma program prepozna mačko v seriji barvnih pik.
A tej strukturi, ki je usmerjena v prihodnost, ni pomembna sestavina biološkega sistema: povratne informacije, tako znotraj posameznih slojev kot tudi iz višjih slojev z nižjimi. V resničnih možganih so nevroni v eni plasti korteksa povezani s sosedi, pa tudi z nevroni v plasteh nad in spodaj, ki tvorijo zapleteno mrežo zank. "Povratne informacije so izjemno pomemben del kortikalnih mrež," pravi Seinovski. "V povratnih informacijah je toliko signalov, kolikor je povratnih povezav."
Nevroznanstveniki še ne razumejo popolnoma, kaj počnejo zanke povratnih informacij, čeprav vedo, da so bistvenega pomena za našo sposobnost osredotočanja. Pomagajo nam, da poslušamo glas po telefonu, ne da bi nas na primer motili zvoki mesta. Del priljubljenosti teorije analize s sintezo je v tem, da daje temelje vsem tem ponavljajočim se spojinam. Možganom pomagajo primerjati svoje napovedi z resničnostjo.
Raziskovalci mikronov poskušajo razvozlati pravila, ki urejajo povratne zanke - na primer, katere celice povezujejo zanke, katere aktivirajo svojo aktivnost in kako ta dejavnost vpliva na izhod podatkov iz vezja - in nato ta pravila prevedejo v algoritem. »Stroju zdaj manjka domišljije in samospektive. Verjamem, da nam bo povratna zanka omogočala, da si predstavljamo in samoanaliziramo na različnih ravneh, «pravi Tai Sing Lee.
Morda bo povratna zanka nekega dne podarila stroje s funkcijami, ki se nam zdijo edinstvene za ljudi. "Če bi lahko izvedli povratno zanko v globokem omrežju, bi se lahko premaknili iz omrežja, ki je sposobno le za trzanje kolena - ki zagotavlja vhod in izhod - v bolj odsevno omrežje, ki začne smiselno vnašati in preizkušati hipoteze." pravi Sejnowski.
Ključ do skrivnosti zavesti
Kot vsi programi IARPA je tudi projekt Microns veliko tvegan. Tehnologije, ki jih znanstveniki potrebujejo za obsežno preslikavo nevronske aktivnosti in zapletov, obstajajo, vendar jih doslej še nihče ni uporabil v takšnem obsegu. Znanstveniki se morajo spoprijeti z ogromno količino podatkov - 1-2 petabajtov podatkov na kubični milimeter možganov. Verjetno boste morali razviti nova orodja za strojno učenje za analizo vseh teh podatkov, kar je precej ironično.
Prav tako ni jasno, ali lahko lekcije, pridobljene iz majhnega ugriza možganov, namignejo na večje možganske talente. "Možgani niso le lubje," pravi Sejnowski. "Možgani so na stotine sistemov, specializiranih za različne funkcije."
Sama možganska skorja je sestavljena iz ponavljajočih se povezav, ki izgledajo približno enako. Toda drugi deli možganov lahko delujejo na zelo različne načine. "Če želite, da AI presega preprosto prepoznavanje vzorcev, boste potrebovali veliko različnih delov," pravi Seinowski.
Če projekt vendarle uspe, bo to storil več kot analiziral podatke obveščevalnih podatkov. Uspešen algoritem bo razkril pomembne resnice o tem, kako možgani dajejo pomen temu svetu. Zlasti bo pomagalo potrditi, ali možgani resnično delujejo s pomočjo sinteze - da primerja svoje napovedi o svetu z dohodnimi podatki iz naših čutov. To bo pokazalo, da je ključna sestavina v receptu za zavest nenehno spreminjajoča se mešanica domišljije in dojemanja. Z gradnjo stroja, ki lahko razmišlja, znanstveniki upajo, da bodo razkrili skrivnosti misli same.
