Dovedite trogodišnje dijete u zoološki vrt, a on će intuitivno utvrditi da su listovi životinja za žvakanje dugog vraga ista žirafa iz slikovnice njegove djece. Ovaj jednostavan podvig je zapravo prilično složen. Crtež u knjizi je smrznuta silueta jednostavnih linija, a živo biće je remek djelo boja, tekstura, pokreta i svjetlosti. Izgleda drugačije ako se promatra iz različitih uglova, a može promijeniti oblik, položaj, perspektivu.
Općenito, ljudi se odlično snalaze u takvim zadacima. Lako možemo razumjeti najvažnije značajke predmeta iz jednostavnih primjera i primijeniti to znanje na nešto nepoznato. Računala, s druge strane, obično moraju sastaviti cijelu bazu žirafa, prikazanih u različitim položajima, iz različitih perspektiva, kako bi naučili kako točno prepoznati životinju.
Vizualni identitet jedno je od mnogih područja u kojima ljudi lako pobjeđuju računala. Također je bolje u pretraživanju relevantnih informacija u protoku podataka; rješavamo nestrukturirane probleme; Učimo igrano, poput djeteta koje uči gravitaciju igrajući se s blokovima.
"Ljudi su mnogo, mnogo svestraniji", kaže Tai Sing Lee, znanstvenik i neuroznanstvenica sa Sveučilišta Carnegie Mellon u Pittsburghu. "Još smo fleksibilniji u razmišljanju, sposobni predvidjeti, zamisliti i stvoriti buduće događaje."
Ali SAD financiraju novi ambiciozni program koji nastoji umjetnu inteligenciju staviti u ravan s našim mentalnim sposobnostima. Tri tima neuroznanstvenika i računalnih znanstvenika pokušavaju shvatiti kako mozak provodi te podvige vizualne identifikacije, a zatim grade strojeve koji čine isto.
"Moderno strojno učenje ne uspijeva tamo gdje ljudi napreduju", kaže Jacob Vogelstein, koji vodi program pri Inteligencijskim aktivnostima naprednih istraživačkih projekata (IARPA). "Želimo revoluciju strojnog učenja primjenom algoritama obrnutog inženjeringa i izračunavanja mozga."
Vrijeme je vrlo malo. Svaka skupina trenutno modelira mrlju od kore u neviđenim detaljima. Zajedno razvijaju algoritme na temelju onoga što su naučili. Do sljedećeg ljeta, svaki od ovih algoritama dat će primjer nepoznate stvari koju će detektirati u tisućama slika u nepoznatoj bazi podataka. "Vremenska crta je vrlo kratka", rekao je Christoph Koch, predsjednik i stariji kolega iz Allen instituta za znanost mozga u Seattlu, koji radi s jednim od timova.
Koch i njegovi kolege stvaraju kompletan dijagram ožičenja za malu kocku mozga - milijun kubičnih mikrona, oko pet stotina volumena sjemena maka. A ovo je red veličine više od najcjelovitije i najveće karte tkanja mozga do danas, koja je objavljena u lipnju prošle godine i za izradu joj je trebalo oko šest godina.
Promotivni video:
Na kraju petogodišnjeg IARPA projekta nazvanog "kortikalna mrežna mašinska inteligencija" (Microns), znanstvenici planiraju preslikati kubični milimetar korteksa. Ovaj maleni komad sadrži blizu 100 000 neurona, 3 do 15 milijuna neuronskih veza ili sinapsi, te dovoljno neuronskih zaplete da pokriju veliki grad ako se ne rasplete i ispruže.
Još nitko nije pokušao rekonstruirati dio mozga u takvoj mjeri. No, maleni napori su pokazali da takve karte mogu osvjetliti unutarnje djelovanje moždane kore. U radu objavljenom u časopisu Nature u ožujku, Wei-Chung Allen Lee - neuroznanstvenik sa Sveučilišta Harvard koji surađuje s Kochovim timom - i njegovi kolege preslikali su veze 50 neurona i preko 1000 njihovih partnera. Kombinirajući ovu kartu s informacijama o funkcioniranju svakog neurona u mozgu, na primjer, neki reagiraju na vizualni signal - znanstvenici su izvukli jednostavno pravilo anatomske povezanosti neurona u ovom dijelu korteksa. I otkrili su da je vjerojatnije da se neuroni sličnih funkcija povezuju i formiraju velike veze jedni s drugima, a manje vjerovatno s drugim vrstama neurona.
Iako je cilj Micronsovog projekta prilično tehnološki - IARPA financira istraživanja koja bi mogla dovesti do alata za analizu podataka za obavještajne agencije i drugih, naravno - paralelno s tim, znanstvenici će dobiti podatke o radu mozga. Andreas Tolias, neurolog s Medicinskog fakulteta u Bayloru, koji je jedan od vodećih članova Kochovog tima, uspoređuje naše trenutačno znanje o korteksu sa mutnom fotografijom. Nada se da će neviđena razmjera Microsovog projekta pomoći da se pooštri ta perspektiva i otkriju složenija pravila koja upravljaju našim neuronskim krugovima. Bez poznavanja svih sastavnih dijelova, "možda nam nedostaje ljepota ove strukture".
Procesor mozga
Zamršeni nabori koji pokrivaju površinu mozga i tvore moždanu koru (korteks) doslovno su se uklapali u naše lubanje. Na mnoge su načine mozak mikroprocesor. Tri milimetra debeli sloj sastoji se od niza modula koji se ponavljaju ili mikrovezama, poput niza logičkih vrata u računalnom čipu. Svaki se modul sastoji od oko 100.000 neurona raspoređenih u složenoj mreži međusobno povezanih stanica. Postoje dokazi da je osnovna struktura ovih modula približno ista u cijeloj kore. Ipak, moduli u različitim dijelovima mozga specijalizirani su za specifične svrhe kao što su vid, pokret i sluh.
Znanstvenici imaju samo grubu predodžbu o tome kako ovi moduli izgledaju i kako funkcioniraju. Oni su u velikoj mjeri ograničeni na proučavanje mozga u najmanjoj mjeri: deseci ili stotine neurona. Nove tehnologije dizajnirane za praćenje oblika, aktivnosti i povezanosti tisuća neurona tek sada omogućuju znanstvenicima da započnu analizu kako stanice unutar modula međusobno djeluju; kako aktivnost u jednom dijelu sustava može generirati aktivnost u drugom dijelu. "Prvi put u povijesti bili smo u mogućnosti anketirati te module umjesto da samo pogađamo o sadržaju", kaže Vogelstein. "Različiti timovi imaju različita nagađanja o tome što se nalazi unutra."
Istraživači će se usredotočiti na dio korteksa koji je odgovoran za vid. Ovaj sustav osjećaja aktivno su proučavali neurofiziolozi, a stručnjaci za računalno modeliranje već dugo pokušavaju oponašati. "Vizija se čini jednostavnom - samo otvorite oči - ali podučavanje računala da to rade vrlo je teško", kaže David Cox, neuroznanstvenica sa Sveučilišta Harvard koji vodi jedan od IARPA timova.
Andreas Tolias (lijevo)
Svaki tim započinje s istom osnovnom idejom o funkcioniranju vizije: staroj teoriji poznatoj kao analiza sintezom. Prema ovoj ideji, mozak predviđa što će se dogoditi u bliskoj budućnosti, a zatim provjerava ta predviđanja u odnosu na ono što vidi. Snaga ovog pristupa je u njegovoj učinkovitosti - zahtijeva manje računanje nego kontinuirano rekreiranje svakog trenutka.
Mozak može obavljati analizu putem sinteze na hrpu različitih načina, pa znanstvenici istražuju drugu mogućnost. Coxova grupa vidi u mozgu svojevrsni fizički motor koji koristi postojeće fizičke modele kako bi simulirao svijet onakav kakav bi trebao izgledati. Tim Tai Singa Leeja, zajedno s George Churchom, pretpostavlja da mozak ima ugrađenu biblioteku dijelova - komada i komada predmeta i ljudi - i podučava pravilima kako te dijelove sastaviti. Na primjer, lišće se obično pojavljuje na granama. Toliasova skupina radi na pristupu više podataka, u kojem mozak stvara statistička očekivanja za svijet u kojem živi. Njegova će skupina testirati različite hipoteze o tome kako različiti dijelovi kruga uče komunicirati.
Sve tri skupine pratit će neuronsku aktivnost desetaka tisuća neurona u ciljanoj kocki mozga. Tada se koriste razne metode za stvaranje dijagrama ožičenja za ove ćelije. Primjerice, Coxov tim razrezat će moždano tkivo u slojeve tanje od ljudske dlake i analizirati svaku krišku pomoću elektronske mikroskopije. Znanstvenici zatim svaki presjek zalijepe na računalo kako bi stvorili gusto nabijenu 3D kartu o tome kako milijuni žičanih žica prolaze kroz korteks.
Uz kartu i kartu aktivnosti u ruci, svaki će tim pokušati razumjeti osnovna pravila koja upravljaju krugom. Tada ta pravila programiraju u simulaciju i mjere koliko dobro simulacija odgovara stvarnom mozgu.
Andreas Tolias i njegovi kolege mapirali su veze parova neurona i zabilježili njihovu električnu aktivnost. Složena anatomija pet neurona (gore lijevo) može se sažeti u jednostavan shematski dijagram (gore desno). Ako pokrenete električnu struju kroz neuron 2, aktivira se, pokrećući električni naboj u dvije stanice nizvodno, neuronima 1 i 5 (dolje)
Tolias i njegovi kolege već su okusili ovaj pristup. U radu objavljenom u časopisu Science u studenom, oni su preslikali veze 11 000 parova neurona, otkrivajući pet novih vrsta neurona. "Još uvijek nemamo potpun popis dijelova koji čine korteks, vrstu pojedinih stanica i njihove veze", kaže Koch. "Tu je započeo Tolias."
Među tisućama neuronskih veza, grupa Tolias otkrila je tri opća pravila koja reguliraju vezu stanica: neke komuniciraju prvenstveno s neuronima vlastitog tipa; drugi izbjegavaju vlastiti tip, baveći se prije svega drugim vrstama; treća skupina komunicira sa samo nekoliko drugih neurona. (Toliasova je skupina definirala svoje stanice na temelju neuronske anatomije, a ne funkcije, za razliku od Wei Li-ove skupine.) Koristeći samo tri od ovih pravila komunikacije, znanstvenici su uspjeli reproducirati krug prilično precizno. „Sada je izazov shvatiti što ta pravila komunikacije znači algoritamski,“kaže Tolias. "Kakvu vrstu izračuna rade?"
Neuronske mreže temeljene na stvarnim neuronima
Umjetna inteligencija na temelju mozga nije nova ideja. Takozvane neuronske mreže koje oponašaju osnovnu strukturu mozga bile su izuzetno popularne 1980-ih. Ali u to vrijeme znanstvenicima na terenu nedostajalo je računske snage i podataka o tome kako algoritam učiniti efikasnim. A svih tih milijuna slika s mačkama na Internetu nije bilo. Iako su neuronske mreže prošle kroz veliku renesansu - danas je već teško zamisliti život bez programa prepoznavanja glasa i lica, a AlphaGo računalo nedavno je pobijedilo najboljeg svjetskog igrača - pravila koja koriste neuronske mreže za promjenu svojih veza gotovo se razlikuju od onih što mozak koristi.
Suvremene neuronske mreže "temelje se na onome što smo znali o mozgu u šezdesetima", kaže Terry Seinowski, računski neuroznanstvenik sa Salk instituta u San Diegu, koji je razvio prve algoritme neuronske mreže s Jeffreyjem Hintonom, znanstvenikom sa Sveučilišta u Torontu. "Naše znanje o organiziranju mozga pukne po šavovima."
Na primjer, moderne neuronske mreže sastoje se od arhitekture izravnog protoka, gdje informacije teče od ulaza do izlaza kroz niz slojeva. Svaki je sloj osposobljen za prepoznavanje određenih osobina, poput očiju ili jastreba. Tada se analiza kreće dalje, a svaki sloj vrši sve složenije izračune. Program na kraju prepozna mačku u nizu obojenih piksela.
Ali ovoj strukturi koja gleda naprijed nedostaje važna komponenta biološkog sustava: povratne informacije, kako unutar pojedinih slojeva tako i od slojeva višeg reda s nižim. U stvarnom mozgu, neuroni u jednom sloju korteksa povezani su sa svojim susjedima, kao i s neuronima u slojevima iznad i ispod, tvoreći složenu mrežu petlji. "Povratne informacije izuzetno su važan dio kortikalnih mreža", kaže Seinovski. "Postoji isto toliko signala u povratnim informacijama koliko ih ima i dovodnih veza."
Neuroznanstvenici još uvijek ne razumiju u potpunosti što čine petlje za povratne informacije, iako znaju da su neophodne za našu sposobnost fokusiranja. Pomažu nam da slušamo glas putem telefona, na primjer, ne ometajući zvuke grada. Dio popularnosti teorije analize sintezom leži u činjenici da daje temelj svim tim ponavljajućim spojevima. Pomažu mozgu da uspoređuje svoja predviđanja i stvarnosti.
Mikronski istraživači žele dešifrirati pravila koja upravljaju petljama povratnih informacija - na primjer, koje stanice povezuju petlje, koje aktiviraju svoju aktivnost i kako ta aktivnost utječe na izlaz podataka iz kruga - a zatim ta pravila prevode u algoritam. „Mašini sada nedostaje mašte i samospekcije. Vjerujem da će nam petlja povratnih informacija omogućiti da zamislimo i samoanaliziramo na raznim razinama “, kaže Tai Sing Lee.
Možda će petlja za povratne informacije jednog dana obdariti strojeve s značajkama koje smatramo jedinstvenim za ljude. Ako biste mogli implementirati povratnu petlju u duboku mrežu, mogli biste se premjestiti iz mreže koja je sposobna samo za udarac koljenom - pružajući ulaz i izlaz - u reflektivniju mrežu koja počinje konceptualizirati svoje ulaze i testirati hipoteze. kaže Sejnowski.
Ključ misterije svijesti
Kao i svi IARPA programi, Micronsov projekt predstavlja visoki rizik. Tehnologije koje su znanstvenicima potrebne za opsežno mapiranje neuralne aktivnosti i zapetljanja postoje, ali ih do sada nitko nije primijenio u takvoj mjeri. Znanstvenici se moraju baviti ogromnim količinama podataka - 1-2 petabajta podataka po kubičnom milimetru mozga. Vjerojatno ćete morati razviti nove alate za strojno učenje kako biste analizirali sve te podatke, što je prilično ironično.
Također nije jasno mogu li nauke iz malog zalogaja nagovijestiti veće talente mozga. "Mozak nije samo kora", kaže Sejnowski. "Mozak je stotine sustava specijaliziranih za različite funkcije."
Sama cerebralna kora je sastavljena od ponavljajućih veza koje izgledaju približno isto. Ali drugi dijelovi mozga mogu funkcionirati na vrlo različite načine. "Ako želite da AI nadiđe jednostavno prepoznavanje uzoraka, trebat će vam mnogo različitih dijelova", kaže Seinowski.
Ako projekt ipak uspije, učinit će više od analize obavještajnih podataka. Uspješan algoritam otkrit će važne istine o tome kako mozak daje značenje ovom svijetu. Konkretno, pomoći će potvrditi da li mozak doista djeluje analizom sintezom - da uspoređuje svoja predviđanja o svijetu s dolaznim podacima iz naših osjetila. To će pokazati da je ključni sastojak recepta za svijest neprestano mješavina mašte i percepcije. Izgrađujući stroj koji može razmišljati, znanstvenici se nadaju da će otkriti same tajne misli.
