Ta med et tre år gammelt barn til dyrehagen, og han vil intuitivt bestemme at de lange halsede dyrene som tygger bladene er den samme sjiraffen fra barnebildene. Denne enkle bragden er faktisk ganske sammensatt. Tegningen i boka er en frossen silhuett av enkle linjer, og den levende skapningen er et mesterverk av farge, tekstur, bevegelse og lys. Det ser annerledes ut når det sees fra forskjellige vinkler, og kan endre form, posisjon, perspektiv.
Generelt sett klarer folk seg godt i denne typen oppgaver. Vi kan enkelt forstå de viktigste funksjonene i et objekt fra enkle eksempler og anvende denne kunnskapen til noe ukjent. Datamaskiner, på den annen side, trenger vanligvis å samle en hel database med sjiraffer, vist i forskjellige posisjoner, fra forskjellige perspektiver, for å lære å identifisere et dyr nøyaktig.
Visuell identitet er et av de mange områdene der mennesker lett slår datamaskiner. Vi er også flinkere til å lete etter relevant informasjon i datastrømmen; vi løser ustrukturerte problemer; Vi lærer lekent, som et barn som lærer om tyngdekraften ved å leke med blokker.
"Folk er mye, mye mer allsidige," sier Tai Sing Lee, en forsker og nevrovitenskapsmann ved Carnegie Mellon University i Pittsburgh. "Vi er fremdeles mer fleksible i å tenke, i stand til å forutse, forestille oss og skape fremtidige hendelser."
Men USA finansierer et ambisiøst nytt program som søker å sette kunstig intelligens på lik linje med våre egne mentale evner. Tre team av nevrovitenskapsmenn og informatikere prøver å finne ut hvordan hjernen utfører disse svindelene med visuell identifikasjon, og deretter bygge maskiner som gjør det samme.
"Moderne maskinlæring mislykkes der mennesker trives," sier Jacob Vogelstein, som leder programmet ved Intelligence Advanced Research Projects Activity (IARPA). "Vi vil revolusjonere maskinlæring ved omvendt ingeniøralgoritmer og hjerneberegning."
Det er veldig lite tid. Hver gruppe modellerer for tiden en barklapp i enestående detalj. Sammen utvikler de algoritmer basert på hva de har lært. Innen neste sommer vil hver av disse algoritmene bli gitt et eksempel på en ukjent ting å oppdage i tusenvis av bilder i den ukjente databasen. "Tidslinjen er veldig stram," sa Christoph Koch, president og senior stipendiat ved Allen Institute for Brain Science i Seattle, som jobber med et av teamene.
Koch og kollegene lager et komplett koblingsskjema for en liten kube i hjernen - en million kubikk mikron, omtrent en femhundreledel av volumet til et valmuefrø. Og dette er en størrelsesorden mer enn det mest komplette og største kartet for hjerneveving til dags dato, som ble publisert i juni i fjor og som tok omtrent seks år å lage.
Salgsfremmende video:
Ved slutten av et fem år langt IARPA-prosjekt kalt "cortical network machine intelligence (Microns)", planlegger forskere å kartlegge en kubikk millimeter av cortex. Denne lille delen inneholder nærmere 100 000 nevroner, 3 til 15 millioner nevrale forbindelser, eller synapser, og nok nevrale forviklinger til å dekke en storby hvis den ikke er sammenfiltret og strukket ut.
Ingen har ennå prøvd å rekonstruere deler av hjernen i en slik skala. Men mer småskalainnsats har vist at slike kart kan belyse den indre virkningen av hjernebarken. I en artikkel publisert i tidsskriftet Nature i mars kartla Wei-Chung Allen Lee - en nevrovitenskapsmann ved Harvard University som jobber med Kochs team - og kollegene hans forbindelser til 50 nevroner og over 1000 av deres partnere. Ved å kombinere dette kartet med informasjon om funksjonen til hvert nevron i hjernen - noen reagerer på et visuelt signal, for eksempel - har forskere utledet en enkel regel om den anatomiske forbindelsen av nevroner i denne delen av cortex. Og de fant ut at det er mer sannsynlig at nevroner med lignende funksjoner kobler seg til og danner store forbindelser med hverandre, og mindre sannsynlig med andre typer nevroner.
Og selv om målet med Microns-prosjektet er veldig teknologisk - IARPA finansierer forskning som kan føre til dataanalyseverktøy for etterretningsbyråer, og andre, selvfølgelig - parallelt med dette, vil forskere motta data om hjernens arbeid. Andreas Tolias, en nevrolog ved Baylor College of Medicine som er en av de ledende medlemmene i Kochs team, sammenligner vår nåværende kunnskap om cortex med uskarpt fotografering. Han håper den enestående omfanget av Microns-prosjektet vil bidra til å skjerpe dette perspektivet og oppdage mer komplekse regler som styrer nevrale kretsløp. Uten å kjenne til alle bestanddelene, "kan det hende at vi savner skjønnheten i denne strukturen."
Hjerneprosessor
De intrikate foldene som dekker overflaten av hjernen og danner hjernebarken (cortex), er bokstavelig talt kilet inn i hodeskallene våre. På mange måter er det hjernens mikroprosessor. Det tre millimeter tykke mellomlaget består av en serie repeterende moduler, eller mikrokretser, som en rekke logiske porter i en datamaskinbrikke. Hver modul består av omtrent 100 000 nevroner arrangert i et komplekst nettverk av sammenkoblede celler. Det er bevis på at den grunnleggende strukturen til disse modulene er omtrent den samme i hele cortex. Moduler i forskjellige områder av hjernen er imidlertid spesialiserte for spesifikke formål som syn, bevegelse og hørsel.
Forskere har bare en grov ide om hvordan disse modulene ser ut og hvordan de fungerer. De er stort sett begrenset til å studere hjernen i minste skala: titalls eller hundrevis av nevroner. Nye teknologier designet for å spore form, aktivitet og tilkobling til tusenvis av nevroner lar først nå forskere begynne å analysere hvordan celler i en modul interagerer med hverandre; hvordan aktivitet i en del av systemet kan generere aktivitet i en annen del. "For første gang i historien klarte vi å undersøke disse modulene i stedet for bare å gjette på innholdet," sier Vogelstein. "Ulike team har forskjellige gjetninger om hva som er inni."
Forskere vil fokusere på den delen av cortex som er ansvarlig for synet. Dette følelsessystemet er aktivt studert av nevrofysiologer, og spesialister i datamodellering har lenge prøvd å etterligne. "Visjon virker enkel - bare åpne øynene - men å lære datamaskiner å gjøre det samme er veldig vanskelig," sier David Cox, en nevrovitenskapsmann ved Harvard University som leder et av IARPA-teamene.
Andreas Tolias (til venstre)
Hvert team starter med den samme grunnleggende ideen om hvordan visjon fungerer: en gammel teori kjent som analyse ved syntese. I følge denne ideen gir hjernen spådommer om hva som vil skje i løpet av den nærmeste fremtiden, og sjekker deretter disse spådommene mot det den ser. Styrken med denne tilnærmingen ligger i dens effektivitet - den krever mindre beregning enn å gjenskape hvert øyeblikk i tid.
Hjernen kan utføre analyse gjennom syntese på en rekke forskjellige måter, så forskere undersøker en annen mulighet. Coxs gruppe ser i hjernen en slags fysikkmotor som bruker eksisterende fysiske modeller for å simulere verden slik den skal se ut. Tai Sing Lees team, sammen med George Church, antar at hjernen har et innebygd bibliotek med deler - stykker og biter av gjenstander og mennesker - og lærer reglene for hvordan man kan sette disse delene sammen. Blader, for eksempel, vises vanligvis på grener. Tolias gruppe jobber med en mer datadrevet tilnærming, der hjernen skaper statistiske forventninger til verden den lever i. Gruppen hans vil teste forskjellige hypoteser om hvordan forskjellige deler av kretsløpet lærer å kommunisere.
Alle tre gruppene vil overvåke den nevrale aktiviteten til titusenvis av nevroner i målhjernen. Deretter brukes forskjellige metoder for å lage et koblingsskjema for disse cellene. Coxs team vil for eksempel kutte hjernevev i lag som er tynnere enn et menneskehår og analysere hver skive ved hjelp av elektronmikroskopi. Forskere limer deretter hvert tverrsnitt på en datamaskin for å lage et tettpakket 3D-kart over hvordan millioner av nervetråder gjør seg vei gjennom cortex.
Med kartet og aktivitetskartet i hånden vil hvert team prøve å forstå de grunnleggende reglene for kretsløpet. Deretter programmerer de disse reglene inn i simuleringen og måler hvor godt simuleringen matcher den virkelige hjernen.
Andreas Tolias og kollegene kartla forbindelsene mellom par av nevroner og registrerte deres elektriske aktivitet. Den komplekse anatomien til fem nevroner (øverst til venstre) kan oppsummeres i et enkelt skjematisk diagram (øverst til høyre). Hvis du kjører en elektrisk strøm gjennom nevron 2, aktiveres den, og starter en elektrisk ladning i to celler nedover løpet, nevronene 1 og 5 (nedenfor)
Tolias og kollegene har allerede smakt på denne tilnærmingen. I en artikkel publisert i Science i november, kartla de forbindelsene til 11 000 nevronepar, og avslørte fem nye typer nevroner. "Vi har fremdeles ikke en fullstendig liste over delene som utgjør cortex, typen av individuelle celler, forbindelsene deres," sier Koch. "Det var der Tolias startet."
Blant de tusenvis av nevrale forbindelser oppdaget Tolias-gruppen tre generelle regler som styrer forbindelsen av celler: noen kommuniserer først og fremst med nevroner av sin egen type; andre unngår sin egen type, og handler først og fremst med andre typer; den tredje gruppen kommuniserer med bare noen få andre nevroner. (Tolias 'gruppe definerte cellene sine basert på nevral anatomi, ikke funksjon, i motsetning til Wei Li gruppe.) Ved å bruke bare tre av disse kommunikasjonsreglene klarte forskere å reprodusere kretsløpet ganske nøyaktig. "Utfordringen nå er å finne ut hva disse kommunikasjonsreglene betyr algoritmisk," sier Tolias. "Hva slags beregning gjør de?"
Nevrale nettverk basert på virkelige nevroner
Hjernebasert kunstig intelligens er ikke en ny idé. Såkalte nevrale nettverk som etterligner den grunnleggende strukturen i hjernen var ekstremt populære på 1980-tallet. Men den gangen manglet forskere på feltet beregningskraften og dataene for hvordan effektivisere algoritmer. Og alle disse millionene bilder med katter på Internett var det ikke. Og selv om nevrale nettverk har opplevd en stor renessanse - i dag er det allerede vanskelig å forestille seg livet uten tale- og ansiktsgjenkjenningsprogrammer, og AlphaGo-datamaskinen slo nylig verdens beste go-spiller - reglene som bruker nevrale nettverk for å endre forbindelsene sine, er nesten helt sikkert forskjellige fra de hva hjernen bruker.
Moderne nevrale nettverk "er basert på det vi visste om hjernen på 1960-tallet," sier Terry Seinowski, en beregningsneurovitenskapsmann ved Salk Institute i San Diego, som utviklet de første nevrale nettverksalgoritmene med Jeffrey Hinton, en forsker ved University of Toronto. "Vår kunnskap om hvordan hjernen er organisert, sprenger i sømmene."
For eksempel består moderne nevrale nettverk av en direkte flyt-arkitektur, der informasjon flyter fra input til output gjennom en serie lag. Hvert lag er opplært til å gjenkjenne visse funksjoner, for eksempel øyne eller værhår. Deretter går analysen videre, og hvert lag utfører mer og mer komplekse beregninger. Etter hvert gjenkjenner programmet en katt i en serie fargede piksler.
Men denne fremtidsrettede strukturen mangler en viktig komponent i det biologiske systemet: tilbakemelding, både i individuelle lag og fra lag med høyere orden med lavere. I en ekte hjerne er nevroner i ett lag av cortex koblet til naboene, så vel som til neuroner i lag over og under, og danner et komplekst nettverk av løkker. "Tilbakemelding er en ekstremt viktig del av de kortikale nettverkene," sier Seinovski. "Det er like mange signaler i tilbakemeldinger som det er fremoverforbindelser."
Nevrovitere forstår ennå ikke helt hva tilbakemeldingsløkker gjør, selv om de vet at de er viktige for vår evne til å fokusere. De hjelper oss å lytte til stemmen på telefonen uten å bli distrahert av lydene fra byen, for eksempel. En del av populariteten til teorien om analyse ved syntese ligger i det faktum at den gir grunnlaget for alle disse repeterende forbindelsene. De hjelper hjernen med å sammenligne dens spådommer med virkeligheten.
Mikrons forskere søker å dechiffrere reglene for tilbakemeldingsløkker - for eksempel hvilke celler som forbinder løkkene, hvilke som aktiverer aktiviteten deres, og hvordan den aktiviteten påvirker utdataene fra data fra kretsen - og så oversetter disse reglene til en algoritme. “Maskinen mangler nå fantasi og introspeksjon. Jeg tror at tilbakemeldingssløyfen vil tillate oss å forestille oss og selvanalysere på mange forskjellige nivåer, sier Tai Sing Lee.
Kanskje vil en tilbakemeldingssløyfe en dag gi maskiner med funksjoner som vi anser som unike for mennesker. "Hvis du kan implementere en tilbakemeldingssløyfe i et dypt nettverk, kan du flytte fra et nettverk som bare er i stand til å få et kne - som gir inngang og utdata - til et mer reflekterende nettverk som begynner å gi mening om innspill og testhypoteser." sier Sejnowski.
Nøkkelen til bevissthetens mysterium
Som alle IARPA-programmene er Microns-prosjektet en høy risiko. Teknologiene som forskere trenger for storskala kartlegging av nevral aktivitet og forviklinger eksisterer, men ingen har brukt dem på en slik skala før nå. Forskere må håndtere enorme datamengder - 1-2 petabyte data per kubikk millimeter hjerne. Du vil sannsynligvis måtte utvikle nye maskinlæringsverktøy for å analysere alle disse dataene, noe som er ganske ironisk.
Det er også uklart om erfaringene fra den lille biten i hjernen kan antyde større hjernetalenter. "Hjernen er ikke bare et stykke bark," sier Sejnowski. "Hjernen er hundrevis av systemer som er spesialiserte for forskjellige funksjoner."
Selve hjernebarken består av repeterende koblinger som ser omtrent like ut. Men andre deler av hjernen kan fungere på veldig forskjellige måter. "Hvis du vil ha AI som går utover enkel mønstergjenkjenning, vil du trenge mange forskjellige deler," sier Seinowski.
Hvis prosjektet lykkes, vil det imidlertid gjøre mer enn å analysere etterretningsdata. En vellykket algoritme vil avsløre viktige sannheter om hvordan hjernen gir mening til denne verden. Spesielt vil det bidra til å bekrefte om hjernen virkelig fungerer ved analyse gjennom syntese - at den sammenligner sine spådommer om verden med innkommende data fra sansene våre. Dette vil vise at en sentral ingrediens i oppskriften på bevissthet er en stadig skiftende blanding av fantasi og persepsjon. Ved å bygge en maskin som kan tenke, håper forskere å avdekke tankens hemmeligheter.
