Bringe et tre år gammelt barn til zoologisk have, og han vil intuitivt bestemme, at de lange halsede dyr tygge blade er den samme giraff fra hans børns billedbog. Denne enkle bedrift er faktisk ret kompliceret. Tegningen i bogen er en frosset silhuet af enkle linjer, og den levende væsen er et mesterværk af farve, tekstur, bevægelse og lys. Det ser anderledes ud, når det ses fra forskellige vinkler, og kan ændre form, position, perspektiv.
Generelt klarer folk sig godt i denne slags opgaver. Vi kan nemt forstå de vigtigste egenskaber ved et objekt fra enkle eksempler og anvende denne viden til noget uvant. Computere på den anden side har normalt brug for at samle en hel database med giraffer vist i forskellige positioner, fra forskellige perspektiver, for at lære, hvordan man nøjagtigt genkender et dyr.
Visuel identitet er et af de mange områder, hvor mennesker let slår computere. Vi er også bedre til at lede efter relevant information i datastrømmen; vi løser ustrukturerede problemer; Vi lærer legende, som et barn, der lærer om tyngdekraften ved at lege med blokke.
”Folk er meget, meget mere alsidige,” siger Tai Sing Lee, en videnskabsmand og neurovidenskabsmand ved Carnegie Mellon University i Pittsburgh.”Vi er stadig mere fleksible i at tænke, i stand til at forudse, forestille os og skabe fremtidige begivenheder.”
Men USA finansierer et ambitiøst nyt program, der søger at sætte kunstig intelligens på niveau med vores egne mentale evner. Tre hold af neurovidenskabsmænd og computerforskere forsøger at finde ud af, hvordan hjernen udfører disse feats med visuel identifikation, og bygger derefter maskiner, der gør det samme.
"Moderne maskinlæring mislykkes, hvor mennesker trives," siger Jacob Vogelstein, der leder programmet ved Intelligence Advanced Research Projects Activity (IARPA). "Vi vil revolutionere maskinlæring ved hjælp af reverse engineering algoritmer og hjerneberegning."
Der er meget lidt tid. Hver gruppe modellerer i øjeblikket en patch med bark i hidtil uset detalje. Sammen udvikler de algoritmer baseret på hvad de har lært. Ved næste sommer vil hver af disse algoritmer få et eksempel på en ukendt ting, der skal registreres i tusinder af billeder i den ukendte database. "Tidslinjen er meget stram," sagde Christoph Koch, præsident og seniormedarbejder ved Allen Institute for Brain Science i Seattle, der arbejder med et af holdene.
Koch og hans kolleger skaber et komplet ledningsdiagram til en lille terning i hjernen - en million kubik mikron, cirka en fem hundredeedel af volumen af et valmuefrø. Og dette er en størrelsesorden mere end det mest komplette og største kort over hjernevævning til dato, som blev offentliggjort i juni sidste år, og som det tog omkring seks år at skabe.
Salgsfremmende video:
Ved afslutningen af et femårigt IARPA-projekt kaldet "cortical network machine intelligence (Microns)", planlægger forskere at kortlægge en kubisk millimeter af cortex. Denne lille del indeholder tæt på 100.000 neuroner, 3 til 15 millioner neurale forbindelser eller synapser og nok neurale indviklingsforbindelser til at dække en større by, hvis de er uafviklet og strækket ud.
Ingen har forsøgt at rekonstruere en del af hjernen på en sådan skala endnu. Men mere indsats i mindre målestok har vist, at sådanne kort kan kaste lys over den indre virkning af hjernebarken. I et papir, der blev offentliggjort i tidsskriftet Nature i marts, kortlagde Wei-Chung Allen Lee - en neurovidenskabsmand ved Harvard University, der arbejder med Kochs team - og hans kolleger forbindelserne mellem 50 neuroner og over 1.000 af deres partnere. Ved at kombinere dette kort med information om funktionen af hver neuron i hjernen - nogle reagerer for eksempel på et visuelt signal - har forskere udledt en simpel regel om den anatomiske forbindelse af neuroner i denne del af cortex. Og de fandt, at neuroner med lignende funktioner er mere tilbøjelige til at forbinde og danne store forbindelser med hinanden og mindre sandsynligt med andre typer neuroner.
Og selvom målet med Microns-projektet er meget teknologisk - IARPA finansierer forskning, der kan føre til dataanalyseværktøjer til efterretningsbureauer og andre, selvfølgelig - parallelt med dette, vil forskere modtage data om hjernens arbejde. Andreas Tolias, en neurolog ved Baylor College of Medicine, som er et af de førende medlemmer af Kochs team, sammenligner vores nuværende viden om cortex med uskarpt fotografering. Han håber, at Microns-projektets hidtil usete omfang hjælper med at skærpe dette perspektiv og opdage mere komplekse regler, der styrer vores neurale kredsløb. Uden at kende alle de bestanddele, "vi mangler muligvis skønheden i denne struktur."
Hjerneprocessor
De intrikate folder, der dækker overfladen af hjernen og danner hjernebarken (cortex), er bogstaveligt talt kilet ind i vores kranier. På mange måder er det hjernens mikroprocessor. Det tre millimeter tykke mellemlag består af en række gentagne moduler eller mikrokredsløb, ligesom en række logiske porte i en computerchip. Hvert modul består af cirka 100.000 neuroner arrangeret i et komplekst netværk af sammenkoblede celler. Der er bevis for, at grundmodellen for disse moduler er omtrent den samme i hele cortex. Moduler i forskellige regioner i hjernen er dog specialiserede til specifikke formål såsom vision, bevægelse og hørelse.
Forskere har kun en grov idé om, hvordan disse moduler ser ud, og hvordan de fungerer. De er stort set begrænset til at studere hjernen i den mindste skala: titusinder eller hundreder af neuroner. Nye teknologier designet til at spore form, aktivitet og forbindelse af tusinder af neuroner tillader først nu forskere at begynde at analysere, hvordan celler i et modul interagerer med hinanden; hvordan aktivitet i en del af systemet kan generere aktivitet i en anden del.”For første gang i historien kunne vi undersøge disse moduler i stedet for bare at gætte på indholdet,” siger Vogelstein. "Forskellige hold har forskellige gætter om hvad der er indeni."
Forskere vil fokusere på den del af cortex, der er ansvarlig for visionen. Dette følelsessystem er aktivt undersøgt af neurofysiologer, og specialister i computermodellering har længe prøvet at efterligne.”Vision synes enkel - bare åbn dine øjne - men det er meget vanskeligt at lære computere at gøre det samme,” siger David Cox, en neurovidenskabsmand ved Harvard University, der leder et af IARPA-holdene.
Andreas Tolias (til venstre)
Hvert team starter med den samme grundlæggende idé om, hvordan vision fungerer: en gammel teori kendt som analyse ved syntese. I henhold til denne idé foretager hjernen forudsigelser om, hvad der vil ske i den nærmeste fremtid, og kontrollerer derefter disse forudsigelser mod det, den ser. Styrken ved denne tilgang er i dens effektivitet - den kræver mindre beregning end kontinuerligt genskabe hvert øjeblik i tiden.
Hjernen kan udføre analyse gennem syntese på en række forskellige måder, så forskere undersøger en anden mulighed. Coxs gruppe ser i hjernen en slags fysikmotor, der bruger eksisterende fysiske modeller til at simulere verden, som den skal se ud. Tai Sing Lees team sammen med George Church antager, at hjernen har et indbygget bibliotek med dele - stykker og stykker af genstande og mennesker - og lærer regler for, hvordan man sætter disse dele sammen. For eksempel vises blade normalt på grene. Tolias 'gruppe arbejder på en mere datadrevet tilgang, hvor hjernen skaber statistiske forventninger til den verden, den lever i. Hans gruppe vil teste forskellige hypoteser om, hvordan forskellige dele af kredsløbet lærer at kommunikere.
Alle tre grupper vil overvåge den neurale aktivitet af titusinder af neuroner i målhjernet. Derefter anvendes forskellige metoder til at oprette et ledningsdiagram for disse celler. Coxs team vil for eksempel skære hjernevæv i lag tyndere end et menneskehår og analysere hver skive ved hjælp af elektronmikroskopi. Videnskabsmænd limer derefter hvert tværsnit sammen på en computer for at skabe et tætpakket 3D-kort over, hvordan millioner af nervetråders vej gennem cortex.
Med kortet og aktivitetsoversigten i hånden vil hvert team forsøge at forstå de grundlæggende regler for kredsløbet. Derefter programmerer de disse regler i simuleringen og måler, hvor godt simuleringen matcher den rigtige hjerne.
Andreas Tolias og kolleger kortlagede forbindelserne mellem par af neuroner og registrerede deres elektriske aktivitet. Den komplekse anatomi af fem neuroner (øverst til venstre) kan sammenfattes i et simpelt skematisk diagram (øverst til højre). Hvis du kører en elektrisk strøm gennem neuron 2, aktiveres den, idet der startes en elektrisk ladning i to celler i løbet af banen, neuroner 1 og 5 (nedenfor)
Tolias og hans kolleger har allerede smagt på denne tilgang. I et papir, der blev offentliggjort i Science i november, kortlagde de forbindelserne mellem 11.000 neuronpar og afslørede fem nye typer neuroner.”Vi har stadig ikke en komplet liste over de dele, der udgør cortex, typen af individuelle celler, deres forbindelser,” siger Koch.”Det er her Tolias startede.”
Blandt de tusinder af neurale forbindelser opdagede Tolias-gruppen tre generelle regler, der styrer forbindelsen af celler: nogle kommunikerer primært med neuroner af deres egen type; andre undgår deres egen type og handler primært med andre typer; den tredje gruppe kommunikerer med kun et par andre neuroner. (Tolias 'gruppe definerede deres celler baseret på neurale anatomi, ikke funktion, i modsætning til Wei Li's gruppe.) Ved hjælp af kun tre af disse kommunikationsregler var forskerne i stand til at gengive kredsløbet ret nøjagtigt.”Udfordringen nu er at finde ud af, hvad disse kommunikationsregler betyder algoritmisk,” siger Tolias. "Hvilken type beregning laver de?"
Neurale netværk baseret på virkelige neuroner
Hjernebaseret kunstig intelligens er ikke en ny idé. Såkaldte neurale netværk, der efterligner hjernens grundlæggende struktur, var ekstremt populære i 1980'erne. Men på det tidspunkt manglede forskere på området computerkraft og data om, hvordan man effektiviserer algoritmer. Og alle disse millioner af billeder med katte på Internettet var det ikke. Og selvom neurale netværk har oplevet en stor renæssance - i dag er det allerede svært at forestille sig livet uden tale- og ansigtsgenkendelsesprogrammer, og AlphaGo-computeren for nylig har slået verdens bedste go-afspiller - reglerne, der bruger neurale netværk til at ændre deres forbindelser, er næsten helt sikkert forskellige fra dem hvad hjernen bruger.
Moderne neurale netværk "er baseret på, hvad vi vidste om hjernen i 1960'erne," siger Terry Seinowski, en beregningsneurovidenskabsmand ved Salk Institute i San Diego, der udviklede de første neurale netværksalgoritmer med Jeffrey Hinton, en videnskabsmand ved University of Toronto. "Vores viden om, hvordan hjernen er organiseret, sprænger i sømmene."
For eksempel består moderne neurale netværk af en direkte flow-arkitektur, hvor information flyder fra input til output gennem en række lag. Hvert lag er trænet til at genkende visse funktioner, f.eks. Øjne eller whiskers. Derefter går analysen videre, og hvert lag udfører flere og mere komplekse beregninger. Til sidst genkender programmet en kat i en række farvede pixels.
Men denne fremadrettede struktur mangler en vigtig komponent i det biologiske system: feedback, både inden for individuelle lag og fra lag af en højere orden med en lavere. I en ægte hjerne er neuroner i et lag af cortex forbundet med deres naboer, såvel som til neuroner i lag over og nedenfor, hvilket danner et komplekst netværk af løkker.”Feedback er en ekstremt vigtig del af de kortikale netværk,” siger Seinovski. "Der er lige så mange signaler i feedback, som der er fremadrettede forbindelser."
Neurovidenskabsmænd forstår endnu ikke helt, hvad feedback-løkker gør, selvom de ved, at de er vigtige for vores evne til at fokusere. De hjælper os med at lytte til stemmen i telefonen uden at blive distraheret af f.eks. Byens lyde. En del af populariteten af teorien om analyse ved syntese ligger i det faktum, at den giver grundlaget for alle disse gentagne forbindelser. De hjælper hjernen med at sammenligne dens forudsigelser med virkeligheden.
Mikrons forskere forsøger at dechiffrere reglerne for feedback-løkker - for eksempel hvilke celler der forbinder sløjferne, hvilke der aktiverer deres aktivitet, og hvordan denne aktivitet påvirker output af data fra kredsløbet - og derefter oversætter disse regler til en algoritme.”Maskinen mangler nu fantasi og introspektion. Jeg tror, at feedback-løkken giver os mulighed for at forestille os og selvanalyse på mange forskellige niveauer,”siger Tai Sing Lee.
Måske en feedback loop en dag giver maskiner med funktioner, som vi betragter som unikke for mennesker. "Hvis du kunne implementere en feedback-loop i et dybt netværk, kan du flytte fra et netværk, der kun er i stand til at få et knæ - som giver input og output - til et mere reflekterende netværk, der begynder at give mening om dets input og testhypoteser." siger Sejnowski.
Nøglen til bevidsthedens mysterium
Som alle IARPA-programmer er Microns-projektet en høj risiko. De teknologier, som forskere har brug for til kortlægning af neurale aktiviteter og sammenfiltringer i stor skala, findes, men ingen har anvendt dem på en sådan skala indtil nu. Forskere er nødt til at beskæftige sig med enorme mængder data - 1-2 petabyte data pr. Kubik millimeter hjerne. Du bliver sandsynligvis nødt til at udvikle nye maskinlæringsværktøjer til at analysere alle disse data, hvilket er ret ironisk.
Det er også uklart, hvis de erfaringer, der læres af hjernens lille bid, kan antyde større hjernetalenter.”Hjernen er ikke kun et stykke bark,” siger Sejnowski. "Hjernen er hundredvis af systemer, der er specialiserede til forskellige funktioner."
Selve hjernebarken består af gentagne forbindelser, der ser ens ud. Men andre dele af hjernen kan fungere på meget forskellige måder.”Hvis du vil have AI, der går ud over enkel mønstergenkendelse, har du brug for en masse forskellige dele,” siger Seinowski.
Hvis projektet lykkes, vil det dog gøre mere end at analysere efterretningsdata. En vellykket algoritme vil afsløre vigtige sandheder om, hvordan hjernen giver mening til denne verden. Især vil det hjælpe med at bekræfte, om hjernen virkelig fungerer ved analyse gennem syntese - at den sammenligner sine forudsigelser om verden med indgående data fra vores sanser. Dette viser, at en nøgleingrediens i opskriften til bevidsthed er en stadigt skiftende blanding af fantasi og opfattelse. Ved at bygge en maskine, der kan tænke, håber forskere at afsløre tankens hemmeligheder.