Atvediet trīs gadus vecu bērnu uz zoodārzu, un viņš intuitīvi noteiks, ka dzīvnieka košļājamās lapas ar garu kaklu ir tā pati žirafe no viņa bērnu bilžu grāmatas. Šis vienkāršais varoņdarbs patiesībā ir diezgan sarežģīts. Grāmatas zīmējums ir iesaldēts vienkāršu līniju siluets, un dzīvā būtne ir krāsu, faktūru, kustības un gaismas šedevrs. Skatoties no dažādiem leņķiem, tas izskatās savādāk un var mainīt formu, pozīciju, perspektīvu.
Parasti cilvēkiem veicas ar šādiem uzdevumiem. Mēs no vienkāršiem piemēriem varam viegli saprast svarīgākās objekta īpašības un pielietot šīs zināšanas kaut kam nepazīstamam. No otras puses, datoriem parasti jāapkopo visa žirafu datu bāze, kas parādīta dažādās pozīcijās no dažādiem aspektiem, lai iemācītos precīzi atpazīt dzīvnieku.
Vizuālā identitāte ir viena no daudzajām jomām, kurā cilvēki viegli pārspēj datorus. Mēs arī labāk meklējam būtisku informāciju datu plūsmā; mēs risinām nestrukturētas problēmas; Mēs mācāmies rotaļīgi, tāpat kā bērns, kurš apgūst smagumu, spēlējoties ar blokiem.
“Cilvēki ir daudz, daudzpusīgāki,” saka Tai Sins Lī, zinātnieks un neirozinātnieks Kārnegi Melona universitātē Pitsburgā. "Mēs joprojām domājam elastīgāk, spējam paredzēt, iedomāties un radīt nākotnes notikumus."
Bet ASV finansē vērienīgu jauno programmu, kuras mērķis ir mākslīgo intelektu pielīdzināt mūsu pašu garīgajām spējām. Trīs neirozinātnieku un datorzinātnieku komandas mēģina izdomāt, kā smadzenes veic šos vizuālās identifikācijas varoņdarbus, un pēc tam būvēt mašīnas, kas dara to pašu.
"Mūsdienu mašīnmācība neizdodas tur, kur cilvēki plaukst," saka Jēkabs Vogelšteins, kurš vada programmu Intelligence Advanced Research Projects Activity (IARPA). "Mēs vēlamies mainīt mašīnu apguvi, izmantojot reversās inženierijas algoritmus un smadzeņu aprēķinus."
Laika ir ļoti maz. Katra grupa pašlaik modelē mizas plāksteri vēl nepieredzēti detalizēti. Kopā viņi izstrādā algoritmus, pamatojoties uz to, ko viņi ir iemācījušies. Līdz nākamajai vasarai katram no šiem algoritmiem tiks dots nepazīstamas lietas piemērs, ko atklāt tūkstošiem attēlu nepazīstamā datu bāzē. "Laika grafiks ir ļoti ierobežots," sacīja Kristofs Kočs, Alenas smadzeņu zinātnes institūta Sietlā prezidents un vecākais kolēģis, kurš strādā ar vienu no komandām.
Kohs un viņa kolēģi izveido pilnīgu elektroinstalācijas shēmu mazam smadzeņu kubam - miljons kubik mikronu, apmēram piecas simtdaļas no magoņu sēklu tilpuma. Tas ir par vairāk nekā vairāk nekā līdz šim pilnīgākā un lielākā smadzeņu aušanas karte, kas tika publicēta pagājušā gada jūnijā un kuras izveidei vajadzēja apmēram sešus gadus.
Reklāmas video:
Līdz piecu gadu IARPA projektam, kura nosaukums ir “garozas tīkla mašīnu izlūkošana (Mikroni)”, zinātnieki plāno kartēt garozas kubikmilimetru. Šajā mazajā riecienā ir gandrīz 100 000 neironu, no 3 līdz 15 miljoniem neironu savienojumu vai sinapsēm un pietiekami daudz neironu iespīlējumu, lai aptvertu lielu pilsētu, ja tas tiek atšķetināts un izstiepts.
Pagaidām vēl neviens nav mēģinājis rekonstruēt smadzeņu daļu šādā mērogā. Bet vairāk maza mēroga centienu ir parādījuši, ka šādas kartes var atklāt smadzeņu garozas iekšējo darbību. Marta žurnālā Nature publicētajā rakstā Vei-Chung Allens Lī - Hārvarda universitātes neirozinātnieks, kurš strādā ar Koča komandu - un viņa kolēģi kartē izveidoja 50 neironu un vairāk nekā 1000 viņu partneru savienojumus. Apvienojot šo karti ar informāciju par katra smadzeņu neirona darbību - daži, piemēram, reaģē uz vizuālu signālu -, zinātnieki secināja vienkāršu noteikumu par neironu anatomisko savienojumu šajā garozas daļā. Un viņi atklāja, ka neironi ar līdzīgām funkcijām, visticamāk, savienojas un veido lielus savienojumus savā starpā, un mazāk ticami ar citiem neironu veidiem.
Un, kaut arī Mikrona projekta mērķis ir diezgan tehnoloģisks - IARPA finansē pētījumus, kuru rezultātā varētu tikt izveidoti izlūkošanas aģentūru datu analīzes rīki, un, protams, citi -, paralēli tam zinātnieki saņems datus par smadzeņu darbu. Andreass Toliass, Baylor Medicīnas koledžas neirologs, kurš ir viens no vadošajiem Koch komandas locekļiem, mūsu pašreizējās zināšanas par garozu salīdzina ar neskaidru fotogrāfiju. Viņš cer, ka bezprecedenta Microns projekta mērogs palīdzēs asināt šo perspektīvu un atklāt sarežģītākus noteikumus, kas regulē mūsu neironu shēmas. Nezinot visas sastāvdaļas, "mums var pietrūkt šīs struktūras skaistuma".
Smadzeņu procesors
Sarežģītās krokas, kas pārklāj smadzeņu virsmu un veido smadzeņu garozu (garozu), ir burtiski ķīļotas mūsu galvaskausos. Daudzos veidos tas ir smadzeņu mikroprocesors. Trīs milimetru biezais starpslānis sastāv no atkārtotu moduļu virknes vai mikroshēmām, piemēram, loģikas vārtu masīva datora mikroshēmā. Katrs modulis sastāv no aptuveni 100 000 neironu, kas izvietoti sarežģītā savstarpēji savienotu šūnu tīklā. Ir pierādījumi, ka šo moduļu pamatstruktūra ir aptuveni vienāda visā garozā. Tomēr moduļi dažādos smadzeņu reģionos ir specializēti konkrētiem mērķiem, piemēram, redzei, kustībai un dzirdei.
Zinātniekiem ir tikai aptuvens priekšstats par to, kā šie moduļi izskatās un kā tie darbojas. Viņi lielākoties aprobežojas ar smadzeņu izpēti mazākajā mērogā: desmitiem vai simtiem neironu. Jaunās tehnoloģijas, kas paredzētas tūkstošiem neironu formas, aktivitātes un savienojamības izsekošanai, tikai tagad ļauj zinātniekiem sākt analizēt, kā moduļa šūnas mijiedarbojas savā starpā; kā darbība vienā sistēmas daļā var radīt darbību citā. “Pirmoreiz vēsturē mēs varējām aptaujāt šos moduļus, nevis tikai uzminēt saturu,” saka Vogelšteins. "Dažādām komandām ir atšķirīgi minējumi par to, kas atrodas iekšā."
Pētnieki koncentrēsies uz garozas daļu, kas atbild par redzi. Šo sajūtu sistēmu aktīvi pētījuši neirofiziologi, un datormodelēšanas speciālisti jau sen cenšas līdzināties. “Vīzija šķiet vienkārša - vienkārši atveriet acis -, taču ļoti grūti iemācīt datoriem darīt to pašu,” saka Deivids Kokss, Hārvarda universitātes neirozinātnieks, kurš vada vienu no IARPA komandām.
Andreass Tolias (pa kreisi)
Katra komanda sāk ar vienu un to pašu redzējumu, kā darbojas redze: sena teorija, kas pazīstama kā sintēzes analīze. Saskaņā ar šo ideju smadzenes izdara prognozes par to, kas notiks tuvākajā nākotnē, un pēc tam salīdzina šīs prognozes ar redzēto. Šīs pieejas spēks ir tās efektivitāte - tai ir nepieciešams mazāks aprēķins nekā nepārtraukti atkārtot katru mirkli laikā.
Smadzenes var veikt analīzi sintēzes veidā dažādos veidos, tāpēc zinātnieki pēta vēl vienu iespēju. Koksa grupa smadzenēs redz sava veida fizikas motoru, kas izmanto esošos fiziskos modeļus, lai simulētu pasauli tā, kā tai vajadzētu izskatīties. Tai Singa Lī komanda kopā ar Džordžu Baznīcu pieņem, ka smadzenēs ir iebūvēta daļu - priekšmetu un priekšmetu un cilvēku gabalu - bibliotēka, un māca noteikumus, kā šīs daļas salikt. Piemēram, lapas parasti parādās uz zariem. Tolias grupa strādā pie vairāk uz datiem balstītas pieejas, kurā smadzenes rada statistiskas cerības par pasauli, kurā tā dzīvo. Viņa grupa pārbaudīs dažādas hipotēzes par to, kā dažādas shēmas daļas iemācās sazināties.
Visas trīs grupas uzraudzīs desmitiem tūkstošu neironu neironu aktivitāti mērķa smadzeņu kubā. Tad šo šūnu vadu shēmas izveidošanai tiek izmantotas dažādas metodes. Piemēram, Koksa komanda sagriezīs smadzeņu audus plānākos slāņos nekā cilvēka mati un analizēs katru šķēli, izmantojot elektronu mikroskopiju. Pēc tam zinātnieki katru šķērsgriezumu salīmē datorā, lai izveidotu blīvi iesaiņotu 3D karti, kā miljoniem nervu vadu iziet cauri garozai.
Ar karti un aktivitāšu diagrammu katra komanda mēģinās izprast pamatnoteikumus, kas regulē apli. Tad viņi ieprogrammē šos noteikumus simulācijā un mēra, cik labi simulācija atbilst reālajām smadzenēm.
Andreass Tolias un kolēģi kartēja neironu pāru savienojumus un reģistrēja to elektrisko aktivitāti. Piecu neironu (augšējā kreisajā pusē) sarežģīto anatomiju var apkopot vienkāršā shematiskā diagrammā (augšējā labajā pusē). Ja caur 2. neironu darbina elektrisko strāvu, tas tiek aktivizēts, palaižot elektrisko lādiņu divās šūnās pa gaisu, 1. un 5. neironā (zemāk).
Tolias un viņa kolēģi jau ir nogaršojuši šo pieeju. Novembrī publicētajā žurnālā Science viņi kartēja 11 000 neironu pāru savienojumus, atklājot piecus jaunus neironu veidus. “Mums joprojām nav pilnīga to daļu saraksta, kas veido garozu, atsevišķu šūnu veidu, to savienojumus,” saka Kočs. "Tieši tur sāka Tiasija."
Starp tūkstošiem neironu savienojumu Tolias grupa atklāja trīs vispārīgus noteikumus, kas regulē šūnu savienojumu: daži galvenokārt sazinās ar sava veida neironiem; citi izvairās no sava veida, nodarbojas galvenokārt ar citiem veidiem; trešā grupa sazinās tikai ar dažiem citiem neironiem. (Tollasa grupa atšķirībā no Vei Li grupas definēja savas šūnas, pamatojoties uz neironu anatomiju, nevis funkcionējošu.) Izmantojot tikai trīs no šiem sakaru noteikumiem, zinātnieki spēja diezgan precīzi reproducēt ķēdi. “Tagad izaicinājums ir izdomāt, ko šie komunikācijas noteikumi nozīmē algoritmiski,” saka Tolias. "Kāda veida aprēķinus viņi veic?"
Neironu tīkli, kuru pamatā ir reāli neironi
Smadzeņu mākslīgais intelekts nav jauna ideja. Tā sauktie neironu tīkli, kas atdarina smadzeņu pamatstruktūru, 1980. gados bija ārkārtīgi populāri. Bet tajā laikā zinātniekiem šajā jomā trūka skaitļošanas jaudas un datu par to, kā padarīt algoritmus efektīvus. Un visu šo miljonu bilžu ar kaķiem internetā nebija. Un, kaut arī neironu tīkli ir piedzīvojuši ievērojamu renesansi - mūsdienās dzīvi jau ir grūti iedomāties bez balss un sejas atpazīšanas programmām, un AlphaGo dators nesen pārspēja pasaules labāko go spēlētāju - noteikumi, kas neironu tīklus izmanto, lai mainītu savienojumus, gandrīz noteikti atšķiras no tiem, ko smadzenes izmanto.
Mūsdienu neironu tīkli "ir balstīti uz to, ko mēs zinājām par smadzenēm pagājušā gadsimta 60. gados", saka Terijs Seinovskis, Salk institūta San Diego skaitļošanas neirozinātnieks, kurš kopā ar Toronto universitātes zinātnieku Džefriju Hintonu izstrādāja pirmos neironu tīkla algoritmus. "Mūsu zināšanas par to, kā tiek organizētas smadzenes, plīst pie vīlēm."
Piemēram, mūsdienu neironu tīkli sastāv no tiešas plūsmas arhitektūras, kur informācija plūst no ievades uz izvadi caur slāņu sēriju. Katrs slānis ir apmācīts atpazīt noteiktas pazīmes, piemēram, acis vai ūsas. Pēc tam tiek veikta analīze, un katrs slānis veic arvien sarežģītākus aprēķinus. Galu galā programma atpazīst kaķi krāsainu pikseļu virknē.
Bet šai tālredzīgajai struktūrai trūkst svarīgas bioloģiskās sistēmas sastāvdaļas: atgriezeniskās saites gan atsevišķos slāņos, gan no augstākas kārtas slāņiem ar zemāku. Īstās smadzenēs neironi vienā garozas slānī ir savienoti ar kaimiņiem, kā arī ar neironiem slāņos virs un zem, veidojot sarežģītu cilpu tīklu. “Atsauksmes ir ārkārtīgi svarīga garozas tīkla sastāvdaļa,” saka Seinovskis. "Atgriezeniskajā saitā ir tik daudz signālu, cik ir atpakaļeju savienojumos."
Neirozinātnieki vēl pilnībā neizprot, ko dara atgriezeniskās saites cilpas, lai gan viņi zina, ka tie ir svarīgi mūsu spējai koncentrēties. Viņi palīdz mums noklausīties telefona balsi, piemēram, netraucējot pilsētas skaņām. Daļa no sintēzes analīzes teorijas popularitātes slēpjas faktā, ka tā nodrošina pamatu visiem šiem atkārtotajiem savienojumiem. Viņi palīdz smadzenēm salīdzināt tās prognozes ar realitāti.
Mikronu pētnieki cenšas atšifrēt noteikumus, kas regulē atgriezeniskās saites cilpas - piemēram, kuras šūnas savieno cilpas, kuras aktivizē viņu darbību un kā šī darbība ietekmē datu izvadi no ķēdes - un pēc tam pārveido šos noteikumus algoritmā. “Tagad mašīnai trūkst iztēles un paškontroles. Es uzskatu, ka atgriezeniskās saites cilpa ļaus mums iedomāties un pašanalizēt daudzos dažādos līmeņos,”saka Tai Sing Lee.
Iespējams, ka atgriezeniskā saite kādu dienu nodrošinās mašīnām funkcijas, kuras mēs uzskatām par unikālām cilvēkiem. "Ja jūs varētu ieviest atgriezeniskās saites cilpu dziļā tīklā, jūs varētu pāriet no tīkla, kas ir spējīgs tikai ceļgala grūdienam - nodrošinot ieeju un izvadi -, uz vairāk atstarojošu tīklu, kas sāk izprast tā ieejas un pārbaudīt hipotēzes." saka Sejnovskis.
Apziņas noslēpuma atslēga
Tāpat kā visas IARPA programmas, Microns projekts ir paaugstināts risks. Pastāv tehnoloģijas, kas zinātniekiem vajadzīgas neironu aktivitātes un iepinumu plaša mēroga kartēšanai, taču līdz šim neviens tās nav izmantojis šādā mērogā. Zinātniekiem jātiek galā ar milzīgu datu daudzumu - 1-2 petabaitiem datu uz smadzeņu kubikmilimetru. Jums, iespējams, būs jāizstrādā jauni mašīnmācīšanās rīki, lai analizētu visus šos datus, kas ir diezgan ironiski.
Nav arī skaidrs, vai no neliela smadzeņu kodiena iemācītās var dot mājienu lielākiem smadzeņu talantiem. “Smadzenes nav tikai mizas gabals,” saka Sejnovskis. "Smadzenes ir simtiem sistēmu, kas specializējas dažādām funkcijām."
Pati smadzeņu garozu veido atkārtotas saites, kas izskatās aptuveni vienādas. Bet citas smadzeņu daļas var darboties ļoti dažādos veidos. “Ja vēlaties AI, kas pārsniedz vienkāršu paraugu atpazīšanu, jums būs nepieciešams daudz dažādu daļu,” saka Seinovska.
Tomēr, ja projekts gūst panākumus, tas būs jādara vairāk nekā izlūkošanas datu analīze. Veiksmīgs algoritms atklās svarīgas patiesības par to, kā smadzenes šai pasaulei piešķir nozīmi. Jo īpaši tas palīdzēs apstiprināt, vai smadzenes patiešām darbojas, veicot analīzi ar sintēzes palīdzību - ka tās salīdzina savas prognozes par pasauli ar ienākošajiem datiem no mūsu maņām. Tas parādīs, ka galvenā apziņas receptes sastāvdaļa ir pastāvīgi mainīgais iztēles un uztveres sajaukums. Būvējot mašīnu, kas spēj domāt, zinātnieki cer atklāt pašas domas noslēpumus.
