Viige kolmeaastane laps loomaaeda ja ta saab intuitiivselt kindlaks, et pika kaelaga looma närimislehed on sama kaelkirjak tema laste pildiraamatust. See lihtne feat on tegelikult üsna keeruline. Raamatu joonis on külmunud lihtsate joontega siluett ja elusolend on värvi, tekstuuri, liikumise ja valguse meistriteos. Erinevate nurkade alt vaadates tundub see erinev, ja see võib muuta kuju, positsiooni, vaatenurka.
Üldiselt saavad inimesed sellistes ülesannetes hästi hakkama. Saame lihtsatest näidetest hõlpsasti aru objekti tähtsamatest omadustest ja rakendame neid teadmisi millegi võõra jaoks. Teisest küljest peavad arvutid looma looma täpse äratundmise jaoks tavaliselt koostama terve andmebaasi kaelkirjakute kohta, mis on näidatud erinevates asendites, erinevatest vaatenurkadest.
Visuaalne identiteet on üks paljudest valdkondadest, kus inimesed peksavad arvutit hõlpsalt. Samuti otsime paremini andmevoos asjakohast teavet; lahendame struktureerimata probleemid; Õpime mänguliselt, nagu laps, kes õpib raskusjõudu klotsidega mängides.
"Inimesed on palju-palju mitmekülgsemad," ütleb Pittsburghi Carnegie Melloni ülikooli teadlane ja neuroteadlane Tai Sing Lee. "Oleme mõtlemises endiselt paindlikumad, suudame tulevasi sündmusi ette näha, ette kujutada ja luua."
Kuid USA rahastab uut ambitsioonikat programmi, mille eesmärk on tehisintellekti võrdsustamine meie enda vaimsete võimetega. Kolm neuroteadlaste ja arvutiteadlaste meeskonda üritavad välja mõelda, kuidas aju neid visuaalse tuvastamise funktsioone täidab, ja seejärel ehitada masinaid, mis teevad sama.
"Kaasaegne masinõpe ebaõnnestub seal, kus inimesed arenevad," ütleb Jacob Vogelstein, kes juhib programmi Intelligence Advanced Research Projects Activity (IARPA). "Tahame masinõppe pöördeliselt muuta pöördprojekteerimise algoritmide ja ajuarvutamise abil."
Aega on väga vähe. Iga rühm modelleerib praegu enneolematu detailsusega koorelaiku. Koos arendavad nad õpitud põhjal algoritme. Järgmiseks suveks antakse igale neist algoritmidest näide võõrast asjadest, mis tuhandetes piltides võõras andmebaasis tuvastatakse. "Ajakava on väga tihe," ütles Seattle'is asuva Alleni ajuteaduse instituudi president ja vanemtüürimees Christoph Koch, kes töötab ühe meeskonnaga.
Koch ja tema kolleegid loovad väikese ajukuubi jaoks täieliku ühendusskeemi - miljon kuup mikronit, mis on umbes üks sajandik mooniseemne mahust. Ja see on suurusjärgu võrra suurem kui seni kõige täielikum ja suurim aju kudumise kaart, mis avaldati eelmise aasta juunis ja mille koostamiseks kulus umbes kuus aastat.
Reklaamvideo:
Viieaastase IARPA projekti nimega "kortikaalse võrgu masina intelligentsus (Microns)" lõpuks plaanivad teadlased kaardistada ajukoore kuupmillimeetri. See väike tükk sisaldab peaaegu 100 000 neuronit, 3–15 miljonit närviühendust või sünapsit ja piisavalt närvisidemeid, et katta suurlinn lahti, kui see lahti harutada ja välja sirutada.
Keegi pole veel proovinud ajuosa sellisel skaalal rekonstrueerida. Kuid rohkem väikesemahulisi jõupingutusi on näidanud, et sellised kaardid võivad valgustada ajukoore sisemist tööd. Märtsis ajakirjas Nature ilmunud artiklis kirjeldas Wei-Chung Allen Lee - Harvardi ülikooli neuroteadlane, kes töötab Kochi meeskonnaga - ja tema kolleegid 50 neuroni ja üle 1000 nende partneri ühendusi. Kombineerides seda kaarti aju iga neuroni toimimist käsitleva teabega - mõned reageerivad näiteks visuaalsele signaalile -, on teadlased järeldanud lihtsa reegli neuronite anatoomiliste ühenduste kohta ajukoore selles osas. Ja nad leidsid, et sarnaste funktsioonidega neuronid ühendavad ja moodustavad suurema tõenäosusega üksteisega suuri ühendusi ja vähem tõenäolised teist tüüpi neuronitega.
Ja kuigi projekti Microns eesmärk on üsna tehnoloogiline - IARPA rahastab teadusuuringuid, mis võiksid viia luureagentuuride ja muidugi ka muude analüüsianalüüsi tööriistadeni - saavad sellega paralleelselt ka teadlased andmeid aju töö kohta. Baylori meditsiinikolledži neuroloog Andreas Tolias, kes on Kochi meeskonna üks juhtivaid liikmeid, võrdleb meie praeguseid teadmisi ajukoorest häguse pildistamise kohta. Ta loodab, et Microni projekti enneolematu ulatus aitab seda vaatenurka teravdada ja avastada keerulisemaid reegleid, mis meie närviskeemid reguleerivad. Kõigi koostisosade tundmata "võib meil selle struktuuri ilu kaduda".
Aju protsessor
Keerukad voldid, mis katavad aju pinna ja moodustavad ajukoore (cortex), on sõna otseses mõttes kiilunud meie kolju. Paljuski on see aju mikroprotsessor. Kolme millimeetri paksune vahekiht koosneb korduvatest moodulitest või mikroskeemidest, nagu arvutikiibi loogikaväravate rida. Iga moodul koosneb umbes 100 000 neuronist, mis on paigutatud ühendatud rakkude keerukasse võrku. On tõendeid, et nende moodulite põhistruktuur on kogu ajukoores ligikaudu ühesugune. Aju eri piirkondade moodulid on aga spetsialiseerunud konkreetsetele eesmärkidele nagu nägemine, liikumine ja kuulmine.
Teadlastel on vaid umbkaudne ettekujutus nende moodulite väljanägemisest ja toimimisest. Need piirduvad suures osas aju uurimisega väikseimal skaalal: kümnete või sadade neuronite abil. Uued tehnoloogiad, mis on loodud tuhandete neuronite kuju, aktiivsuse ja ühenduvuse jälgimiseks, võimaldavad teadlastel alles nüüd hakata analüüsima, kuidas mooduli rakud üksteisega suhtlevad; kuidas tegevus ühes süsteemi osas võib tegevust genereerida teises osas. “Esmakordselt ajaloos saime neid mooduleid küsitleda, selle asemel, et sisu põhjal lihtsalt aimata,” ütleb Vogelstein. "Erinevatel meeskondadel on erinevad arvamised selle kohta, mis seal sees on."
Teadlased keskenduvad nägemise eest vastutavale ajukoore osale. Seda tundesüsteemi on neurofüsioloogid aktiivselt uurinud ja arvutimudeli modelleerimise spetsialistid on juba pikka aega püüdnud jäljendada. "Nägemine tundub lihtne - tehke lihtsalt silmad lahti - kuid arvutite õpetamine sama tegema on väga keeruline," ütleb Harvardi ülikooli neuroteadlane David Cox, kes juhib ühte IARPA meeskonda.
Andreas Tolias (vasakul)
Iga meeskond alustab nägemise toimimisest ühe peamise ideega: vana teooria, mida tuntakse kui sünteesi analüüsi. Selle idee kohaselt teeb aju ennustusi lähitulevikus toimuva kohta ja kontrollib neid ennustusi nähtu põhjal. Selle lähenemisviisi tugevuseks on selle tõhusus - see nõuab vähem arvutusi kui iga ajahetke pidev taasloomine.
Aju saab sünteesi abil analüüsida hulgaliselt erinevaid viise, nii et teadlased uurivad veel ühte võimalust. Coxi grupp näeb ajus omamoodi füüsikamootorit, mis kasutab olemasolevaid füüsikalisi mudeleid, et simuleerida maailma nii, nagu see peaks välja nägema. Tai Sing Lee meeskond koos George Churchiga eeldab, et ajudel on sisseehitatud osade - esemete ja esemete ning inimeste tükk - raamatukogu ning õpetab reegleid, kuidas neid osi kokku panna. Näiteks lehed ilmuvad tavaliselt okstele. Toliase grupp töötab andmepõhisema lähenemisviisi kallal, milles aju loob statistilisi ootusi maailmale, milles ta elab. Tema grupp testib erinevaid hüpoteese selle kohta, kuidas vooluringi erinevad osad õpivad suhtlema.
Kõik kolm rühma jälgivad kümne ajutise kuubiku neuroni närvide aktiivsust. Seejärel kasutatakse nende lahtrite ühendusskeemi loomiseks erinevaid meetodeid. Näiteks Coxi meeskond lõikab ajukoe juustest õhemateks kihtideks ja analüüsib iga viilu elektronmikroskoopia abil. Seejärel liimivad teadlased iga ristlõike arvutis kokku, et luua tihedalt pakitud 3D-kaart, kuidas miljonid närvijuhid ajukoores läbi kulgevad.
Kui kaart ja tegevusskeem on käes, proovib iga meeskond mõista ringraja juhtimise põhireegleid. Siis programmeerivad nad need reeglid simulatsiooni ja mõõdavad, kui hästi simulatsioon vastab tegelikule ajule.
Andreas Tolias ja tema kolleegid kaardistasid neuronipaaride ühendused ja registreerisid nende elektrilise aktiivsuse. Viie neuroni (üleval vasakul) keerulise anatoomia saab kokku võtta lihtsa skemaatilise diagrammiga (paremal ülal). Kui juhite elektrivoolu neuroni 2 kaudu, see aktiveeritakse, käivitades elektrilaengu kahes rakus, neuronid 1 ja 5 (allpool)
Tolias ja tema kolleegid on seda lähenemist juba maitsnud. Novembris ajakirjas Science ilmunud artiklis kaardistasid nad 11 000 neuronipaari ühendused, paljastades viis uut tüüpi neuronit. “Meil ei ole ikka veel täielikku loetelu ajukoore moodustavatest osadest, üksikute rakkude tüübist ja nende ühendustest,” ütleb Koch. "Siit Tolias alguse sai."
Tuhandete närviühenduste hulgast avastas Toliase rühm kolm üldreeglit, mis reguleerib rakkude ühendamist: mõned suhtlevad peamiselt oma tüüpi neuronitega; teised väldivad oma tüüpi, tegeldes peamiselt teiste tüüpidega; kolmas rühm suhtleb ainult mõne muu neuroniga. (Erinevalt Wei Li rühmast määratles Toliase rühm oma rakud närvi anatoomia põhjal, mitte funktsioneerides.) Kasutades vaid kolme neist suhtlusreeglitest suutsid teadlased vooluringi üsna täpselt reprodutseerida. "Nüüd on väljakutseks välja mõelda, mida need suhtlemisreeglid algoritmiliselt tähendavad," ütleb Tolias. "Mis tüüpi arvutusi nad teevad?"
Pärisneuronitel põhinevad närvivõrgud
Ajupõhine tehisintellekt pole uus idee. Aju põhistruktuuri jäljendavad niinimetatud närvivõrgud olid 1980ndatel äärmiselt populaarsed. Kuid toona puudusid valdkonna teadlastel arvutusvõime ja andmed selle kohta, kuidas algoritme efektiivseks muuta. Ja kõiki neid miljoneid pilte kassidest Internetis polnud. Ja ehkki närvivõrgud on kogenud suurt taassündi - tänapäeval on juba raske ette kujutada elu ilma hääle- ja näotuvastuse programmideta ning AlphaGo arvuti peksis hiljuti maailma parimat mängijat - reeglid, mis kasutavad närvivõrke oma ühenduste muutmiseks, erinevad peaaegu kindlasti nendest mida aju kasutab.
Kaasaegsed närvivõrgud "põhinevad sellel, mida teadsime aju kohta 1960ndatel," ütleb San Diegos asuva Salki instituudi arvutuslik neuroteadlane Terry Seinowski, kes töötas välja Toronto ülikooli teadlase Jeffrey Hintoniga esimesed närvivõrkude algoritmid. "Meie teadmised, kuidas aju on korraldatud, lõhkevad õmblustesse."
Näiteks koosnevad kaasaegsed närvivõrgud otsese voo arhitektuurist, kus teave voolab sisendist väljundisse kihtide seeria kaudu. Iga kiht on koolitatud tundma teatud funktsioone, nagu silmad või vurrud. Seejärel liigutakse analüüsi edasi ja iga kiht teeb üha keerukamaid arvutusi. Lõpuks tuvastab programm kassi värviliste pikslite seerias.
Kuid sellel tulevikku suunatud struktuuril puudub bioloogilise süsteemi oluline komponent: tagasiside nii üksikute kihtide sees kui ka kõrgema järgu kihtidest madalamaga. Päris ajus on ajukoore ühe kihi neuronid ühendatud naabritega, samuti ülal ja all asuvates kihtides paiknevate neuronitega, moodustades keerulise ahelate võrgu. “Tagasiside on kortikaalsete võrkude äärmiselt oluline osa,” ütleb Seinovski. "Tagasisides on nii palju signaale kui edasisuunalisi ühendusi."
Neuroteadlased ei saa veel täielikult aru, mida tagasisideahelad teevad, ehkki nad teavad, et need on meie keskendumisvõime jaoks üliolulised. Need aitavad meil telefonis häält kuulata, häirimata näiteks linna helidest. Sünteesianalüüsi teooria populaarsuse osa seisneb selles, et see loob aluse kõigile neile korduvatele ühenditele. Need aitavad aju võrrelda selle ennustusi tegelikkusega.
Mikroniteadlased soovivad dešifreerida tagasisideahelaid reguleerivaid reegleid - näiteks millised lahtrid ühendavad ahelaid, millised aktiveerivad nende tegevust ja kuidas see tegevus mõjutab ahela andmete väljundit - ning seejärel tõlkida need reeglid algoritmiks. “Masinal puudub nüüd kujutlusvõime ja enesevaatlus. Usun, et tagasisideahel võimaldab meil ette kujutada ja ennast analüüsida paljudel erinevatel tasanditel,”ütleb Tai Sing Lee.
Võib-olla annavad tagasisidesüsteemid ühel päeval masinad, millel on omadused, mida peame inimestele ainulaadseteks. "Kui saaksite tagasiside sünkrooni rakendada sügavas võrgus, võiksite liikuda võrgust, mis on võimeline ainult põlve tõmbama - sisendit ja väljundit pakkuma - helkurvõrku, mis hakkab oma sisendeid kontseptualiseerima ja hüpoteese testima." ütleb Sejnowski.
Võti teadvuse müsteeriumisse
Nagu kõik IARPA programmid, on ka Microni projekt suur oht. Tehnoloogiad, mida teadlased vajavad närvi aktiivsuse ja takerdumiste laiaulatuslikuks kaardistamiseks, on olemas, kuid seni pole keegi neid sellisel skaalal rakendanud. Teadlased peavad hakkama saama tohutul hulgal andmeid - 1-2 petabaiti andmeid aju kuupmillimeetri kohta. Tõenäoliselt peate kõigi nende andmete analüüsimiseks välja töötama uued masinõppe tööriistad, mis on üsna irooniline.
Samuti pole selge, kas aju väikesest hammustusest õpitud õppetunnid võivad vihjata suurematele aju annetele. "Aju pole ainult tükk koort," ütleb Sejnowski. "Aju on sadu süsteeme, mis on spetsialiseerunud erinevatele funktsioonidele."
Ajukoore ise koosneb korduvatest linkidest, mis näevad välja umbes samad. Kuid muud ajuosad võivad funktsioneerida väga erineval viisil. "Kui soovite AI-d, mis ületab lihtsa mustrituvastuse, vajate palju erinevaid osi," ütleb Seinowski.
Kui projekt õnnestub, teeb see siiski enamat kui luureandmete analüüsimist. Edukas algoritm paljastab olulised tõed selle kohta, kuidas aju sellele maailmale tähenduse annab. Eelkõige aitab see kinnitada, kas aju töötab sünteesi kaudu analüüsi abil - et see võrdleb oma ennustusi maailma kohta meie meeltest saabuvate andmetega. See näitab, et teadvuse retsepti peamine koostisosa on pidevalt muutuv kujutlusvõime ja taju segu. Ehitades masina, mis suudab mõelda, loodavad teadlased paljastada mõtte saladused.
