Привести трехлетнего ребенка в зоопарке, и он интуитивно определяет, что ест листья длинношеее животное-жираф из детской книжки с картинками. Этот простой подвиг-это на самом деле довольно сложно. Рисунок в книге — стоял силуэт, простые линии, а живое существо является шедевром цвет, текстура, движение и свет. Он выглядит по-разному при взгляде с разных точек, и способен менять форму, положение, угол.
Обычно люди добиваются успеха в выполнении этих задач. Мы можем легко понять существенные характеристики объекта из простых примерах и применить это знание на что-то незнакомое. Но компьютеры, как правило, необходимо сделать целую базу от жирафов, показанные в разных позах, с разных точек зрения, чтобы научиться распознавать животных.
Визуальная идентификация-это один из многих сфер, в которых люди легко победить компьютеров. Мы тоже ищем лучшего соответствующую информацию в потоке данных; решать неструктурированные проблемы; учатся играючи, как ребенок, который узнает о гравитации, играя с кубиками.
«Люди стали гораздо более универсальными, — говорит Тай Синг ли, ученый-нейробиолог из Университета Карнеги-Меллон в Питтсбурге. — Мы остаемся гибкими в мышлении и в состоянии предвидеть, представить и создать будущие события».
Но в США, финансируемых новая амбициозная программа, которая призвана поставить искусственный интеллект в ряде наших собственных умственных способностей. Три команды нейрофизиологов и специалистов в области компьютерной науки, пытаются понять, как мозг выполняет эти подвиги визуальной идентификации, а затем строить машины, которые делают то же самое.
«Современные обучающие машины победили, где люди, говорит Иаков Vogelstein, который возглавляет эту программу разведки перспективных исследовательских проектов (IARPA). — Мы хотим произвести революцию в машинном обучении методом обратного инжиниринга алгоритмов и вычислений мозга».
Времени очень мало. Каждая группа в настоящее время моделей участок коры головного мозга мельчайших подробностей. Вместе они разрабатывают алгоритмы, основанные на исследованных. Следующим летом, каждый из этих алгоритмов является примером незнакомых вещей что он нашел свое проявление в тысячи изображений в незнакомой базе. «Сроки очень сжатые», — говорит Кристоф Кох, Президент и старший научный сотрудник Института наук о мозге Аллена в Сиэтле, работая с одной из команд.
Кох и его коллеги создают полную схему подключения небольшого кубика мозга в миллион кубических микрон, что примерно одна пятисотая часть объема семян мака. И это на порядок больше, чем самая подробная и большая карта сплетений головного мозга на сегодняшний день, который был опубликован в июне прошлого года и занял около шести лет.
После пяти проектов IARPA, которая называется «машина разведки с кортикальной сети (мкм)», ученые планируют сопоставить кубическом миллиметре коры. В этой крошечной порции содержится около 100 000 нейронов, от 3 до 15 миллионов нейронных связей, или синапсов, нейронных переплетений и достаточно, чтобы покрыть крупный город, если распутать их и тянет.
Никто не пытался реконструировать часть мозга до такой степени. Но менее масштабные усилия показали, что такие карты могут пролить свет на внутреннюю работу коры головного мозга. В статье, опубликованной в журнале Nature в марте, Вэй-Чжун Аллен ли нейробиолог из Гарвардского университета, работая с командой Кох и его коллеги составили карту соединений нейронов 50 и более 1000 партнеров. Сочетая эту карту с информацией о работе каждого нейрона в мозгу — некоторые реагируют на визуальные сигналы, например — ученые вывели простое правило анатомических связей нейронов в этой части мозга между собой. И обнаружили, что нейроны с подобными функциями чаще соединяют и формируют основные связи между ними, и реже с другими типами нейронов.
Хотя цель проекта очень мкм техник — IARPA финансирует исследования, которые могут привести к инструментам анализа данных для спецслужб, и другие, конечно, параллельно, ученые получат данные о работе мозга. Андреас Tolias, невролог из медицинского колледжа Бейлор, который является одним из ведущих членов команды Коха, уподобляет наше современное знание коры размытых фотографий. Он надеется, что беспрецедентный масштаб проекта микрон поможет улучшить четкость этой точки зрения и обнаружить более сложные правила, которые управляют нашей нейронных цепей. Не зная всех деталей, «мы можем не заметить красоту этой структуры».
Процессор мозга
Замысловатые складки, покрывающие поверхность мозга и образуют кору головного мозга (коры), буквально втиснут в наши черепа. Во многом это микропроцессор мозга. Слоя в три миллиметра толщиной и состоит из серии повторяющихся модулей или микросхем, таких как массив логических элементов в микросхемы. Каждый модуль состоит из около 100 000 нейронов, расположенных в сложную сеть взаимосвязанных клеток. Есть основания предполагать, что основной состав этих модулей примерно одинакова по всей коре. Однако модули в разных областях мозга специализированы для конкретных целей, таких как зрение, движения и слух.
Ученые имеют лишь примерное представление о том, как эти модули выглядят и работают как. Они в основном ограничиваются изучением мозга в наименьшем масштабе: от десятков до сотен нейронов. Новая технология для отслеживания формы, активности и связности тысяч нейронов, только теперь позволили ученым начать анализировать, как клетки внутри модуля взаимодействуют друг с другом; как активность в одной части системы может генерировать активность в другой части. «Впервые в истории мы получили возможность взять интервью у этих модулей, а не просто гадание на содержание, говорит Vogelstein. Разные команды имеют разные догадки о том, что внутри».
Исследователи будут уделять особое внимание той части коры, которая отвечает за зрение. Эта система органы чувств активно исследовал неврологи и специалисты в области компьютерного моделирования пытаются подражать. «Видение кажется простым — достаточно открыть глаза — но чтобы научить компьютеры делать то же самое очень сложно», — говорит Дэвид Кокс, нейробиолог из Гарвардского университета, возглавляющий один из IARPA команд.
Андреас Tolias (слева)
Каждая команда начинается с той же основной идеи о том, как работает зрение: старая теория, известная как анализ через синтез. Согласно этой теории, мозг делает предсказания о том, что произойдет в ближайшем будущем, а затем сравнивает эти предсказания с тем, что они видят. Сила этого подхода является его эффективность — он требует меньше вычислений, чем непрерывное воссоздание каждый раз.
Может мозги анализа через синтез кучей разных способов, поэтому ученые исследуют еще одну возможность. Группа кокса видит в мозг физический движок, используя существующую физическую модель для моделирования мира, как это должно выглядеть. Команда Тай Синг ли с Джордж Черч говорит о том, что мозг имеет встроенные библиотеки деталей — кусочки предметов и людей и учит правила, как составить эти части вместе. Листья, например, обычно появляются на ветках. Группа Tolias работать на более зависеть от поступающих данных подход, при котором мозг создает статистическое ожидание мира, в котором он живет. Его группа будет тестировать различные гипотезы о том, как разные части схемы, учатся общаться.
Все три группы будут контролировать нейронную активность десятков тысяч нейронов в целевой куб головного мозга. Затем использовать различные методы, чтобы создать схему подключения этих клеток. Команда кокса, например, будет резать ткань мозга на слои тоньше человеческого волоса и будет анализировать каждый кусочек с помощью электронной микроскопии. Затем исследователи клееного каждого сечения на компьютере, чтобы создать плотно упакованную трехмерную карту, как миллионы нервных провода прокладываете свой путь через кору.
С картой и схемой деятельности в руке, каждая команда будет пытаться понять основные правила, которые регулируют схема. Затем реализует эти правила в моделировании и оценить, насколько эффективно моделирование соответствует реальному мозгу.
Tolias Андреас и его коллеги составили карту подключений пар зарегистрированных нейронов и их электрическую активность. Сложное анатомическое строение пяти нейронов (вверху слева) можно свести к простой схеме (вверху справа). Если пропустить электрический ток через нейрон 2, Он включается при включении электрического заряда на две клетки ниже уровня, нейроны 1 и 5 (внизу)
Tolias и его коллеги пробовали такой подход. В статье, опубликованной в Science в ноябре они определили нейронные связи 11 000 пар, раскрывая пять новых типов нейронов. «Мы все еще не имеем полного списка частей, составляющих кору, отдельные клетки, их соединения, говорит Кох. С начала Tolias».
Среди тысяч нейронных связей, группа Tolias открыты три общих правила, которые определяют соединение клеток: одни общаются в основном с нейронами собственного типа; другие избегают ее иметь Тип, общаясь в основном с другими видами; третья группа общается только с несколькими другими нейронами. (Группа Tolias определил свой мобильный на основе нейронных анатомия, а не функция, в отличие от группы Вэй ли). Используя только эти три правила коммуникации, ученым удалось воспроизвести довольно точно по схеме. «Сейчас стоит задача выяснить, что эти правила означают алгоритмически общение, говорит Tolias. — Какие расчеты они выполняют?».
Нейронная сеть на основе этих нейронов
Искусственный интеллект основан на мозг — идея не новая. Так называемые нейронные сети, имитирующие основные структуры мозга, были чрезвычайно популярны в 1980-е годы. Но в то время ученые этой области не хватало вычислительных мощностей и данных о том, как сделать эффективные алгоритмы. И все эти миллионы фотографий котов в Интернете не было. Хотя нейронные сети была проведена масштабная Возрождения в наше время трудно представить жизнь без программного обеспечения распознавания голоса и лиц, а компьютер AlphaGo недавно избили лучший в мире игрок в го правила, использование нейронных сетей для изменения их соединения, почти наверняка отличаются от тех, которые использует мозг.
Современные нейронные сети «на основе того, что мы знали о мозга в 1960-х годах», — говорит Терри Sejnowski, вычислительная нейробиолог из Института Солка в Сан-Диего, разработаны первые алгоритмы нейронных сетей Джеффри Хинтон, ученый из Университета Торонто. «Наши знания о том, как мозг организован, трещит по швам».
Например, современные нейронные сети состоят из прямоточной архитектуры, где информация идет от входа до выхода через ряд слоев. Каждый слой обучены распознавать определенные особенности, такие как глаза или усы. Затем анализ продолжается, и каждый последующий слой выполняет более сложные вычисления. В итоге, программа распознает в серии цветных пикселей кошка.
Но в будущем эта структура отсутствует важный компонент биологических систем: Обратная связь, как в пределах отдельных слоев и между слоями более высокого порядка с более низкой. В реальных нейронов мозга в одном слое коры связаны с их соседями, а также с нейронами в слоях выше и ниже, образуя сложную сеть петель. «Отзывы-это чрезвычайно важная часть корковых сетях, говорит Sejnowski. — В те же сигналы обратной связи, как и соединения с прямой связью».
Нейрофизиологи до сих пор не совсем понимаю, что вы делаете петли обратной связи, хотя я знаю, что те имеют важное значение для нашей способности сосредоточиться. Они помогают нам слышать голос по телефону, не отвлекаясь на звуки города, например. Часть популярности теории анализа, синтеза заключается в том, что она дает основания для всех этих повторяющихся связей. Они помогают мозгу сравнить их прогнозы с реальностью.
Исследователи мкм стремятся расшифровать правила, которые регулируют петли обратной связи — например, адреса ячеек соединяют петли, которые активизируют свою деятельность и как эта деятельность влияет на вывод данных из схемы — и после того, как вы поместите эти правила в алгоритм. «Теперь машине не хватает воображения и интроспекции. Я считаю, что схема обратной связи позволяет нам представить и semianalytical на разных уровнях», — говорит Тай Синг ли.
Может, петля обратной связи в один день придать автомобилю черты, которые мы считаем уникальными для человека. «Если бы вы могли реализовать цепь обратной связи в глубокой сети, можно из сети, которые только и способны «коленный рефлекс» — для обеспечения ввода и вывода перейти к более рефлексивным сеть, которая начнет осмысливать свои железки и проверки гипотез», — сказал Sejnowski.
Ключ к тайне сознания
Как и все программы IARPA, проект микрон-это большой риск. Технология необходима ученым для крупномасштабного картирования нейронной активности и плетет существуют, но никто не использовал их в таких масштабах до сих пор. Ученым приходится иметь дело с огромными объемами данных — 1-2 петабайт данных на кубический миллиметр мозга. Возможно, придется разрабатывать новые инструменты машинного обучения для анализа всех этих данных, что очень странно.
Также непонятно, будут ли уроки из небольшого локуса мозга, чтобы намекнуть на больших талантов мозга. «Мозг-это не просто кусок коры, говорит Sejnowski. — Мозг-это сотни систем, специализированных для выполнения различных функций».
Кора головного мозга состоит из повторяющихся звеньев, которые выглядят примерно одинаково. Но другие части мозга могут действовать совсем по-другому. «Если вам нужен AI, который выходит за рамки простого распознавания образов, вам понадобится много разных деталей», — говорит Sejnowski.
Если проект удастся, однако, он сделает больше, чем разведывательного анализа. Успешный алгоритм позволит выявить важные истины о том, как мозг придает этому миру смысл. В частности, это поможет подтвердить, действительно ли работает мозг посредством анализа через синтез является то, что он сравнивает свои предсказания о мире с данными, поступающими от наших органов чувств. Он покажет, что ключевой ингредиент в рецепте сознания-это постоянно меняющаяся смесь воображения и восприятия. Созданием машины, которая сможет думать, исследователи надеются раскрыть секреты разума.
