Neem een driejarig kind mee naar de dierentuin en hij zal intuïtief vaststellen dat het dier met de lange nek dat op bladeren kauwt dezelfde giraf is uit het prentenboek van zijn kinderen. Deze simpele prestatie is eigenlijk vrij complex. De tekening in het boek is een bevroren silhouet van eenvoudige lijnen, en het levende wezen is een meesterwerk van kleur, textuur, beweging en licht. Het ziet er anders uit als het vanuit verschillende hoeken wordt bekeken, en kan van vorm, positie en perspectief veranderen.
Over het algemeen doen mensen het goed in dit soort taken. We kunnen de belangrijkste kenmerken van een object gemakkelijk begrijpen aan de hand van eenvoudige voorbeelden en deze kennis toepassen op iets onbekends. Computers daarentegen moeten meestal een hele database met giraffen samenstellen, weergegeven op verschillende posities, vanuit verschillende perspectieven, om te leren hoe ze een dier nauwkeurig kunnen herkennen.
Visuele identiteit is een van de vele gebieden waarop mensen gemakkelijk computers verslaan. We zijn ook beter in het zoeken naar relevante informatie in de datastroom; we lossen ongestructureerde problemen op; We leren spelenderwijs, zoals een kind dat leert over de zwaartekracht door met blokken te spelen.
"Mensen zijn veel, veel veelzijdiger", zegt Tai Sing Lee, een wetenschapper en neurowetenschapper aan de Carnegie Mellon University in Pittsburgh. "We zijn nog flexibeler in denken, in staat toekomstige gebeurtenissen te voorzien, ons voor te stellen en te creëren."
Maar de VS financieren een ambitieus nieuw programma dat kunstmatige intelligentie op één lijn wil brengen met onze eigen mentale vermogens. Drie teams van neurowetenschappers en computerwetenschappers proberen erachter te komen hoe de hersenen deze prestaties van visuele identificatie uitvoeren, en bouwen vervolgens machines die hetzelfde doen.
"Moderne machine learning mislukt waar mensen gedijen", zegt Jacob Vogelstein, die het programma leidt bij Intelligence Advanced Research Projects Activity (IARPA). "We willen machine learning revolutionair veranderen door reverse engineering-algoritmen en hersenberekeningen."
Er is heel weinig tijd. Elke groep modelleert momenteel een stukje schors in ongekend detail. Samen ontwikkelen ze algoritmen op basis van wat ze hebben geleerd. Aanstaande zomer krijgt elk van deze algoritmen een voorbeeld van iets onbekends dat in duizenden afbeeldingen in de onbekende database kan worden gedetecteerd. "De tijdlijn is erg krap", zegt Christoph Koch, president en senior fellow bij het Allen Institute for Brain Science in Seattle, die met een van de teams werkt.
Koch en zijn collega's maken een compleet bedradingsschema voor een kleine kubus van de hersenen - een miljoen kubieke micron, ongeveer een vijfhonderdste van het volume van een maanzaad. En dit is een orde van grootte meer dan de meest complete en grootste kaart van hersenweefsels tot nu toe, die vorig jaar juni werd gepubliceerd en die ongeveer zes jaar in beslag nam.
Promotie video:
Tegen het einde van een vijfjarig IARPA-project genaamd "cortical network machine intelligence (microns)", zijn wetenschappers van plan om een kubieke millimeter van de cortex in kaart te brengen. Dit kleine brokje bevat bijna 100.000 neuronen, 3 tot 15 miljoen neurale verbindingen of synapsen, en genoeg neurale verwikkelingen om een grote stad te bedekken als deze wordt ontrafeld en uitgestrekt.
Niemand heeft tot nu toe geprobeerd een deel van de hersenen op een dergelijke schaal te reconstrueren. Maar meer kleinschalige inspanningen hebben aangetoond dat dergelijke kaarten licht kunnen werpen op de innerlijke werking van de hersenschors. In een artikel dat in maart in het tijdschrift Nature werd gepubliceerd, brachten Wei-Chung Allen Lee - een neurowetenschapper aan de Harvard University die samenwerkt met het team van Koch - en zijn collega's de verbindingen in kaart van 50 neuronen en meer dan 1.000 van hun partners. Door deze kaart te combineren met informatie over de werking van elk neuron in de hersenen - sommige reageren bijvoorbeeld op een visueel signaal - hebben wetenschappers een eenvoudige regel afgeleid van de anatomische verbinding van neuronen in dit deel van de cortex. En ze ontdekten dat neuronen met vergelijkbare functies meer kans hebben om verbinding te maken en grote verbindingen met elkaar te vormen, en minder waarschijnlijk met andere soorten neuronen.
En hoewel het doel van het Microns-project vrij technologisch is - IARPA financiert onderzoek dat zou kunnen leiden tot gegevensanalysetools voor inlichtingendiensten en anderen natuurlijk - parallel hiermee zullen wetenschappers gegevens ontvangen over het werk van de hersenen. Andreas Tolias, een neuroloog aan het Baylor College of Medicine en een van de leidende leden van het team van Koch, vergelijkt onze huidige kennis van de cortex met wazige fotografie. Hij hoopt dat de ongekende omvang van het Microns-project dit perspectief zal helpen verscherpen en complexere regels zal ontdekken die onze neurale circuits beheersen. Zonder alle samenstellende delen te kennen, "missen we misschien de schoonheid van deze structuur."
Hersenen processor
De ingewikkelde plooien die het oppervlak van de hersenen bedekken en de hersenschors (cortex) vormen, zijn letterlijk ingeklemd in onze schedels. In veel opzichten is het de microprocessor van de hersenen. De drie millimeter dikke tussenlaag bestaat uit een reeks herhalende modules of microschakelingen, zoals een reeks logische poorten in een computerchip. Elke module bestaat uit ongeveer 100.000 neuronen die zijn gerangschikt in een complex netwerk van onderling verbonden cellen. Er zijn aanwijzingen dat de basisstructuur van deze modules in de hele cortex ongeveer hetzelfde is. Modules in verschillende hersengebieden zijn echter gespecialiseerd voor specifieke doeleinden zoals zien, bewegen en horen.
Wetenschappers hebben slechts een globaal idee van hoe deze modules eruit zien en hoe ze werken. Ze zijn grotendeels beperkt tot het bestuderen van de hersenen op de kleinste schaal: tientallen of honderden neuronen. Nieuwe technologieën die zijn ontworpen om de vorm, activiteit en connectiviteit van duizenden neuronen te volgen, hebben wetenschappers nu pas in staat gesteld te analyseren hoe cellen in een module met elkaar omgaan; hoe activiteit in een deel van het systeem activiteit kan genereren in een ander deel. "Voor het eerst in de geschiedenis konden we deze modules raadplegen in plaats van alleen maar naar de inhoud te gissen", zegt Vogelstein. "Verschillende teams hebben verschillende gissingen over wat erin zit."
Onderzoekers zullen zich concentreren op het deel van de cortex dat verantwoordelijk is voor het gezichtsvermogen. Dit gevoelssysteem is actief bestudeerd door neurofysiologen, en specialisten in computermodellering proberen al lang na te bootsen. "Visie lijkt eenvoudig - doe gewoon je ogen open - maar computers leren om hetzelfde te doen is erg moeilijk", zegt David Cox, een neurowetenschapper aan de Harvard University die een van de IARPA-teams leidt.
Andreas Tolias (links)
Elk team begint met hetzelfde basisidee van hoe visie werkt: een oude theorie die bekend staat als analyse door synthese. Volgens dit idee doen de hersenen voorspellingen over wat er in de nabije toekomst zal gebeuren, en vergelijken ze die voorspellingen met wat ze zien. De kracht van deze benadering zit in de efficiëntie - er is minder rekenwerk voor nodig dan het continu opnieuw creëren van elk moment in de tijd.
De hersenen kunnen op verschillende manieren analyses uitvoeren door middel van synthese, dus wetenschappers onderzoeken een andere mogelijkheid. De groep van Cox ziet in de hersenen een soort fysica-engine die bestaande fysieke modellen gebruikt om de wereld te simuleren zoals die eruit zou moeten zien. Het team van Tai Sing Lee, samen met George Church, gaat ervan uit dat het brein een ingebouwde bibliotheek met onderdelen heeft - stukjes en stukjes objecten en mensen - en leert de regels voor het samenvoegen van die onderdelen. Bladeren verschijnen bijvoorbeeld meestal op takken. De groep van Tolias werkt aan een meer datagedreven benadering, waarbij het brein statistische verwachtingen schept voor de wereld waarin het leeft. Zijn groep zal verschillende hypothesen testen over hoe verschillende delen van het circuit leren communiceren.
Alle drie de groepen zullen de neurale activiteit van tienduizenden neuronen in de beoogde hersenkubus volgen. Vervolgens worden verschillende methoden gebruikt om een bedradingsschema voor deze cellen te maken. Het team van Cox zal bijvoorbeeld hersenweefsel in lagen snijden die dunner zijn dan een mensenhaar en elk plakje analyseren met behulp van elektronenmicroscopie. Wetenschappers lijmen vervolgens elke doorsnede aan elkaar op een computer om een dicht opeengepakte 3D-kaart te maken van hoe miljoenen zenuwdraden zich een weg banen door de cortex.
Met de kaart en de activiteitenkaart in de hand zal elk team proberen de basisregels van het circuit te begrijpen. Vervolgens programmeren ze deze regels in de simulatie en meten ze hoe goed de simulatie overeenkomt met het echte brein.
Andreas Tolias en collega's brachten de verbindingen van paren neuronen in kaart en registreerden hun elektrische activiteit. De complexe anatomie van vijf neuronen (linksboven) kan worden samengevat in een eenvoudig schematisch diagram (rechtsboven). Als je een elektrische stroom door neuron 2 laat lopen, wordt deze geactiveerd, waardoor een elektrische lading wordt gelanceerd in twee cellen verderop in de loop, neuronen 1 en 5 (hieronder)
Tolias en zijn collega's hebben deze aanpak al geproefd. In een artikel dat in november in Science werd gepubliceerd, brachten ze de verbindingen van 11.000 neuronenparen in kaart en onthulden vijf nieuwe typen neuronen. "We hebben nog steeds geen volledige lijst van de onderdelen waaruit de cortex bestaat, het type individuele cellen, hun verbindingen", zegt Koch. "Dat is waar Tolias begon."
Onder de duizenden neurale verbindingen ontdekte de Tolias-groep drie algemene regels die de verbinding van cellen regelen: sommige communiceren primair met neuronen van hun eigen type; anderen vermijden hun eigen type en behandelen voornamelijk andere typen; de derde groep communiceert met slechts een paar andere neuronen. (De groep van Tolias definieerde hun cellen op basis van neurale anatomie, niet op functie, in tegenstelling tot de groep van Wei Li.) Door slechts drie van deze communicatieregels te gebruiken, konden wetenschappers de schakeling redelijk nauwkeurig reproduceren. "De uitdaging is nu om er algoritmisch achter te komen wat deze communicatieregels betekenen", zegt Tolias. "Wat voor soort berekening doen ze?"
Neurale netwerken gebaseerd op echte neuronen
Op hersenen gebaseerde kunstmatige intelligentie is geen nieuw idee. Zogenaamde neurale netwerken die de basisstructuur van de hersenen nabootsen, waren in de jaren tachtig enorm populair. Maar op dat moment misten wetenschappers in het veld de rekenkracht en gegevens om algoritmen efficiënt te maken. En al die miljoenen foto's met katten op internet waren dat niet. En hoewel neurale netwerken een grote renaissance hebben meegemaakt - tegenwoordig is het al moeilijk voor te stellen dat er geen leven zou zijn zonder spraak- en gezichtsherkenningsprogramma's, en de AlphaGo-computer onlangs de beste go-speler ter wereld heeft verslagen - zijn de regels die neurale netwerken gebruiken om hun verbindingen te wijzigen vrijwel zeker anders dan die wat de hersenen gebruiken.
Moderne neurale netwerken "zijn gebaseerd op wat we wisten over de hersenen in de jaren zestig", zegt Terry Seinovski, een computationele neurowetenschapper aan het Salk Institute in San Diego, die samen met Jeffrey Hinton, een wetenschapper aan de Universiteit van Toronto, de eerste neurale netwerkalgoritmen ontwikkelde. "Onze kennis van hoe de hersenen zijn georganiseerd barst uit zijn voegen."
Moderne neurale netwerken bestaan bijvoorbeeld uit een directe stroomarchitectuur, waarbij informatie van input naar output door een reeks lagen stroomt. Elke laag is getraind om bepaalde kenmerken te herkennen, zoals ogen of snorharen. Daarna gaat de analyse verder en voert elke laag steeds complexere berekeningen uit. Uiteindelijk herkent het programma een kat in een reeks gekleurde pixels.
Maar deze toekomstgerichte structuur mist een belangrijk onderdeel van het biologische systeem: feedback, zowel binnen individuele lagen als vanuit lagen van een hogere orde met een lagere. In een echt brein zijn neuronen in één laag van de cortex verbonden met hun buren, evenals met neuronen in lagen erboven en eronder, waardoor ze een complex netwerk van lussen vormen. "Feedback is een uiterst belangrijk onderdeel van de corticale netwerken", zegt Seinovski. "Er zijn net zoveel signalen in feedback als er feedforward-verbindingen zijn."
Neurowetenschappers begrijpen nog niet helemaal wat feedbackloops doen, hoewel ze wel weten dat ze essentieel zijn voor ons vermogen om te focussen. Ze helpen ons om naar de stem aan de telefoon te luisteren zonder afgeleid te worden door bijvoorbeeld stadsgeluiden. Een deel van de populariteit van analyse-door-synthesetheorie ligt in het feit dat het de basis vormt voor al deze zich herhalende verbindingen. Ze helpen de hersenen hun voorspellingen te vergelijken met de werkelijkheid.
Microns-onderzoekers proberen de regels voor feedbackloops te ontcijferen - bijvoorbeeld welke cellen de lussen verbinden, welke hun activiteit activeren en hoe die activiteit de output van gegevens uit het circuit beïnvloedt - en deze regels vervolgens vertalen in een algoritme. “De machine mist nu verbeeldingskracht en introspectie. Ik geloof dat de feedbackloop ons in staat zal stellen ons op veel verschillende niveaus voor te stellen en zelf te analyseren”, zegt Tai Sing Lee.
Misschien zal een feedbacklus ooit machines voorzien van functies die we als uniek voor mensen beschouwen. "Als je een feedbacklus in een diep netwerk zou kunnen implementeren, zou je kunnen overstappen van een netwerk dat alleen in staat is tot een knie-schok - die input en output levert - naar een meer reflectief netwerk dat zijn input begint te begrijpen en hypothesen test." zegt Sejnowski.
De sleutel tot het mysterie van bewustzijn
Zoals alle IARPA-programma's is het Microns-project een hoog risico. De technologieën die wetenschappers nodig hebben voor het op grote schaal in kaart brengen van neurale activiteit en verwikkelingen bestaan, maar tot nu toe heeft niemand ze op zo'n schaal toegepast. Wetenschappers hebben te maken met enorme hoeveelheden gegevens - 1-2 petabyte aan gegevens per kubieke millimeter hersenen. U zult waarschijnlijk nieuwe tools voor machine learning moeten ontwikkelen om al deze gegevens te analyseren, wat nogal ironisch is.
Het is ook onduidelijk of de lessen die zijn geleerd uit de kleine beet van de hersenen kunnen duiden op grotere hersentalenten. "De hersenen zijn niet zomaar een stuk schors", zegt Sejnowski. "Het brein bestaat uit honderden systemen die gespecialiseerd zijn voor verschillende functies."
De hersenschors zelf bestaat uit zich herhalende schakels die er ongeveer hetzelfde uitzien. Maar andere delen van de hersenen kunnen op heel verschillende manieren functioneren. "Als je AI wilt die verder gaat dan eenvoudige patroonherkenning, heb je veel verschillende onderdelen nodig", zegt Seinowski.
Als het project slaagt, zal het echter meer doen dan het analyseren van inlichtingengegevens. Een succesvol algoritme zal belangrijke waarheden onthullen over hoe de hersenen betekenis geven aan deze wereld. In het bijzonder zal het helpen bevestigen of de hersenen echt werken door analyse door synthese - dat het zijn voorspellingen over de wereld vergelijkt met binnenkomende gegevens van onze zintuigen. Dit zal aantonen dat een sleutelingrediënt in het recept voor bewustzijn een steeds veranderende mix van verbeelding en perceptie is. Door een machine te bouwen die kan denken, hopen wetenschappers de geheimen van het denken zelf te ontdekken.