Porta un bambino di tre anni allo zoo e lui determinerà intuitivamente che l'animale dal collo lungo che mastica le foglie è la stessa giraffa del libro illustrato dei suoi figli. Questa semplice impresa è in realtà piuttosto complessa. Il disegno nel libro è una sagoma congelata di linee semplici e la creatura vivente è un capolavoro di colore, consistenza, movimento e luce. Ha un aspetto diverso se visto da diverse angolazioni e può cambiare forma, posizione, prospettiva.
In generale, le persone fanno bene in questo tipo di attività. Possiamo facilmente comprendere le caratteristiche più importanti di un oggetto da semplici esempi e applicare questa conoscenza a qualcosa di non familiare. I computer, d'altra parte, di solito hanno bisogno di compilare un intero database di giraffe, mostrate in diverse posizioni, da diverse prospettive, per imparare a riconoscere con precisione un animale.
L'identità visiva è una delle tante aree in cui gli esseri umani battono facilmente i computer. Siamo anche più bravi a cercare informazioni rilevanti nel flusso di dati; risolviamo problemi non strutturati; Impariamo scherzosamente, come un bambino che impara la gravità giocando con i blocchi.
"Le persone sono molto, molto più versatili", afferma Tai Sing Lee, scienziato e neuroscienziato presso la Carnegie Mellon University di Pittsburgh. "Siamo ancora più flessibili nel pensare, in grado di prevedere, immaginare e creare eventi futuri".
Ma gli Stati Uniti stanno finanziando un nuovo ambizioso programma che cerca di mettere l'intelligenza artificiale alla pari delle nostre capacità mentali. Tre team di neuroscienziati e informatici stanno cercando di capire come il cervello esegue queste imprese di identificazione visiva e poi costruiscono macchine che fanno lo stesso.
"L'apprendimento automatico moderno fallisce dove gli esseri umani prosperano", afferma Jacob Vogelstein, che guida il programma presso Intelligence Advanced Research Projects Activity (IARPA). "Vogliamo rivoluzionare il machine learning tramite algoritmi di reverse engineering e calcolo del cervello".
C'è pochissimo tempo. Ogni gruppo sta attualmente modellando un pezzo di corteccia con dettagli senza precedenti. Insieme, sviluppano algoritmi basati su ciò che hanno appreso. Entro la prossima estate, a ciascuno di questi algoritmi verrà fornito un esempio di una cosa non familiare da rilevare in migliaia di immagini nel database sconosciuto. "La tempistica è molto stretta", ha detto Christoph Koch, presidente e senior fellow dell'Allen Institute for Brain Science di Seattle, che lavora con una delle squadre.
Koch ei suoi colleghi creano uno schema elettrico completo per un piccolo cubo del cervello: un milione di micron cubi, circa un cinquecentesimo del volume di un seme di papavero. E questo è un ordine di grandezza in più rispetto alla mappa più completa e più grande della tessitura del cervello fino ad oggi, che è stata pubblicata nel giugno dello scorso anno e che ha richiesto circa sei anni per creare.
Video promozionale:
Entro la fine di un progetto IARPA di cinque anni chiamato "intelligenza macchina della rete corticale (Micron)", gli scienziati intendono mappare un millimetro cubo della corteccia. Questo minuscolo pezzo contiene circa 100.000 neuroni, da 3 a 15 milioni di connessioni neurali o sinapsi e abbastanza entanglement neurali per coprire una grande città se svelata e allungata.
Nessuno ha ancora provato a ricostruire una parte del cervello su tale scala. Ma sforzi più piccoli hanno dimostrato che tali mappe possono far luce sul funzionamento interno della corteccia cerebrale. In un articolo pubblicato sulla rivista Nature a marzo, Wei-Chung Allen Lee - un neuroscienziato dell'Università di Harvard che lavora con il team di Koch - ei suoi colleghi hanno mappato le connessioni di 50 neuroni e oltre 1.000 dei loro partner. Combinando questa mappa con le informazioni sul funzionamento di ciascun neurone nel cervello - alcuni rispondono a un segnale visivo, ad esempio - gli scienziati hanno dedotto una semplice regola della connessione anatomica dei neuroni in questa parte della corteccia. E hanno scoperto che i neuroni con funzioni simili hanno maggiori probabilità di connettersi e formare grandi connessioni tra loro e meno probabilità di altri tipi di neuroni.
E sebbene l'obiettivo del progetto Microns sia molto tecnologico - IARPA sta finanziando la ricerca che potrebbe portare a strumenti di analisi dei dati per le agenzie di intelligence e altre, ovviamente - parallelamente a questo, gli scienziati riceveranno dati sul lavoro del cervello. Andreas Tolias, neurologo del Baylor College of Medicine, uno dei membri di spicco del team di Koch, paragona la nostra attuale conoscenza della corteccia alla fotografia sfocata. Spera che la portata senza precedenti del progetto Microns aiuterà ad affinare questa prospettiva e scoprire regole più complesse che governano i nostri circuiti neurali. Senza conoscere tutte le parti costitutive, "potremmo perdere la bellezza di questa struttura".
Processore cerebrale
Le pieghe intricate che coprono la superficie del cervello e formano la corteccia cerebrale (corteccia) sono letteralmente incuneate nei nostri crani. Per molti versi è il microprocessore del cervello. Lo strato intermedio spesso tre millimetri è costituito da una serie di moduli ripetuti, o microcircuiti, come una serie di porte logiche in un chip di computer. Ogni modulo è composto da circa 100.000 neuroni disposti in una complessa rete di cellule interconnesse. Ci sono prove che la struttura di base di questi moduli è approssimativamente la stessa in tutta la corteccia. Tuttavia, i moduli in diverse regioni del cervello sono specializzati per scopi specifici come la vista, il movimento e l'udito.
Gli scienziati hanno solo un'idea approssimativa di come appaiono questi moduli e di come funzionano. Sono in gran parte limitati allo studio del cervello su scala più piccola: decine o centinaia di neuroni. Le nuove tecnologie progettate per tracciare la forma, l'attività e la connettività di migliaia di neuroni consentono solo ora agli scienziati di iniziare ad analizzare come le cellule all'interno di un modulo interagiscono tra loro; come l'attività in una parte del sistema può generare attività in un'altra parte. "Per la prima volta nella storia, siamo stati in grado di interrogare questi moduli invece di limitarci a indovinare il contenuto", afferma Vogelstein. "Diverse squadre hanno ipotesi diverse su cosa c'è dentro".
I ricercatori si concentreranno sulla parte della corteccia responsabile della vista. Questo sistema di sentimenti è stato attivamente studiato dai neurofisiologi e gli specialisti in modellazione al computer hanno cercato a lungo di emularlo. "La visione sembra semplice - apri gli occhi - ma insegnare ai computer a fare lo stesso è molto difficile", afferma David Cox, neuroscienziato dell'Università di Harvard che guida uno dei team IARPA.
Andreas Tolias (a sinistra)
Ogni squadra inizia con la stessa idea di base di come funziona la visione: una vecchia teoria nota come analisi per sintesi. Secondo questa idea, il cervello fa previsioni su ciò che accadrà nel prossimo futuro e quindi confronta quelle previsioni con ciò che vede. La forza di questo approccio risiede nella sua efficienza: richiede meno calcoli rispetto al ricreare continuamente ogni momento nel tempo.
Il cervello può eseguire l'analisi attraverso la sintesi in molti modi diversi, quindi gli scienziati stanno esplorando un'altra possibilità. Il gruppo di Cox vede nel cervello una sorta di motore fisico che utilizza modelli fisici esistenti per simulare il mondo come dovrebbe apparire. Il team di Tai Sing Lee, insieme a George Church, presume che il cervello abbia una libreria incorporata di parti - pezzi e pezzi di oggetti e persone - e insegna le regole su come mettere insieme quelle parti. Le foglie, ad esempio, di solito compaiono sui rami. Il gruppo di Tolias sta lavorando a un approccio più basato sui dati, in cui il cervello crea aspettative statistiche per il mondo in cui vive. Il suo gruppo metterà alla prova diverse ipotesi su come le diverse parti del circuito imparano a comunicare.
Tutti e tre i gruppi monitoreranno l'attività neurale di decine di migliaia di neuroni nel cubo del cervello bersaglio. Quindi vengono utilizzati vari metodi per creare uno schema elettrico per queste celle. Il team di Cox, ad esempio, taglierà il tessuto cerebrale in strati più sottili di un capello umano e analizzerà ogni fetta utilizzando la microscopia elettronica. Gli scienziati poi incollano ogni sezione trasversale su un computer per creare una mappa 3D densamente compatta di come milioni di fili nervosi si fanno strada attraverso la corteccia.
Con la mappa e la tabella delle attività in mano, ogni squadra cercherà di capire le regole di base che regolano il circuito. Quindi programmano queste regole nella simulazione e misurano quanto bene la simulazione corrisponda al cervello reale.
Andreas Tolias e colleghi hanno mappato le connessioni di coppie di neuroni e hanno registrato la loro attività elettrica. La complessa anatomia di cinque neuroni (in alto a sinistra) può essere riassunta in un semplice diagramma schematico (in alto a destra). Se fai passare una corrente elettrica attraverso il neurone 2, si attiva, lanciando una carica elettrica in due celle lungo il percorso, i neuroni 1 e 5 (sotto)
Tolias ei suoi colleghi hanno già provato questo approccio. In un articolo pubblicato su Science a novembre, hanno mappato le connessioni di 11.000 coppie di neuroni, rivelando cinque nuovi tipi di neuroni. "Non abbiamo ancora un elenco completo delle parti che compongono la corteccia, il tipo di singole cellule, le loro connessioni", dice Koch. "È lì che ha iniziato Tolias."
Tra le migliaia di connessioni neurali, il gruppo Tolias ha scoperto tre regole generali che governano la connessione delle cellule: alcune comunicano principalmente con neuroni del proprio tipo; altri evitano il proprio tipo, trattando principalmente con altri tipi; il terzo gruppo comunica solo con pochi altri neuroni. (Il gruppo di Tolias ha definito le proprie cellule in base all'anatomia neurale, non alla funzione, a differenza del gruppo di Wei Li.) Utilizzando solo tre di queste regole di comunicazione, gli scienziati sono stati in grado di riprodurre il circuito in modo abbastanza accurato. "La sfida ora è capire cosa significano algoritmicamente queste regole di comunicazione", afferma Tolias. "Che tipo di calcolo stanno facendo?"
Reti neurali basate su neuroni reali
L'intelligenza artificiale basata sul cervello non è un'idea nuova. Le cosiddette reti neurali che imitano la struttura di base del cervello erano estremamente popolari negli anni '80. Ma all'epoca, gli scienziati sul campo non avevano la potenza di calcolo e i dati su come rendere efficienti gli algoritmi. E tutti questi milioni di immagini con gatti su Internet non lo erano. E sebbene le reti neurali abbiano vissuto una grande rinascita - oggigiorno è già difficile immaginare la vita senza programmi di riconoscimento vocale e facciale, e il computer AlphaGo ha recentemente battuto il miglior giocatore di go del mondo - le regole che utilizzano le reti neurali per cambiare le loro connessioni sono quasi certamente diverse da quelle cosa usa il cervello.
Le moderne reti neurali "si basano su ciò che sapevamo sul cervello negli anni '60", afferma Terry Seinovski, neuroscienziato computazionale presso il Salk Institute di San Diego che ha sviluppato i primi algoritmi di rete neurale con Jeffrey Hinton, uno scienziato dell'Università di Toronto. "La nostra conoscenza di come è organizzato il cervello sta esplodendo".
Ad esempio, le moderne reti neurali sono costituite da un'architettura a flusso diretto, in cui le informazioni fluiscono dall'input all'output attraverso una serie di livelli. Ogni strato è addestrato a riconoscere determinate caratteristiche, come occhi o baffi. Quindi l'analisi prosegue e ogni strato esegue calcoli sempre più complessi. Alla fine, il programma riconosce un gatto in una serie di pixel colorati.
Ma questa struttura lungimirante manca di una componente importante del sistema biologico: il feedback, sia all'interno dei singoli strati che dagli strati di un ordine superiore con uno inferiore. In un cervello reale, i neuroni in uno strato della corteccia sono collegati ai loro vicini, così come ai neuroni negli strati sopra e sotto, formando una complessa rete di anelli. "Il feedback è una parte estremamente importante delle reti corticali", afferma Seinovski. "Ci sono tanti segnali nel feedback quante sono le connessioni feedforward".
I neuroscienziati non comprendono ancora appieno cosa fanno i cicli di feedback, sebbene sappiano che sono essenziali per la nostra capacità di concentrazione. Ci aiutano ad ascoltare la voce al telefono senza farci distrarre dai rumori della città, ad esempio. Parte della popolarità della teoria dell'analisi per sintesi risiede nel fatto che fornisce le basi per tutti questi composti ripetitivi. Aiutano il cervello a confrontare le sue previsioni con la realtà.
I ricercatori di Microns cercano di decifrare le regole che governano i loop di feedback - ad esempio, quali celle collegano i loop, quali attivano la loro attività e come tale attività influisce sull'output dei dati dal circuito - e quindi traduce queste regole in un algoritmo. “La macchina ora manca di immaginazione e introspezione. Credo che il ciclo di feedback ci permetterà di immaginare e autoanalizzarci a molti livelli differenti , afferma Tai Sing Lee.
Forse un giorno un ciclo di feedback doterà le macchine di caratteristiche che consideriamo uniche per l'uomo. "Se potessi implementare un ciclo di feedback in una rete profonda, potresti passare da una rete che è in grado solo di sobbalzare - fornendo input e output - a una rete più riflessiva che inizia a dare un senso ai suoi input ea testare le ipotesi". dice Sejnowski.
La chiave del mistero della coscienza
Come tutti i programmi IARPA, il progetto Microns è ad alto rischio. Le tecnologie di cui gli scienziati hanno bisogno per la mappatura su larga scala dell'attività neurale e degli entanglement esistono, ma nessuno le ha applicate su tale scala fino ad ora. Gli scienziati hanno a che fare con enormi quantità di dati: 1-2 petabyte di dati per millimetro cubo di cervello. Probabilmente dovrai sviluppare nuovi strumenti di apprendimento automatico per analizzare tutti questi dati, il che è abbastanza ironico.
Inoltre, non è chiaro se le lezioni apprese dal piccolo morso del cervello possano suggerire talenti cerebrali più grandi. "Il cervello non è solo un pezzo di corteccia", dice Sejnowski. "Il cervello è composto da centinaia di sistemi specializzati per diverse funzioni".
La stessa corteccia cerebrale è costituita da collegamenti ripetuti che hanno lo stesso aspetto. Ma altre parti del cervello possono funzionare in modi molto diversi. "Se vuoi un'IA che vada oltre il semplice riconoscimento di schemi, avrai bisogno di molte parti diverse", afferma Seinowski.
Se il progetto avrà successo, tuttavia, farà di più che analizzare i dati di intelligence. Un algoritmo di successo rivelerà importanti verità su come il cervello dà significato a questo mondo. In particolare, aiuterà a confermare se il cervello funziona davvero mediante analisi attraverso la sintesi, che confronta le sue previsioni sul mondo con i dati in arrivo dai nostri sensi. Questo mostrerà che un ingrediente chiave nella ricetta per la coscienza è una miscela in continua evoluzione di immaginazione e percezione. Costruendo una macchina in grado di pensare, gli scienziati sperano di scoprire i segreti del pensiero stesso.
