Bringen Sie ein dreijähriges Kind in den Zoo, und er wird intuitiv feststellen, dass es sich bei den langhalsigen Tierkaublättern um dieselbe Giraffe aus dem Bilderbuch seiner Kinder handelt. Diese einfache Leistung ist eigentlich ziemlich komplex. Die Zeichnung im Buch ist eine gefrorene Silhouette einfacher Linien, und das Lebewesen ist ein Meisterwerk aus Farbe, Textur, Bewegung und Licht. Es sieht aus verschiedenen Blickwinkeln anders aus und kann Form, Position und Perspektive ändern.
Im Allgemeinen machen die Leute diese Art von Aufgaben gut. Wir können die wichtigsten Merkmale eines Objekts anhand einfacher Beispiele leicht verstehen und dieses Wissen auf etwas Unbekanntes anwenden. Computer hingegen müssen normalerweise eine ganze Datenbank von Giraffen zusammenstellen, die an verschiedenen Positionen und aus verschiedenen Perspektiven angezeigt werden, um zu lernen, wie man ein Tier genau erkennt.
Visuelle Identität ist einer der vielen Bereiche, in denen Menschen Computer leicht schlagen können. Wir sind auch besser in der Lage, relevante Informationen im Datenstrom zu suchen. wir lösen unstrukturierte Probleme; Wir lernen spielerisch wie ein Kind, das durch das Spielen mit Blöcken etwas über die Schwerkraft lernt.
"Die Menschen sind viel, viel vielseitiger", sagt Tai Sing Lee, Wissenschaftler und Neurowissenschaftler an der Carnegie Mellon University in Pittsburgh. „Wir denken noch flexibler, können zukünftige Ereignisse vorhersehen, vorstellen und gestalten.“
Die USA finanzieren jedoch ein ehrgeiziges neues Programm, mit dem künstliche Intelligenz unseren eigenen geistigen Fähigkeiten gleichgestellt werden soll. Drei Teams von Neurowissenschaftlern und Informatikern versuchen herauszufinden, wie das Gehirn diese Leistungen der visuellen Identifizierung vollbringt, und bauen dann Maschinen, die dasselbe tun.
"Modernes maschinelles Lernen scheitert dort, wo Menschen gedeihen", sagt Jacob Vogelstein, der das Programm bei Intelligence Advanced Research Projects Activity (IARPA) leitet. "Wir wollen das maschinelle Lernen durch Reverse Engineering-Algorithmen und Gehirnberechnung revolutionieren."
Es ist sehr wenig Zeit. Jede Gruppe modelliert derzeit ein Stück Rinde in beispiellosen Details. Gemeinsam entwickeln sie Algorithmen basierend auf dem, was sie gelernt haben. Bis zum nächsten Sommer wird jeder dieser Algorithmen ein Beispiel für eine unbekannte Sache erhalten, die in Tausenden von Bildern in der unbekannten Datenbank erkannt werden kann. "Der Zeitplan ist sehr eng", sagte Christoph Koch, Präsident und Senior Fellow am Allen Institute for Brain Science in Seattle, der mit einem der Teams zusammenarbeitet.
Koch und seine Kollegen erstellen einen vollständigen Schaltplan für einen kleinen Würfel des Gehirns - eine Million Kubikmikrometer, etwa ein Fünfhundertstel des Volumens eines Mohns. Und dies ist eine Größenordnung mehr als die bisher vollständigste und größte Gehirnwebkarte, die im Juni letzten Jahres veröffentlicht wurde und deren Erstellung etwa sechs Jahre dauerte.
Werbevideo:
Bis zum Ende eines fünfjährigen IARPA-Projekts namens "Cortical Network Machine Intelligence (Microns)" planen Wissenschaftler, einen Kubikmillimeter des Kortex abzubilden. Dieses winzige Stück enthält fast 100.000 Neuronen, 3 bis 15 Millionen neuronale Verbindungen oder Synapsen und genügend neuronale Verstrickungen, um eine Großstadt abzudecken, wenn sie entwirrt und ausgestreckt ist.
Bisher hat noch niemand versucht, einen Teil des Gehirns in einem solchen Ausmaß zu rekonstruieren. Kleinere Bemühungen haben jedoch gezeigt, dass solche Karten Aufschluss über das Innenleben der Großhirnrinde geben können. In einem Artikel, der im März in der Zeitschrift Nature veröffentlicht wurde, haben Wei-Chung Allen Lee - ein Neurowissenschaftler an der Harvard University, der mit Kochs Team zusammenarbeitet - und seine Kollegen die Verbindungen von 50 Neuronen und über 1.000 ihrer Partner abgebildet. Durch die Kombination dieser Karte mit Informationen über die Funktion jedes Neurons im Gehirn - einige reagieren beispielsweise auf ein visuelles Signal - haben Wissenschaftler eine einfache Regel für die anatomische Verbindung von Neuronen in diesem Teil des Kortex abgeleitet. Und sie fanden heraus, dass Neuronen mit ähnlichen Funktionen eher eine Verbindung herstellen und große Verbindungen miteinander eingehen, und weniger wahrscheinlich mit anderen Arten von Neuronen.
Und obwohl das Ziel des Microns-Projekts ziemlich technologisch ist - IARPA finanziert Forschung, die zu Datenanalysewerkzeugen für Geheimdienste und andere führen könnte -, erhalten Wissenschaftler parallel dazu Daten über die Arbeit des Gehirns. Andreas Tolias, Neurologe am Baylor College of Medicine, der eines der führenden Mitglieder von Kochs Team ist, vergleicht unser aktuelles Wissen über den Kortex mit verschwommener Fotografie. Er hofft, dass das beispiellose Ausmaß des Microns-Projekts dazu beitragen wird, diese Perspektive zu schärfen und komplexere Regeln zu entdecken, die unsere neuronalen Schaltkreise steuern. Ohne alle Bestandteile zu kennen, "fehlt uns möglicherweise die Schönheit dieser Struktur."
Gehirnprozessor
Die komplizierten Falten, die die Oberfläche des Gehirns bedecken und die Großhirnrinde (Cortex) bilden, sind buchstäblich in unsere Schädel eingeklemmt. In vielerlei Hinsicht ist es der Mikroprozessor des Gehirns. Die drei Millimeter dicke Zwischenschicht besteht aus einer Reihe sich wiederholender Module oder Mikroschaltungen, wie eine Anordnung von Logikgattern in einem Computerchip. Jedes Modul besteht aus ungefähr 100.000 Neuronen, die in einem komplexen Netzwerk miteinander verbundener Zellen angeordnet sind. Es gibt Hinweise darauf, dass die Grundstruktur dieser Module im gesamten Kortex ungefähr gleich ist. Module in verschiedenen Regionen des Gehirns sind jedoch auf bestimmte Zwecke wie Sehen, Bewegen und Hören spezialisiert.
Wissenschaftler haben nur eine ungefähre Vorstellung davon, wie diese Module aussehen und wie sie funktionieren. Sie beschränken sich größtenteils darauf, das Gehirn im kleinsten Maßstab zu untersuchen: Dutzende oder Hunderte von Neuronen. Neue Technologien zur Verfolgung der Form, Aktivität und Konnektivität von Tausenden von Neuronen haben es Wissenschaftlern erst jetzt ermöglicht, zu analysieren, wie Zellen innerhalb eines Moduls miteinander interagieren. Wie Aktivität in einem Teil des Systems Aktivität in einem anderen Teil erzeugen kann. „Zum ersten Mal in der Geschichte konnten wir diese Module abfragen, anstatt nur den Inhalt zu erraten“, sagt Vogelstein. "Verschiedene Teams haben unterschiedliche Vermutungen darüber, was drin ist."
Die Forscher werden sich auf den Teil des Kortex konzentrieren, der für das Sehen verantwortlich ist. Dieses Gefühlssystem wurde von Neurophysiologen aktiv untersucht, und Spezialisten für Computermodellierung haben lange versucht, es zu emulieren. "Vision scheint einfach zu sein - öffnen Sie einfach Ihre Augen - aber es ist sehr schwierig, Computern das Gleiche beizubringen", sagt David Cox, Neurowissenschaftler an der Harvard University, der eines der IARPA-Teams leitet.
Andreas Tolias (links)
Jedes Team beginnt mit der gleichen Grundidee, wie Vision funktioniert: einer alten Theorie, die als Analyse durch Synthese bekannt ist. Nach dieser Idee macht das Gehirn Vorhersagen darüber, was in naher Zukunft passieren wird, und vergleicht diese Vorhersagen dann mit dem, was es sieht. Die Stärke dieses Ansatzes liegt in seiner Effizienz - er erfordert weniger Rechenaufwand als die kontinuierliche Neuerstellung jedes Zeitpunkts.
Das Gehirn kann Analysen durch Synthese auf verschiedene Arten durchführen, daher untersuchen Wissenschaftler eine andere Möglichkeit. Cox 'Gruppe sieht im Gehirn eine Art Physik-Engine, die vorhandene physikalische Modelle verwendet, um die Welt so zu simulieren, wie sie aussehen sollte. Das Team von Tai Sing Lee geht zusammen mit George Church davon aus, dass das Gehirn über eine eingebaute Bibliothek von Teilen verfügt - Teile und Teile von Objekten und Personen - und lehrt Regeln für das Zusammensetzen dieser Teile. Blätter zum Beispiel erscheinen normalerweise auf Zweigen. Tolias 'Gruppe arbeitet an einem datengesteuerten Ansatz, bei dem das Gehirn statistische Erwartungen für die Welt schafft, in der es lebt. Seine Gruppe wird verschiedene Hypothesen darüber testen, wie verschiedene Teile der Schaltung lernen, zu kommunizieren.
Alle drei Gruppen überwachen die neuronale Aktivität von Zehntausenden von Neuronen im Zielhirnwürfel. Anschließend werden verschiedene Methoden verwendet, um einen Schaltplan für diese Zellen zu erstellen. Das Team von Cox schneidet beispielsweise Gehirngewebe in Schichten, die dünner als ein menschliches Haar sind, und analysiert jede Scheibe mithilfe der Elektronenmikroskopie. Die Wissenschaftler kleben dann jeden Querschnitt auf einem Computer zusammen, um eine dicht gepackte 3D-Karte zu erstellen, wie Millionen von Nervendrähten ihren Weg durch den Kortex finden.
Mit der Karte und dem Aktivitätsdiagramm versucht jedes Team, die Grundregeln für die Rennstrecke zu verstehen. Dann programmieren sie diese Regeln in die Simulation und messen, wie gut die Simulation mit dem realen Gehirn übereinstimmt.
Andreas Tolias und Kollegen kartierten die Verbindungen von Neuronenpaaren und zeichneten ihre elektrische Aktivität auf. Die komplexe Anatomie von fünf Neuronen (oben links) kann in einem einfachen schematischen Diagramm (oben rechts) zusammengefasst werden. Wenn Sie einen elektrischen Strom durch Neuron 2 leiten, wird dieser aktiviert und startet eine elektrische Ladung in zwei Zellen im Verlauf, den Neuronen 1 und 5 (unten).
Tolias und seine Kollegen haben diesen Ansatz bereits probiert. In einem im November in Science veröffentlichten Artikel haben sie die Verbindungen von 11.000 Neuronenpaaren kartiert und fünf neue Arten von Neuronen enthüllt. „Wir haben immer noch keine vollständige Liste der Teile, aus denen der Kortex besteht, die Art der einzelnen Zellen, ihre Verbindungen“, sagt Koch. "Hier hat Tolias angefangen."
Unter den Tausenden von neuronalen Verbindungen entdeckte die Tolias-Gruppe drei allgemeine Regeln, die die Verbindung von Zellen regeln: Einige kommunizieren hauptsächlich mit Neuronen ihres eigenen Typs; andere meiden ihren eigenen Typ und beschäftigen sich hauptsächlich mit anderen Typen; Die dritte Gruppe kommuniziert nur mit wenigen anderen Neuronen. (Tolias 'Gruppe definierte ihre Zellen basierend auf der neuralen Anatomie, nicht der Funktion, im Gegensatz zu Wei Lis Gruppe.) Mit nur drei dieser Kommunikationsregeln konnten Wissenschaftler die Schaltung ziemlich genau reproduzieren. "Die Herausforderung besteht nun darin, herauszufinden, was diese Kommunikationsregeln algorithmisch bedeuten", sagt Tolias. "Welche Art von Berechnung machen sie?"
Neuronale Netze basierend auf realen Neuronen
Gehirnbasierte künstliche Intelligenz ist keine neue Idee. In den 1980er Jahren waren sogenannte neuronale Netze, die die Grundstruktur des Gehirns nachahmen, äußerst beliebt. Zu dieser Zeit fehlten den Wissenschaftlern auf diesem Gebiet jedoch die Rechenleistung und die Daten, wie Algorithmen effizient gemacht werden können. Und all diese Millionen Bilder mit Katzen im Internet waren es nicht. Und obwohl neuronale Netze eine große Renaissance erlebt haben - heutzutage ist ein Leben ohne Sprach- und Gesichtserkennungsprogramme bereits schwer vorstellbar, und der AlphaGo-Computer hat kürzlich den weltbesten Go-Player geschlagen -, unterscheiden sich die Regeln, mit denen neuronale Netze ihre Verbindungen ändern, mit ziemlicher Sicherheit von diesen was das Gehirn benutzt.
Moderne neuronale Netze "basieren auf dem, was wir in den 1960er Jahren über das Gehirn wussten", sagt Terry Seinowski, ein Computational Neuroscientist am Salk Institute in San Diego, der mit Jeffrey Hinton, einem Wissenschaftler an der Universität von Toronto, die ersten Algorithmen für neuronale Netze entwickelte. "Unser Wissen darüber, wie das Gehirn organisiert ist, platzt aus allen Nähten."
Beispielsweise bestehen moderne neuronale Netze aus einer Direktflussarchitektur, bei der Informationen von der Eingabe zur Ausgabe über eine Reihe von Schichten fließen. Jede Schicht ist darauf trainiert, bestimmte Merkmale wie Augen oder Schnurrhaare zu erkennen. Dann geht die Analyse weiter und jede Schicht führt immer komplexere Berechnungen durch. Schließlich erkennt das Programm eine Katze in einer Reihe von farbigen Pixeln.
Dieser vorausschauenden Struktur fehlt jedoch eine wichtige Komponente des biologischen Systems: Rückkopplung sowohl innerhalb einzelner Schichten als auch von Schichten höherer Ordnung mit einer niedrigeren. In einem realen Gehirn sind Neuronen in einer Schicht des Kortex mit ihren Nachbarn sowie mit Neuronen in Schichten darüber und darunter verbunden und bilden ein komplexes Netzwerk von Schleifen. „Feedback ist ein äußerst wichtiger Bestandteil der kortikalen Netzwerke“, sagt Seinovski. "Es gibt so viele Signale in der Rückmeldung, wie es Feedforward-Verbindungen gibt."
Neurowissenschaftler verstehen noch nicht vollständig, was Rückkopplungsschleifen tun, obwohl sie wissen, dass sie für unsere Konzentrationsfähigkeit wesentlich sind. Sie helfen uns, die Stimme am Telefon zu hören, ohne beispielsweise von den Geräuschen der Stadt abgelenkt zu werden. Ein Teil der Popularität der Theorie der Analyse durch Synthese liegt in der Tatsache, dass sie die Grundlage für all diese repetitiven Verbindungen bildet. Sie helfen dem Gehirn, seine Vorhersagen mit der Realität zu vergleichen.
Mikronforscher versuchen, die Regeln für Rückkopplungsschleifen zu entschlüsseln - zum Beispiel, welche Zellen die Schleifen verbinden, welche ihre Aktivität aktivieren und wie sich diese Aktivität auf die Ausgabe von Daten aus der Schaltung auswirkt - und diese Regeln dann in einen Algorithmus zu übersetzen. „Der Maschine fehlt es jetzt an Vorstellungskraft und Selbstbeobachtung. Ich glaube, dass wir uns durch die Rückkopplungsschleife auf vielen verschiedenen Ebenen vorstellen und selbst analysieren können “, sagt Tai Sing Lee.
Vielleicht wird eine Rückkopplungsschleife eines Tages Maschinen mit Funktionen ausstatten, die wir als einzigartig für den Menschen betrachten. "Wenn Sie eine Rückkopplungsschleife in einem tiefen Netzwerk implementieren könnten, könnten Sie von einem Netzwerk, das nur einen Knie-Ruck ausführen kann - Eingabe und Ausgabe - zu einem reflektierenderen Netzwerk, das beginnt, seine Eingaben zu verstehen und Hypothesen zu testen." sagt Sejnowski.
Der Schlüssel zum Geheimnis des Bewusstseins
Wie alle IARPA-Programme ist das Microns-Projekt ein hohes Risiko. Die Technologien, die Wissenschaftler für die großflächige Kartierung neuronaler Aktivitäten und Verwicklungen benötigen, existieren, aber bisher hat niemand sie in einem solchen Maßstab angewendet. Wissenschaftler müssen mit riesigen Datenmengen umgehen - 1-2 Petabyte Daten pro Kubikmillimeter Gehirn. Sie müssen wahrscheinlich neue Tools für maschinelles Lernen entwickeln, um all diese Daten zu analysieren, was ziemlich ironisch ist.
Es ist auch unklar, ob die Lehren aus dem kleinen Biss des Gehirns auf größere Talente des Gehirns hindeuten können. "Das Gehirn ist nicht nur ein Stück Rinde", sagt Sejnowski. "Das Gehirn besteht aus Hunderten von Systemen, die auf verschiedene Funktionen spezialisiert sind."
Die Großhirnrinde selbst besteht aus sich wiederholenden Verbindungen, die ungefähr gleich aussehen. Aber andere Teile des Gehirns können auf sehr unterschiedliche Weise funktionieren. „Wenn Sie eine KI wünschen, die über die einfache Mustererkennung hinausgeht, benötigen Sie viele verschiedene Teile“, sagt Seinowski.
Wenn das Projekt jedoch erfolgreich ist, kann es mehr als nur Intelligenzdaten analysieren. Ein erfolgreicher Algorithmus wird wichtige Wahrheiten darüber enthüllen, wie das Gehirn dieser Welt Bedeutung verleiht. Insbesondere wird es helfen zu bestätigen, ob das Gehirn wirklich durch Analyse durch Synthese funktioniert - dass es seine Vorhersagen über die Welt mit eingehenden Daten von unseren Sinnen vergleicht. Dies wird zeigen, dass eine Schlüsselzutat im Rezept für Bewusstsein eine sich ständig verändernde Mischung aus Vorstellungskraft und Wahrnehmung ist. Durch den Bau einer Maschine, die denken kann, hoffen die Wissenschaftler, die Geheimnisse des Denkens selbst aufzudecken.
