211service.com
En mindre kunstig intelligens
Å studere 70 000 museneuroner kan hjelpe Andreas Tolias med å bygge smartere AI. 21. februar 2018
Adrian foran
En god del ingeniører som jobber med kunstig intelligens bryr seg ikke om systemene deres ligner ekte hjerner eller ikke, så lenge de presterer bra. Men selv dagens beste systemer kan generalisere bare hvis de mates med tusenvis av prøver, og de kan ikke overføre generaliseringene sine til nye kontekster. Dette gjør AI sårbar for angripere, som kan lure den med små justeringer av dataene. Nevrovitenskapsmann Andreas Tolias mener at hjernelignende funksjoner kan fikse disse problemene.
I 2016 grunnla han Neuroscience-Inspired Networks for Artificial Intelligence (NINAI), et merketeam av nevrovitenskapsmenn, fysikere, matematikere og informatikere som er en del av en større innsats for å forstå nevrale funksjoner (se Inside the Moonshot Effort to Finally Figure Out the Brain, november/desember 2017). Stafettløpet deres mot bedre AI starter i Tolias sitt laboratorium ved Baylor College of Medicine, som registrerer alle nevronene som skyter inne i en én millimeter kube av en muses cortex. I desember fanget de aktiviteten til 70 000 nevroner i én mus — en bragd som ville vært umulig uten to- og tre-foton-bildeteknikkene Tolias' laboratorium hjalp med å fremme. Musene går deretter til Allen Institute i Seattle, som skjærer og fotograferer hjernen deres slik at et tredje team, på Princeton, kan diagrammere hvilke nevroner som er koblet sammen. Ved å sammenligne dette diagrammet med opptakene deres, utleder Tolias laboratorium hvordan cellene påvirker hverandre og hvilket formål hver celle tjener. Hvis, som mange nevrovitenskapsmenn mistenker, cortex i hovedsak er bygget opp fra noen få vanlige, gjentatte konfigurasjoner av nevroner, kan det å forklare aktiviteten i en én-millimeters kube avsløre byggesteinene for all kognisjon.
Adrian Forrow
Tolias har nullstilt to viktige strukturelle forskjeller mellom hjerner og AI. For det første har en musehjerne omtrent hundre typer nevroner, mens et typisk AI-nettverk bare har to eller tre varianter av kunstige nevroner. Hjernens ekstra celletyper inkluderer interneuroner, som kan stoppe store grupper av andre nevroner fra å skyte. AI har ingen direkte ekvivalent. Hjerner har også flere typer forbindelser mellom nevroner enn AI-nettverk gjør. De fleste AI-nettverk er feed-forward, noe som betyr at signaler bare går i én retning, fra ett lag av nettverket til det neste. I motsetning til ekte hjerner, har disse nettverkene ikke tilbakevendende forbindelser (som tillater tilbakemeldingssignaler i motsatte retninger) eller laterale forbindelser (som kobler nevroner i samme lag). De få typene AI-nettverk med tilbakevendende og laterale forbindelser viser lovende, men rollen til tilbakemelding i cortex trenger mye mer studier. Hjernen skapte ikke all denne gjentakelsen for moro skyld, sier Tolias. Han mistenker også at interneuroner kan regulere hjernens sideforbindelser for å skape generaliserende krefter som AI mangler.
Tolias håper å bruke nevro-inspirerte komponenter, inkludert laterale forbindelser, interneuroner og tilbakemeldinger, for å bygge AI som er i stand til one-shot læring, eller generalisere fra et enkelt eksempel. Suksess vil være en stor sak for AI, og for nevrovitenskap, ved å identifisere hvilke funksjoner i nevrale kretsløp som trengs for abstrakt tanke. Tolias forklarer sin søken med ordene til Richard Feynman: Det jeg ikke kan skape, forstår jeg ikke.