Inne i Moonshot-forsøket på å endelig finne ut av hjernen

'Her er problemet med kunstig intelligens i dag,' sier David Cox. Ja, det har blitt forbløffende bra, fra nesten perfekt ansiktsgjenkjenning til førerløse biler og verdensmestere i Go-spillemaskiner. Og det er sant at noen AI-applikasjoner ikke engang trenger å programmeres lenger: de er basert på arkitekturer som lar dem lære av erfaring.

Likevel er det fortsatt noe klønete og brutalt over det, sier Cox, en nevroforsker ved Harvard. For å bygge en hundedetektor må du vise programmet tusenvis av ting som er hunder og tusenvis som ikke er hunder, sier han. Datteren min måtte bare se én hund – og har med glede pekt ut valper siden den gang. Og kunnskapen om at dagens AI klarer å trekke ut fra alle disse dataene kan være merkelig skjør. Legg til litt kunstig statisk til et bilde – støy som et menneske ikke en gang vil legge merke til – og datamaskinen kan forveksle en hund med en søppelcontainer. Det er ikke bra hvis folk bruker ansiktsgjenkjenning for, for eksempel, sikkerhet på smarttelefoner (se Er AI Riding a One-Trick Pony? ).

Postdoktor Abhinav Grama observerer hjernen.

Etter testen er dyrets hjerne fjernet.

Denne historien var en del av november 2017-utgaven vår

• Se resten av saken
• Abonnere

For å overvinne slike begrensninger slo Cox og dusinvis av andre nevrovitenskapsmenn og maskinlæringseksperter seg sammen i fjor for Machine Intelligence from Cortical Networks (MICrONS) initiativ : en innsats på 100 millioner dollar for å reversere hjernen. Det vil være den nevrovitenskapelige ekvivalenten til et måneskudd, sier Jacob Vogelstein, som unnfanget og lanserte MICrONS da han var programansvarlig for Intelligence Advanced Research Projects Agency, det amerikanske etterretningssamfunnets forskningsarm. (Han er nå hos venturekapitalfirmaet Camden Partners i Baltimore.) MICRONS-forskere forsøker å kartlegge funksjonen og strukturen til hver detalj i et lite stykke gnagerbark.

Det er et vitnesbyrd om hjernens kompleksitet at et måneskudd er nødvendig for å kartlegge selv dette lille stykket av cortex, en kube som måler en millimeter på en side - på størrelse med et grovt sandkorn. Men denne kuben er tusenvis av ganger større enn noen hjernebit noen har forsøkt å detaljere. Den vil inneholde omtrent 100 000 nevroner og noe sånt som en milliard synapser, kryssene som lar nerveimpulser hoppe fra ett nevron til det neste.

En rottehjerne i et fat.

Det er en ambisjon som gjør andre nevrovitenskapsmenn forbløffet. Jeg synes det de gjør er heroisk, sier Eve Marder, som har brukt hele sin karriere på å studere mye mindre nevrale kretsløp ved Brandeis University. Det er blant de mest spennende tingene som skjer innen nevrovitenskap, sier Konrad Kording, som driver med beregningsmodellering av hjernen ved University of Pennsylvania.

Hjernen limes til en plate før den skannes.

Den ultimate gevinsten vil være de nevrale hemmelighetene utvunnet fra prosjektets data – prinsipper som skal danne det Vogelstein kaller beregningsbyggesteinene for neste generasjon AI. Tross alt, sier han, er dagens nevrale nettverk basert på en tiår gammel arkitektur og en ganske forenklet forestilling om hvordan hjernen fungerer. I hovedsak sprer disse systemene kunnskap over tusenvis av tett sammenkoblede noder, analogt med hjernens nevroner. Systemene forbedrer ytelsen ved å justere styrken på forbindelsene. Men i de fleste nevrale datamaskinnettverk fosser signalene alltid fremover, fra ett sett med noder til det neste. Den virkelige hjernen er full av tilbakemeldinger: for hver bunt med nervefibre som formidler signaler fra en region til den neste, er det et likt eller større antall fibre som kommer tilbake den andre veien. Men hvorfor? Er disse tilbakemeldingsfibrene hemmeligheten bak one-shot læring og så mange andre aspekter av hjernens enorme kraft? Er det noe annet som skjer?

MICrONS bør gi i det minste noen av svarene, sier nevroforsker Sebastian Seung fra Princeton University, som spiller en nøkkelrolle i kartleggingsarbeidet. Faktisk, sier han, tror jeg ikke vi kan svare på disse spørsmålene uten et prosjekt som dette.

Bilde 1: Den lille kuben øverst til venstre er den delen av hjernen som skal kartlegges. Bilde 2: Den delen av hjernen er innkapslet i akryl som forberedelse til å bli skåret ekstremt tynne.

Zoomer inn

MICrONS-teamene – ett ledet av Cox, ett basert på Rice University og Baylor College of Medicine, og en tredjedel ved Carnegie Mellon – hver forfølger noe som er bemerkelsesverdig omfattende: en rekonstruksjon av alle cellene i en kubikkmillimeter av en rottehjerne, pluss et ledningsdiagram – et konnektor – som viser hvordan hver celle er koblet til annenhver celle, og data som viser nøyaktig hvilke situasjoner som får nevroner til å fyre og påvirke andre nevroner.

Det første trinnet er å se inn i rottenes hjerner og finne ut hva nevroner i den kubikkmillimeteren faktisk gjør. Når dyret får en spesifikk visuell stimulans, for eksempel en linje orientert på en bestemt måte, hvilke nevroner begynner plutselig å skyte av impulser, og hvilke naboer reagerer?

Så sent som for et tiår siden varierte å fange den typen data fra vanskelig til umulig: Verktøyene har bare aldri eksistert, sier Vogelstein. Det er sant at forskere kunne skyve ultratynne ledninger inn i hjernen og få vakre opptak av elektrisk aktivitet i individuelle nevroner. Men de kunne ikke ta opp fra mer enn et par dusin om gangen fordi cellene er pakket så tett sammen. Forskere kunne også kartlegge den generelle geografien til nevral aktivitet ved å sette mennesker og andre dyr i MR-maskiner. Men forskere kunne ikke overvåke individuelle nevroner på den måten: den romlige oppløsningen var i beste fall omtrent en millimeter.

De kuttede hjerneskivene fester seg til en plasttape.

Båndet, med hjerneprøver festet, trimmes og settes på en glideplate som skal gå inn i en enorm skannermaskin.

Det som brøt det blindgatet var utviklingen av teknikker for å få nevroner til å lyse opp når de skyter i en levende hjerne. For å gjøre det, sår forskere vanligvis nevronene med fluorescerende proteiner som lyser i nærvær av kalsiumioner, som øker i overflod når en celle brenner. Proteinene kan settes inn i hjernen til en gnager kjemisk, bæres inn av et godartet virus, eller til og med kodes inn i nevronenes genom. Fluorescensen kan deretter utløses på flere måter - kanskje mest nyttig, av et par lasere som pumper infrarødt lys inn i rotten gjennom et vindu satt inn i skallen. De infrarøde frekvensene lar fotonene trenge inn i det relativt ugjennomsiktige nevrale vevet uten å skade noe, før de blir absorbert av de fluorescerende proteinene. Proteinene kombinerer på sin side energien fra to av de infrarøde fotonene og frigjør den som et enkelt synlig lysfoton som kan sees under et vanlig mikroskop når dyret ser på noe eller utfører en rekke andre handlinger.

Andreas Tolias, som leder en del av teamet på Baylor, sier at dette er revolusjonerende fordi du kan ta opp fra hver enkelt nevron, også de som er rett ved siden av hverandre.

Når et team i Coxs laboratorium har kartlagt en rottes nevrale aktivitet, blir dyret drept og hjernen tilføres tungmetallet osmium. Så skjærer et team ledet av Harvard-biolog Jeff Lichtman hjernen i skiver og finner ut nøyaktig hvordan nevronene er organisert og koblet sammen.

Den prosessen starter i et kjellerlaboratorium med en stasjonær maskin som fungerer som en delikatessesalamiskjærer. En liten metallplate stiger og faller, og skjærer metodisk bort spissen av det som ser ut til å være en ravfarget fargestift og fester skivene til et transportbånd laget av plasttape. Forskjellen er at salami faktisk er et rør med hard harpiks som omslutter og støtter det skjøre hjernevevet, den bevegelige platen inneholder et umulig skarpt diamantblad, og skivene er omtrent 30 nanometer tykke.

Skanninger av hjerneskiver er sydd sammen av en algoritme.

Et multistrålesynsfelt, laget av 61 bilder tatt med elektronmikroskopet, sees til venstre; 14 multistråle-synsfelt er kombinert til høyre.

Skanninger settes sammen til en kube og fargelegges.

Deretter, på et annet laboratorium nede i gangen, blir båndlengder som inneholder flere hjerneskiver hver montert på silisiumskiver og plassert inne i det som ser ut som et stort industrikjøleskap. Enheten er et elektronmikroskop: den bruker 61 elektronstråler for å skanne 61 flekker av hjernevev samtidig med en oppløsning på fire nanometer.

Hver wafer tar omtrent 26 timer å skanne. Monitorer ved siden av mikroskopet viser de resulterende bildene mens de bygger seg opp i fryktinngytende detaljer – cellemembraner, mitokondrier, nevrotransmitterfylte vesikler som samler seg ved synapsene. Det er som å zoome inn på en fraktal: jo nærmere du ser, jo mer kompleksitet ser du.

Skjæring er neppe slutten på historien. Selv når skanningene strømmer ut av mikroskopet – du lager liksom en film der hver skive er dypere, sier Lichtman – blir de videresendt til et team ledet av Harvard-dataforskeren Hanspeter Pfister. Vår rolle er å ta bildene og trekke ut så mye informasjon vi kan, sier Pfister.

Det betyr å rekonstruere alle de tredimensjonale nevronene – med alle deres organeller, synapser og andre funksjoner – fra en stabel med 2D-skiver. Mennesker kunne gjøre det med papir og blyant, men det ville gått håpløst sakte, sier Pfister. Så han og teamet hans har trent nevrale nettverk for å spore de virkelige nevronene. De presterer mye bedre enn alle de andre metodene vi har brukt, sier han.

Hvert nevron, uansett størrelse, setter ut en skog av ranker kjent som dendritter, og hver har en annen lang, tynn fiber kalt et akson for å overføre nerveimpulser over lange avstander – helt over hjernen, i ekstreme tilfeller, eller til og med alle langt ned i ryggmargen. Men ved å kartlegge en kubikkmillimeter slik MICrONS gjør, kan forskerne følge de fleste av disse fibrene fra begynnelse til slutt og dermed se en komplett nevrale kretsløp. Jeg tror vi vil oppdage ting, sier Pfister. Sannsynligvis strukturer vi aldri hadde mistanke om, og helt ny innsikt i ledningsnettet.

Forventningens kraft

Blant spørsmålene MICrONS-teamene håper å begynne å svare på: Hva er hjernens algoritmer? Hvordan fungerer egentlig alle disse nevrale kretsene? Og spesielt, hva gjør all den tilbakemeldingen?

Mange av dagens AI-applikasjoner bruker ikke tilbakemelding. Elektroniske signaler i de fleste nevrale nettverk fosser fra ett lag med noder til det neste, men vanligvis ikke bakover. (Ikke bli kastet av begrepet backpropagation, som er en måte å tog nevrale nettverk.) Det er ikke en hard-og-rask regel: tilbakevendende nevrale nettverk har forbindelser som går bakover, noe som hjelper dem med å håndtere innganger som endres over tid. Men ingen av dem bruker tilbakemelding på noe lignende hjernens skala. I en godt studert del av den visuelle cortex, sier Tai Sing Lee kl Carnegie Mellon , bare 5 til 10 prosent av synapsene lytter til innspill fra øynene. Resten lytter til tilbakemeldinger fra høyere nivåer i hjernen.

De fargede kubene er nyttige i 3D-illustrasjoner av ulike nevronale strukturer og prosesser, og gir forskerne deres mest detaljerte kart til nå over hva som faktisk skjer i hjernen.

Det er to brede teorier om hva tilbakemeldingene er til for, sier Cox, og den ene er forestillingen om at hjernen hele tiden prøver å forutsi sine egne input. Mens den sensoriske cortex behandles dette rammen av filmen, så å si, de høyere nivåene av hjernen prøver å forutse neste ramme, og sende sine beste gjetninger tilbake gjennom tilbakemeldingsfibrene.

Dette er den eneste måten hjernen kan håndtere et miljø i rask bevegelse. Nevroner er veldig trege, sier Cox. Det kan ta opptil 170 til 200 millisekunder å gå fra lys treffer netthinnen gjennom alle stadier av prosessering opp til nivået av bevisst persepsjon. På den tiden går Serena Williams tennisserv ni meter. Så alle som klarer å returnere den serven må svinge racketen hennes på grunnlag av spådommer.

Og hvis du hele tiden prøver å forutsi fremtiden, sier Cox, så når den virkelige fremtiden kommer, kan du justere for å gjøre din neste spådom bedre. Det passer godt med den andre store teorien som utforskes: at hjernens tilbakemeldingsforbindelser er der for å veilede læring. Faktisk viser datasimuleringer at en kamp for forbedring tvinger ethvert system til å bygge bedre og bedre modeller av verden. For eksempel, sier Cox, du må finne ut hvordan et ansikt vil se ut hvis det snur seg. Og det, sier han, kan vise seg å være en kritisk del av puslespillet med ett skudd.

Da datteren min først så en hund, sier Cox, trengte hun ikke å lære om hvordan skygger fungerer, eller hvordan lys spretter fra overflater. Hun hadde allerede bygget opp et rikt reservoar av erfaring om slike ting, bare fra å leve i verden. Så når hun kom til noe som «Det er en hund», sier han, kunne hun legge til den informasjonen til en enorm kunnskapsmengde.

Hvis disse ideene om hjernens tilbakemelding er korrekte, kan de dukke opp i MICrONS sitt detaljerte kart over en hjernes form og funksjon. Kartet kan vise hvilke triks de nevrale kretsene bruker for å implementere prediksjon og læring. Til slutt kan nye AI-applikasjoner etterligne den prosessen.

Selv da vil vi imidlertid være langt fra å svare på alle spørsmålene om hjernen. Å kjenne til nevrale kretsløp vil ikke lære oss alt. Det er former for celle-til-celle-kommunikasjon som ikke går gjennom synapsene, inkludert noen utført av hormoner og nevrotransmittere som flyter i mellomrommene mellom nevronene. Det er også spørsmålet om skala. Så stort et sprang som MICrONS kan være, er det fortsatt bare å se på et lite stykke cortex for å finne ledetråder om hva som er relevant for beregning. Og cortex er bare det tynne ytre laget av hjernen. Kritiske kommando-og-kontrollfunksjoner utføres også av dype hjernestrukturer som thalamus og basalgangliene.

Den gode nyheten er at MICrONS allerede baner vei for fremtidige prosjekter som kartlegger større deler av hjernen.

Mye av de 100 millioner dollar, sier Vogelstein, blir brukt på datainnsamlingsteknologier som ikke trenger å bli oppfunnet på nytt. Samtidig utvikler MICrONS-team raskere skanneteknikker, inkludert en som eliminerer behovet for å kutte vev. Team ved Harvard, MIT og Cold Spring Harbor Laboratory har utviklet en måte å merke hver nevron unik med et strekkodeskjema og deretter se cellene i detalj ved å mette dem med en spesiell gel som veldig forsiktig blåser dem opp til dusinvis eller hundrevis av ganger deres normale størrelse.

Så den første kubikkmillimeteren blir vanskelig å samle, sier Vogelstein, men den neste blir mye lettere.

M. Mitchell Waldrop er en frilansskribent i Washington, D.C. Han er forfatteren av Kompleksitet og Drømmemaskinen og var tidligere redaktør ved Natur .

gjemme seg