Ta med ett treårigt barn till djurparken, och han kommer intuitivt att bestämma att de långhalsade djur som tuggar löv är samma giraff från hans barns bildbok. Denna enkla prestanda är faktiskt ganska komplex. Ritningen i boken är en frusen silhuett av enkla linjer, och den levande varelsen är ett mästerverk av färg, struktur, rörelse och ljus. Det ser annorlunda ut från olika vinklar och kan ändra form, position, perspektiv.
I allmänhet klarar människor sig bra i den här typen av uppgifter. Vi kan lätt förstå de viktigaste funktionerna i ett objekt från enkla exempel och tillämpa denna kunskap på något okänt. Datorer, å andra sidan, behöver vanligtvis sammanställa en hel databas med giraffer, visade i olika positioner, ur olika perspektiv, för att lära sig att exakt identifiera ett djur.
Visuell identitet är ett av de många områdena där människor lätt slår datorer. Vi är också bättre på att leta efter relevant information i dataströmmen; vi löser ostrukturerade problem; Vi lär oss lekfullt, som ett barn som lär sig om allvar genom att leka med block.
"Människor är mycket, mycket mer mångsidiga," säger Tai Sing Lee, en forskare och neurovetenskapsman vid Carnegie Mellon University i Pittsburgh. "Vi är fortfarande mer flexibla i att tänka, kunna förutse, föreställa oss och skapa framtida händelser."
Men USA finansierar ett ambitiöst nytt program som försöker sätta konstgjord intelligens i nivå med våra egna mentala förmågor. Tre team av neurovetenskapsmän och datavetare försöker ta reda på hur hjärnan utför dessa bråk med visuell identifiering och bygger sedan maskiner som gör samma sak.
"Modern maskininlärning misslyckas där människor trivs", säger Jacob Vogelstein, som leder programmet vid Intelligence Advanced Research Projects Activity (IARPA). "Vi vill revolutionera maskininlärning genom omvänd teknikalgoritmer och hjärnberäkning."
Det är väldigt lite tid. Varje grupp modellerar för närvarande en lapp med bark i enastående detalj. Tillsammans utvecklar de algoritmer baserade på vad de har lärt sig. Vid nästa sommar kommer var och en av dessa algoritmer att ges ett exempel på en okänd sak att upptäcka i tusentals bilder i den okända databasen. "Tidslinjen är väldigt snäv," sade Christoph Koch, president och seniorman vid Allen Institute for Brain Science i Seattle, som arbetar med ett av lagen.
Koch och hans kollegor skapar ett komplett kopplingsschema för en liten hjärna kub - en miljon kubik mikron, ungefär en femhunderdedel av volymen för en vallmofrö. Och detta är en storleksordning mer än den mest kompletta och största kartan över hjärnvävning hittills, som publicerades i juni förra året och som tog ungefär sex år att skapa.
Kampanjvideo:
I slutet av ett femårigt IARPA-projekt som kallas "cortical network machine intelligence (Microns)" planerar forskare att kartlägga en kubik millimeter av cortex. Detta lilla stycke innehåller nära 100 000 nervceller, 3 till 15 miljoner neurala anslutningar eller synapser, och tillräckligt med neurala sammanfiltringar för att täcka en stor stad om det är upptaget och utsträckt.
Ingen har ännu försökt rekonstruera en del av hjärnan på en sådan skala. Men mer småskaliga ansträngningar har visat att sådana kartor kan belysa den inre funktionen i hjärnbarken. I ett papper som publicerades i tidskriften Nature i mars kartlade Wei-Chung Allen Lee - en neurovetenskapsman vid Harvard University som arbetar med Kochs team - och hans kollegor kopplingarna mellan 50 nervceller och över 1 000 av deras partners. Genom att kombinera denna karta med information om hur varje neuron fungerar i hjärnan - till exempel en del av en visuell signal - har forskare dragit fram en enkel regel om den anatomiska anslutningen av neuroner i denna del av cortex. Och de fann att neuroner med liknande funktioner är mer benägna att ansluta och bilda stora förbindelser med varandra, och mindre troligt med andra typer av neuroner.
Och även om målet för Microns-projektet är mycket tekniskt - IARPA finansierar forskning som kan leda till dataanalysverktyg för underrättelsebyråer, och naturligtvis andra - naturligtvis - parallellt med detta kommer forskare att få information om hjärnans arbete. Andreas Tolias, en neurolog vid Baylor College of Medicine som är en av de ledande medlemmarna i Kochs team, jämför vår nuvarande kunskap om cortex med oskarp fotografering. Han hoppas att Microns-projektets aldrig tidigare skådade skala hjälper till att skärpa detta perspektiv och upptäcka de mer komplexa regler som styr våra nervkretsar. Utan att känna till alla beståndsdelar "kanske vi saknar skönheten i denna struktur."
Hjärnprocessor
De komplicerade veck som täcker hjärnans yta och bildar hjärnbarken (cortex) är bokstavligen kilade in i våra dödskallar. På många sätt är det hjärnans mikroprocessor. Det tre millimeter tjocka mellanlaget består av en serie upprepande moduler eller mikrokretsar, som en rad logiska grindar i ett datorchip. Varje modul består av cirka 100 000 neuroner arrangerade i ett komplext nätverk av sammankopplade celler. Det finns bevis på att grundmodulen för dessa moduler är ungefär densamma i hela cortex. Men moduler i olika delar av hjärnan är specialiserade för specifika ändamål som syn, rörelse och hörsel.
Forskare har bara en grov uppfattning om hur dessa moduler ser ut och hur de fungerar. De är till stor del begränsade till att studera hjärnan i minsta skala: tiotals eller hundratals neuroner. Ny teknik utformad för att spåra form, aktivitet och anslutningsförmåga hos tusentals neuroner tillåter först forskare att börja analysera hur celler i en modul interagerar med varandra; hur aktivitet i en del av systemet kan generera aktivitet i en annan del. "För första gången i historien kunde vi undersöka dessa moduler istället för att bara gissa på innehållet," säger Vogelstein. "Olika team har olika gissningar om vad som finns inuti."
Forskare kommer att fokusera på den del av cortex som är ansvarig för synen. Detta känslosystem har studerats aktivt av neurofysiologer, och specialister inom datormodellering har länge försökt att emulera. "Vision verkar enkel - bara öppna ögonen - men att lära datorer att göra detsamma är mycket svårt," säger David Cox, en neurovetenskapsman vid Harvard University som leder ett av IARPA-teamen.
Andreas Tolias (till vänster)
Varje team börjar med samma grundläggande idé om hur vision fungerar: en gammal teori som kallas analys genom syntes. Enligt denna idé gör hjärnan förutsägelser om vad som kommer att hända inom en snar framtid och kontrollerar sedan dessa förutsägelser mot vad den ser. Styrkan i detta tillvägagångssätt ligger i dess effektivitet - det kräver mindre beräkning än att återskapa kontinuerligt varje moment i tid.
Hjärnan kan utföra analys genom syntes på ett gäng olika sätt, så forskare undersöker en annan möjlighet. Coxs grupp ser i hjärnan en slags fysikmotor som använder befintliga fysiska modeller för att simulera världen som den ska se ut. Tai Sing Lees team, tillsammans med George Church, antar att hjärnan har ett inbyggt bibliotek med delar - bitar och bitar av föremål och människor - och lär ut reglerna för hur man sätter ihop dessa delar. Löv visas till exempel vanligtvis på grenar. Tolias grupp arbetar med en mer datadriven strategi, där hjärnan skapar statistiska förväntningar på den värld den lever i. Hans grupp kommer att testa olika hypoteser om hur olika delar av kretsen lär sig att kommunicera.
Alla tre grupperna övervakar nervaktiviteten hos tiotusentals nervceller i målhjärnkuben. Sedan används olika metoder för att skapa ett kopplingsschema för dessa celler. Coxs team kommer till exempel att skära hjärnvävnad i lager tunnare än ett mänskligt hår och analysera varje skiva med hjälp av elektronmikroskopi. Forskare limma sedan varje tvärsnitt på en dator för att skapa en tätt packad 3D-karta över hur miljoner nervtrådar tar sig igenom cortex.
Med kartan och aktivitetsdiagrammet i handen kommer varje team att försöka förstå de grundläggande reglerna för kretsen. Sedan programmerar de dessa regler i simuleringen och mäter hur väl simuleringen matchar den verkliga hjärnan.
Andreas Tolias och kollegor kartlade anslutningarna mellan par av nervceller och registrerade sin elektriska aktivitet. Den komplexa anatomin hos fem neuroner (uppe till vänster) kan sammanfattas i ett enkelt schematiskt diagram (uppe till höger). Om du kör en elektrisk ström genom neuron 2 aktiveras den och startar en elektrisk laddning i två celler längs kursen, nervceller 1 och 5 (nedan)
Tolias och hans kollegor har redan smakat på denna metod. I ett papper som publicerades i Science i november kartlade de kopplingarna mellan 11 000 neuronpar och avslöjade fem nya typer av neuroner. "Vi har fortfarande inte en fullständig lista över de delar som utgör cortex, typen av enskilda celler, deras anslutningar," säger Koch. "Det är där Tolias började."
Bland de tusentals neurala förbindelserna upptäckte Tolias-gruppen tre allmänna regler som reglerar anslutningen av celler: vissa kommunicerar främst med neuroner av sin egen typ; andra undviker sin egen typ, främst handlar om andra typer; den tredje gruppen kommunicerar med bara några få andra neuroner. (Tolias 'grupp definierade sina celler baserat på neural anatomi, inte funktion, till skillnad från Wei Li grupp.) Med bara tre av dessa kommunikationsregler kunde forskare reproducera kretsen ganska exakt. "Utmaningen nu är att ta reda på vad dessa kommunikationsregler betyder algoritmiskt", säger Tolias. "Vilken typ av beräkning gör de?"
Neurala nätverk baserade på riktiga neuroner
Hjärnbaserad konstgjord intelligens är inte en ny idé. Så kallade neurala nätverk som efterliknar hjärnans grundstruktur var extremt populära på 1980-talet. Men vid den tiden saknade forskare på området beräkningskraften och data om hur algoritmer kan effektiviseras. Och alla dessa miljoner bilder med katter på Internet var det inte. Och även om neurala nätverk har upplevt en stor renässans - för närvarande är det redan svårt att föreställa sig livet utan röst- och ansiktsigenkänningsprogram, och AlphaGo-datorn slog nyligen världens bästa go-spelare - reglerna som använder neurala nätverk för att ändra sina anslutningar är nästan säkert annorlunda än de vad hjärnan använder.
Moderna neurala nätverk "är baserade på vad vi visste om hjärnan på 1960-talet", säger Terry Seinowski, en beräknande neurovetenskapsman vid Salk Institute i San Diego, som utvecklade de första neurala nätverksalgoritmerna med Jeffrey Hinton, en forskare vid University of Toronto. "Vår kunskap om hur hjärnan är organiserad spricker i sömmarna."
Till exempel består moderna neurala nätverk av en direktflödesarkitektur, där information flyter från input till output genom en serie lager. Varje lager tränas för att känna igen vissa funktioner, som ögon eller whiskers. Sedan går analysen vidare, och varje lager utför mer och mer komplexa beräkningar. Så småningom känner programmet igen en katt i en serie färgade pixlar.
Men denna framåtriktade struktur saknar en viktig komponent i det biologiska systemet: återkoppling, både inom enskilda lager och från lager av högre ordning med en lägre. I en riktig hjärna är neuroner i ett lager av cortex kopplade till sina grannar, såväl som till neuroner i lager ovan och under, och bildar ett komplext nätverk av slingor. "Feedback är en oerhört viktig del av kortikala nätverk," säger Seinovski. "Det finns lika många signaler i feedback som det finns framåt-anslutningar."
Neurovetenskapsmän förstår ännu inte helt vad feedback-slingor gör, även om de vet att de är väsentliga för vår förmåga att fokusera. De hjälper oss att lyssna på röst i telefonen utan att bli distraherade av till exempel stadens ljud. En del av populariteten för teorin om analys genom syntes ligger i det faktum att den ger grunden för alla dessa repetitiva föreningar. De hjälper hjärnan att jämföra sina förutsägelser med verkligheten.
Mikrons forskare försöker dechiffrera reglerna för återkopplingsslingor - till exempel vilka celler som ansluter slingorna, vilka som aktiverar deras aktivitet och hur den aktiviteten påverkar utdata från data från kretsen - och översätter sedan dessa regler till en algoritm.”Maskinen saknar nu fantasi och introspektivitet. Jag tror att feedbackslingan gör att vi kan föreställa oss och självanalysera på många olika nivåer, säger Tai Sing Lee.
Kanske kommer en feedback-loop en dag att förse maskiner med funktioner som vi anser vara unika för människor. "Om du skulle kunna implementera en återkopplingsslinga i ett djupt nätverk, kan du flytta från ett nätverk som bara kan knä - som ger input och output - till ett mer reflekterande nätverk som börjar känna till sina input och testhypoteser." säger Sejnowski.
Nyckeln till medvetenhets mysterium
Liksom alla IARPA-program är Microns-projektet en hög risk. Teknologier som forskare behöver för storskalig kartläggning av nervaktivitet och intrassling finns, men ingen har använt dem på en sådan skala tills nu. Forskare måste ta itu med enorma mängder data - 1-2 petabyte data per kubik millimeter hjärna. Du kommer antagligen att behöva utveckla nya maskininlärningsverktyg för att analysera alla dessa data, vilket är ganska ironiskt.
Det är också oklart om lärdomarna från den lilla biten i hjärnan kan antyda större hjärntalanger. "Hjärnan är inte bara en bit bark", säger Sejnowski. "Hjärnan är hundratals system specialiserade för olika funktioner."
Hjärnbarken i sig består av upprepande länkar som ser ungefär lika ut. Men andra delar av hjärnan kan fungera på mycket olika sätt. "Om du vill ha AI som går utöver enkelt mönsterigenkänning, kommer du att behöva många olika delar," säger Seinowski.
Om projektet lyckas kommer det dock att göra mer än att analysera intelligensdata. En framgångsrik algoritm kommer att avslöja viktiga sanningar om hur hjärnan ger mening till denna värld. I synnerhet hjälper det att bekräfta om hjärnan verkligen fungerar genom analys genom syntes - att den jämför sina förutsägelser om världen med inkommande data från våra sinnen. Detta kommer att visa att en viktig ingrediens i receptet för medvetande är en ständigt föränderlig blandning av fantasi och uppfattning. Genom att bygga en maskin som kan tänka, hoppas forskare att avslöja själva tankens hemligheter.
