Большие данные и более быстрые компьютеры запустили новую волну прогресса и инвестиций в искусственный интеллект. Нейробиолог и компьютерный ученый из Гарвардского университета Дэвид Кокс считает, что следующий большой скачок будет зависеть от того, что происходит в голове у крысы, когда она играет в видеоигры.
Дэвид ведет проект «Ариадна» стоимостью $28 миллионов, финансируемый Агентством передовых исследований в сфере разведки (IARPA). Он ищет в млекопитающих ключ, который поможет сделать искусственный интеллект умнее.
Сегодня все большая часть технологий опирается на нейронные сети. Благодаря значительному увеличению вычислительной мощности и большому количеству данных в Интернете, Facebook может идентифицировать лица, Siri умеет распознавать речь, а автомобили могут самостоятельно ориентироваться в пространстве. Однако эти алгоритмы все еще достаточно примитивны и опираются на очень упрощенный процесс анализа информации. Например, можно слегка изменить фотографии так, что программа увидит вещи, которых на самом деле нет. Кокс показал фотографию редактора MIT Technology Review с наложением легкого шума, и программа распознала его, как страуса. Этот трюк можно проделать самому с помощью онлайн демо из лаборатории Кокса.
Нейронные сети, как правило, плохо работают в перегруженных средах, где компьютеру нужно выделить объект среди большого количества других объектов, многие из которых при этом накладываются друг на друга. Машинный интеллект справляется с обобщением достаточно плохо. Если показать компьютеру одно или два изображения кенгуру, он не научится определять всех кенгуру. Он должен увидеть кенгуру с разных ракурсов и во многих ситуациях, прежде чем научиться точно распознавать животное. «Кажется, что видеть — это легко: просто откройте глаза. Но трудно научить компьютер делать то же самое» — говорит Дэвид.
Визуальная идентификация – это то немногое, в чем человеческий превосходит компьютер. Мы можем различать друг друга в толпе, сосредотачивать внимание на знакомом голосе в шумной обстановке и на основе одного или нескольких примеров выводить закономерности из звуков и изображений. Человеку не нужны инструкции для того, чтобы научиться обобщать. Поэтому ученые обратились к , чтобы найти то, что упускает искусственный интеллект.
Сейчас Дэвид и его команда работают с крысами, которые тренируют свои навыки распознавания с помощью специально разработанных видеоигр. Для измерения активности грызунов будет использоваться двухфотонный лазерный микроскоп. Чтобы увидеть работу нейронов, ученые введут флуоресцентный белок, чувствительный к кальцию. Когда нейроны начнут реагировать, ионы кальция последуют в клетку и будут ее подсвечивать. «Это похоже на прослушку огромного количества клеток головного ; вы видите, что крыса может мыслить» — отмечает Дэвид.
Еще одно направление проекта включает в себя попытку создать 3D-карту нейронной сети головного крыс, используя стеки 30-нанометровых срезов ткани , изученные с помощью двухфотонного лазерного микроскопа. Полученная модель достаточно сложна для изучения, потому что нейробиологи до сих пор окончательно не знают, какую функцию выполняет та или иная клетка. Но Кокс говорит, что их «изумительная запутанность» воодушевляет. Он предполагает, что «мозг все еще может научить нас многому для того, чтобы построить искусственный интеллект».
Помимо «Ариадны» исследованием занимаются еще две команды под руководством ученого из Университета Карнеги-Меллона Тай Синг Ли и нейробиолога из медицинского колледжа Бейлор Андреса Толиаса. Каждая группа ученых подошла к одной и той же проблеме с разных сторон. Так, например, команда Андреаса Толиаса применяет подход, во многом схожий с методикой Дэвида Кокса.
Чтобы изучить более глубокие слои , а не только верхние, исследованные Коксом и его коллегами, Толиас использовал трехфотонную микроскопию. Группа исследователей под руководством Толиаса уже значительно продвинулась вперед, установив связи между 11 тысячами нейронных пар и обнаружив в процессе пять новых типов нейронов. Тай Синг Ли планирует использовать штриховое кодирование ДНК: его команда будет маркировать каждый нейрон с уникальной последовательностью нуклеотидов и химически соединят штрих-коды через синапсы, чтобы восстановить схему. Ли надеется, что это будет быстрее и точнее, если вообще сработает. Он отмечает, что «если технология штрихкодирования будет работать, она коренным образом изменит все представление о нейробиологии».
Вся проделанная работа составляет только половину всего проекта. Ученые должны найти способ сделать всю эту информацию полезной для алгоритмов машинного обучения. С одной стороны, многие исследователи полагают, что нейроны представляют сенсорную информацию в форме распределений вероятности, вычисляя наиболее вероятную интерпретацию события на основе предыдущего опыта. Эта гипотеза прежде всего основывается на идее обратной связи в . Скорее всего, существует конструктивный процесс, во время которого поддерживает и создает внутреннее представление о мире, генерируя ожидания и предсказания, позволяющие ему объяснять поступающие данные и «придумывать» как их использовать. «Чего не хватает искусственному интеллекту прямо сейчас – это воображения и самоанализа. Я считаю, что схема обратной связи позволяет нам представлять и анализировать на самых разных уровнях» — отмечает Тай Синг Ли.
может выполнить анализ посредством синтеза любым количеством разных способов, так что каждая команда исследует разные возможности. Группа под руководством Кокса рассматривает как своего рода физический движок с уже существующими моделями, которые он использует для создания представления о мире. Команда Тай Линг Си предполагает, что составляет «библиотеку» из небольших кусочков и частей объектов и изучает их прежде, чем соединить их воедино. Толиас работает с предположением, что создает статистические теории о мире.
Автор: krasandm
