211service.com
En mindre kunstig intelligens
At studere 70.000 museneuroner kan hjælpe Andreas Tolias med at bygge smartere AI. 21. februar 2018
Adrian forrow
Et rimeligt antal ingeniører, der arbejder med kunstig intelligens, er ligeglade med, om deres systemer ligner rigtige hjerner eller ej, så længe de fungerer godt. Men selv nutidens bedste systemer kan kun generalisere, hvis de fodres med tusindvis af prøver, og de kan ikke overføre deres generaliseringer til nye kontekster. Dette efterlader AI sårbar over for angribere, som kan narre den med små tweaks til dataene. Neurovidenskabsmand Andreas Tolias mener, at hjernelignende funktioner kan løse disse problemer.
I 2016 grundlagde han Neuroscience-Inspired Networks for Artificial Intelligence (NINAI), et tag-team af neurovidenskabsmænd, fysikere, matematikere og dataloger, der er en del af en større indsats for at forstå neurale funktioner (se Inside the Moonshot Effort to Finally Finde Out the Brain, november/december 2017). Deres stafetløb mod bedre AI starter i Tolias' laboratorium på Baylor College of Medicine, som registrerer alle neuroner, der skyder inde i en en-millimeter terning af en muses cortex. I december fangede de aktiviteten af 70.000 neuroner i én mus — en bedrift, der ville have været umulig uden to- og tre-foton-billedteknikkerne, Tolias' laboratorium hjalp med at fremme. Musene går derefter til Allen Institute i Seattle, som skærer og fotograferer deres hjerner, så et tredje hold i Princeton kan diagrammere, hvilke neuroner der er forbundet. Ved at sammenligne dette diagram med deres optagelser udleder Tolias laboratorium, hvordan cellerne påvirker hinanden, og hvilket formål hver celle tjener. Hvis, som mange neurovidenskabsmænd har mistanke om, er cortex i det væsentlige bygget af nogle få almindelige, gentagne konfigurationer af neuroner, så kan en forklaring af aktiviteten i en terning på en millimeter afsløre byggestenene for al kognition.
Adrian Forrow
Tolias har nulstillet to vigtige strukturelle forskelle mellem hjerner og AI. For det første har en muses hjerne omkring hundrede typer neuroner, mens et typisk AI-netværk kun har to eller tre varianter af kunstige neuroner. Hjernens ekstra celletyper omfatter interneuroner, som kan stoppe store grupper af andre neuroner i at skyde. AI har ingen direkte ækvivalent. Hjerner har også flere typer forbindelser mellem neuroner, end AI-netværk gør. De fleste AI-netværk er feed-forward, hvilket betyder, at signaler kun går i én retning, fra et lag af netværket til det næste. I modsætning til rigtige hjerner har disse netværk ikke tilbagevendende forbindelser (som tillader feedback-signaler i modsatte retninger) eller laterale forbindelser (som forbinder neuroner i det samme lag). De få typer AI-netværk med tilbagevendende og laterale forbindelser viser lovende, men feedbacks rolle i cortex kræver meget mere undersøgelse. Hjernen skabte ikke al denne gentagelse for sjov, siger Tolias. Han har også mistanke om, at interneuroner kan regulere hjernens laterale forbindelser for at skabe de generaliserende kræfter, som AI mangler.
Tolias håber at bruge neuro-inspirerede komponenter, herunder laterale forbindelser, interneuroner og feedback, til at bygge AI, der er i stand til one-shot læring, eller generalisere ud fra et enkelt eksempel. Succes ville være en stor sag for AI og for neurovidenskab ved at identificere, hvilke funktioner i neurale kredsløb, der er nødvendige for abstrakt tankegang. Tolias forklarer sin søgen med Richard Feynmans ord: Hvad jeg ikke kan skabe, forstår jeg ikke.