Inde i Moonshot-bestræbelserne på endelig at finde ud af hjernen

'Her er problemet med kunstig intelligens i dag,' siger David Cox. Ja, det er blevet forbavsende godt, fra næsten perfekt ansigtsgenkendelse til førerløse biler og verdensmester Go-spillemaskiner. Og det er rigtigt, at nogle AI-applikationer ikke engang skal programmeres længere: de er baseret på arkitekturer, der giver dem mulighed for at lære af erfaring.

Alligevel er der stadig noget klodset og brutalt over det, siger Cox, neuroforsker ved Harvard. For at bygge en hundedetektor skal du vise programmet tusindvis af ting, der er hunde, og tusindvis, der ikke er hunde, siger han. Min datter skulle kun se én hund – og har med glæde peget på hvalpe lige siden. Og viden om, at nutidens AI formår at udtrække fra al den data, kan være mærkeligt skrøbelig. Tilføj noget kunstfærdigt statisk til et billede - støj, som et menneske ikke engang ville lægge mærke til - og computeren forveksler måske bare en hund med en skraldespand. Det er ikke godt, hvis folk bruger ansigtsgenkendelse til f.eks. sikkerhed på smartphones (se Er AI Riding a One-Trick Pony?).

Postdoc Abhinav Grama observerer hjernen.

Efter testen er dyrets hjerne blevet fjernet.

Denne historie var en del af vores november 2017-udgave

• Se resten af ​​problemet
• Abonner

For at overvinde sådanne begrænsninger gik Cox og snesevis af andre neurovidenskabsmænd og maskinlæringseksperter sidste år sammen om Machine Intelligence from Cortical Networks (MICrONS) initiativ : en indsats på 100 millioner dollars for at omdanne hjernen. Det vil være den neurovidenskabelige ækvivalent til et måneskud, siger Jacob Vogelstein, der udtænkte og lancerede MICrONS, da han var programmedarbejder for Intelligence Advanced Research Projects Agency, det amerikanske efterretningssamfunds forskningsarm. (Han er nu hos venturekapitalfirmaet Camden Partners i Baltimore.) MICRONS-forskere forsøger at kortlægge funktionen og strukturen af ​​hver detalje i et lille stykke gnaverbark.

Det er et vidnesbyrd om hjernens kompleksitet, at et måneskud er nødvendigt for at kortlægge selv dette lille stykke cortex, en terning, der måler en millimeter på en side - på størrelse med et groft sandkorn. Men denne terning er tusindvis af gange større end nogen del af hjernen, nogen har forsøgt at detaljere. Det vil indeholde omkring 100.000 neuroner og noget i retning af en milliard synapser, de krydsninger, der tillader nerveimpulser at springe fra den ene neuron til den næste.

En rottehjerne i et fad.

Det er en ambition, der efterlader andre neurovidenskabsmænd forbløffede. Jeg synes, det de laver er heroisk, siger Eve Marder, der har brugt hele sin karriere på at studere meget mindre neurale kredsløb på Brandeis University. Det er blandt de mest spændende ting, der sker inden for neurovidenskab, siger Konrad Kording, der laver beregningsmodellering af hjernen på University of Pennsylvania.

Hjernen limes til en plade, inden den scannes.

Det ultimative udbytte vil være de neurale hemmeligheder, der er udvundet fra projektets data – principper, der bør danne det, Vogelstein kalder de beregningsmæssige byggesten til næste generation af kunstig intelligens. Når alt kommer til alt, siger han, er nutidens neurale netværk baseret på en årtier gammel arkitektur og en ret forsimplet forestilling om, hvordan hjernen fungerer. I det væsentlige spreder disse systemer viden på tværs af tusindvis af tæt forbundne noder, analogt med hjernens neuroner. Systemerne forbedrer deres ydeevne ved at justere styrken af ​​forbindelserne. Men i de fleste neurale computernetværk strømmer signalerne altid fremad, fra et sæt noder til det næste. Den rigtige hjerne er fuld af feedback: for hvert bundt af nervefibre, der overfører signaler fra den ene region til den næste, er der et lige så stort eller større antal fibre, der kommer tilbage den anden vej. Men hvorfor? Er disse feedbackfibre hemmeligheden bag one-shot læring og så mange andre aspekter af hjernens enorme kraft? Er der noget andet i gang?

MICrONS burde give i det mindste nogle af svarene, siger neuroforsker Sebastian Seung fra Princeton University, som spiller en nøglerolle i kortlægningsindsatsen. Faktisk, siger han, tror jeg ikke, vi kan besvare disse spørgsmål uden et projekt som dette.

Billede 1: Den lille terning øverst til venstre er den del af hjernen, der vil blive kortlagt. Billede 2: Det stykke af hjernen er indkapslet i akryl som forberedelse til at blive skåret ekstremt tynde.

Zoomer ind

MICrONS-holdene - et ledet af Cox, et baseret på Rice Universitet og Baylor College of Medicine og en tredje på Carnegie Mellon – hver forfølger noget, der er bemærkelsesværdigt omfattende: en rekonstruktion af alle cellerne i en kubikmillimeter af en rottes hjerne, plus et ledningsdiagram – et konnektor – der viser, hvordan hver celle er forbundet med hver anden celle, og data viser præcis, hvilke situationer der får neuroner til at fyre og påvirke andre neuroner.

Det første skridt er at se ind i rotternes hjerner og finde ud af, hvad neuroner i den kubikmillimeter rent faktisk laver. Når dyret får en specifik visuel stimulus, såsom en linje orienteret på en bestemt måde, hvilke neuroner begynder pludselig at affyre impulser, og hvilke naboer reagerer?

Så sent som for ti år siden varierede indfangning af den slags data fra svært til umuligt: ​​Værktøjerne har bare aldrig eksisteret, siger Vogelstein. Det er rigtigt, at forskere kunne glide ultratynde ledninger ind i hjernen og få smukke optagelser af elektrisk aktivitet i individuelle neuroner. Men de kunne ikke optage fra mere end et par dusin ad gangen, fordi cellerne er pakket så tæt sammen. Forskere kunne også kortlægge den overordnede geografi af neural aktivitet ved at sætte mennesker og andre dyr i MRI-maskiner. Men forskere kunne ikke overvåge individuelle neuroner på den måde: den rumlige opløsning var i bedste fald omkring en millimeter.

De afskårne skiver af hjerne klæber til et plastiktape.

Båndet, med hjerneprøver påsat, trimmes og sættes på en glideplade, der skal gå ind i en enorm scanningsmaskine.

Det, der brød det dødvande, var udviklingen af ​​teknikker til at få neuroner til at lyse op, når de skyder i en levende hjerne. For at gøre det, så videnskabsmænd typisk neuronerne med fluorescerende proteiner, der lyser i nærvær af calciumioner, som bølger i overflod, når en celle brænder. Proteinerne kan indsættes i en gnavers hjerne kemisk, båret ind af en godartet virus eller endda kodet ind i neuronernes genom. Fluorescensen kan derefter udløses på flere måder - måske mest anvendeligt, af et par lasere, der pumper infrarødt lys ind i rotten gennem et vindue, der er sat ind i dens kranium. De infrarøde frekvenser tillader fotonerne at trænge ind i det forholdsvis uigennemsigtige neurale væv uden at beskadige noget, før de bliver absorberet af de fluorescerende proteiner. Proteinerne kombinerer til gengæld energien fra to af de infrarøde fotoner og frigiver den som en enkelt foton med synligt lys, der kan ses under et almindeligt mikroskop, mens dyret ser på noget eller udfører en række andre handlinger.

Andreas Tolias, der leder en del af teamet hos Baylor, siger, at dette er revolutionerende, fordi du kan optage fra hver enkelt neuron, selv dem, der er lige ved siden af ​​hinanden.

Når et hold i Cox's laboratorium har kortlagt en rottes neurale aktivitet, bliver dyret dræbt, og dets hjerne infunderes med tungmetallet osmium. Derefter skærer et hold ledet af Harvard-biolog Jeff Lichtman hjernen i skiver og finder ud af præcis, hvordan neuronerne er organiseret og forbundet.

Den proces starter i et kælderlaboratorium med en stationær maskine, der fungerer som en delikatesse-salamiskærer. En lille metalplade rejser sig og falder, skærer metodisk spidsen af, hvad der ser ud til at være en ravfarvet farveblyant, og klæber skiverne til et transportbånd lavet af plastiktape. Forskellen er, at salamien faktisk er et rør af hård harpiks, der omslutter og understøtter det skrøbelige hjernevæv, den bevægelige plade indeholder et umuligt skarpt diamantblad, og skiverne er omkring 30 nanometer tykke.

Scanninger af hjerneskiver sys sammen af ​​en algoritme.

Et multistråle-synsfelt, lavet af 61 billeder taget med elektronmikroskopet, ses til venstre; 14 multistråle-synsfelter er kombineret til højre.

Scanninger samles til en terning og farvelægges.

Dernæst, i et andet laboratorium nede i gangen, monteres båndlængder, der hver indeholder flere hjerneskiver, på siliciumwafers og placeres inde i, hvad der ligner et stort industrikøleskab. Enheden er et elektronmikroskop: den bruger 61 elektronstråler til at scanne 61 pletter af hjernevæv samtidigt med en opløsning på fire nanometer.

Hver wafer tager omkring 26 timer at scanne. Monitorer ved siden af ​​mikroskopet viser de resulterende billeder, mens de opbygges i ærefrygtindgydende detaljer - cellemembraner, mitokondrier, neurotransmitterfyldte vesikler trænger sig sammen ved synapserne. Det er som at zoome ind på en fraktal: Jo tættere du ser, jo mere kompleksitet ser du.

Udskæring er næppe slutningen på historien. Selvom scanningerne kommer væltende ud af mikroskopet - Du laver ligesom en film, hvor hver skive er dybere, siger Lichtman - videresendes de til et hold ledet af Harvard-computerforskeren Hanspeter Pfister. Vores rolle er at tage billederne og udtrække så meget information, som vi kan, siger Pfister.

Det betyder at rekonstruere alle disse tredimensionelle neuroner – med alle deres organeller, synapser og andre funktioner – fra en stak af 2-D skiver. Mennesker kunne gøre det med papir og blyant, men det ville være håbløst langsomt, siger Pfister. Så han og hans team har trænet neurale netværk til at spore de rigtige neuroner. De klarer sig meget bedre end alle de andre metoder, vi har brugt, siger han.

Hver neuron, uanset dens størrelse, udsender en skov af ranker kendt som dendritter, og hver af dem har en anden lang, tynd fiber kaldet en axon til at transmittere nerveimpulser over lange afstande – helt hen over hjernen, i ekstreme tilfælde, eller endda alle de langt ned i rygmarven. Men ved at kortlægge en kubikmillimeter, som MICrONS gør, kan forskerne følge de fleste af disse fibre fra start til slut og dermed se et komplet neuralt kredsløb. Jeg tror, ​​vi vil opdage ting, siger Pfister. Sandsynligvis strukturer, vi aldrig havde mistanke om, og helt ny indsigt i ledningerne.

Forventningens kraft

Blandt spørgsmålene håber MICrONS-holdene at begynde at besvare: Hvad er hjernens algoritmer? Hvordan fungerer alle disse neurale kredsløb egentlig? Og i særdeleshed, hvad gør al den feedback?

Mange af nutidens AI-applikationer bruger ikke feedback. Elektroniske signaler i de fleste neurale netværk kaskade fra et lag af noder til det næste, men generelt ikke bagud. (Bliv ikke smidt af udtrykket backpropagation, som er en måde at tog neurale netværk.) Det er ikke en hård og hurtig regel: tilbagevendende neurale netværk har forbindelser, der går baglæns, hvilket hjælper dem med at håndtere input, der ændrer sig med tiden. Men ingen af ​​dem bruger feedback på noget som hjernens skala. I en velundersøgt del af den visuelle cortex, siger Tai Sing Lee kl Carnegie Mellon , kun 5 til 10 procent af synapserne lytter til input fra øjnene. Resten lytter til feedback fra højere niveauer i hjernen.

De farvelagte terninger er nyttige i 3D-illustrationer af forskellige neuronale strukturer og processer, hvilket giver forskerne deres hidtil mest detaljerede kort over, hvad der faktisk sker i hjernen.

Der er to brede teorier om, hvad feedbacken er til for, siger Cox, og den ene er forestillingen om, at hjernen konstant forsøger at forudsige sine egne input. Mens den sensoriske cortex behandler det her ramme af filmen, så at sige, de højere niveauer af hjernen forsøger at forudse Næste ramme, og sender deres bedste gæt tilbage gennem feedbackfibrene.

Dette er den eneste måde, hjernen kan håndtere et hurtigt bevægende miljø. Neuroner er virkelig langsomme, siger Cox. Det kan tage op til 170 til 200 millisekunder at gå fra lys rammer nethinden gennem alle stadier af bearbejdning op til niveauet af bevidst perception. I den tid rejser Serena Williams tennisserv ni meter. Så enhver, der formår at returnere den serv, må svinge sin ketcher på grundlag af forudsigelse.

Og hvis du hele tiden forsøger at forudsige fremtiden, siger Cox, så når den virkelige fremtid kommer, kan du justere for at gøre din næste forudsigelse bedre. Det passer godt sammen med den anden store teori, der undersøges: at hjernens feedbackforbindelser er der for at vejlede læring. Faktisk viser computersimuleringer, at en kamp for forbedring tvinger ethvert system til at bygge bedre og bedre modeller af verden. For eksempel, siger Cox, skal du finde ud af, hvordan et ansigt vil se ud, hvis det vender. Og det, siger han, kan vise sig at være en kritisk brik i one-shot-learning-puslespillet.

Da min datter første gang så en hund, siger Cox, behøvede hun ikke at lære om, hvordan skygger fungerer, eller hvordan lys preller af overflader. Hun havde allerede opbygget et rigt reservoir af erfaringer om sådanne ting, bare fra at leve i verden. Så da hun kom til noget som 'Det er en hund', siger han, kunne hun tilføje den information til en enorm mængde viden.

Hvis disse ideer om hjernens feedback er korrekte, kan de dukke op i MICrONS's detaljerede kort over en hjernes form og funktion. Kortet kunne vise, hvilke tricks det neurale kredsløb bruger til at implementere forudsigelse og læring. Til sidst kunne nye AI-applikationer efterligne denne proces.

Selv da vil vi dog stadig være langt fra at besvare alle spørgsmålene om hjernen. At kende neurale kredsløb vil ikke lære os alt. Der er former for celle-til-celle kommunikation, der ikke går gennem synapserne, herunder nogle udført af hormoner og neurotransmittere, der flyder i mellemrummene mellem neuronerne. Der er også spørgsmålet om skala. Så stort et spring som MICrONS kan være, er det stadig bare at se på et lille stykke cortex for at finde spor om, hvad der er relevant for beregning. Og cortex er bare det tynde ydre lag af hjernen. Kritiske kommando-og-kontrolfunktioner udføres også af dybe hjernestrukturer såsom thalamus og basalganglierne.

Den gode nyhed er, at MICrONS allerede baner vejen for fremtidige projekter, der kortlægger større dele af hjernen.

En stor del af de 100 millioner dollars, siger Vogelstein, bliver brugt på dataindsamlingsteknologier, der ikke skal opfindes igen. Samtidig udvikler MICrONS-teams hurtigere scanningsteknikker, inklusive en, der eliminerer behovet for at skære væv. Hold ved Harvard, MIT og Cold Spring Harbor Laboratory har udtænkt en måde til unikt at mærke hver neuron med et stregkodeskema og derefter se cellerne meget detaljeret ved at mætte dem med en speciel gel, der meget blidt puster dem op til dusinvis eller hundredvis af gange deres normale størrelse.

Så den første kubikmillimeter bliver svær at samle, siger Vogelstein, men den næste bliver meget nemmere.

M. Mitchell Waldrop er freelanceskribent i Washington, D.C. Han er forfatter til Kompleksitet og Drømmemaskinen og var tidligere redaktør på Natur .

skjule