211service.com
En mindre artificiell intelligens
Att studera 70 000 musneuroner kan hjälpa Andreas Tolias att bygga smartare AI. 21 februari 2018
Adrian forrow
Ett ganska stort antal ingenjörer som arbetar med artificiell intelligens bryr sig inte om deras system liknar riktiga hjärnor eller inte, så länge de presterar bra. Men även dagens bästa system kan bara generaliseras om de matas med tusentals prover, och de kan inte överföra sina generaliseringar till nya sammanhang. Detta gör AI sårbar för angripare, som kan lura den med små justeringar av data. Neuroforskaren Andreas Tolias tror att hjärnliknande egenskaper skulle kunna fixa dessa problem.
2016 grundade han Neuroscience-Inspired Networks for Artificial Intelligence (NINAI), ett tag-team av neurovetenskapare, fysiker, matematiker och datavetare som är en del av ett större försök att förstå neurala funktioner (se Inside the Moonshot Effort to Finally Figure Out the Brain, november/december 2017). Deras stafettlopp mot bättre AI startar i Tolias labb vid Baylor College of Medicine, som registrerar alla neuroner som skjuter inuti en en-millimeters kub av en muss cortex. I december fångade de aktiviteten hos 70 000 neuroner i en mus — en bedrift som skulle ha varit omöjlig utan två- och trefotonavbildningsteknikerna som Tolias lab hjälpte till att utveckla. Mössen går sedan till Allen Institute i Seattle, som skär och fotograferar deras hjärnor så att ett tredje team, på Princeton, kan diagramma vilka neuroner som är anslutna. Genom att jämföra detta diagram med deras inspelningar kan Tolias labb härleda hur cellerna påverkar varandra och vilket syfte varje cell tjänar. Om, som många neuroforskare misstänker, cortex huvudsakligen är uppbyggd av ett fåtal vanliga, upprepade konfigurationer av neuroner, kan en förklaring av aktiviteten i en en-millimeters kub avslöja byggstenarna för all kognition.
Adrian Forrow
Tolias har nollställt två viktiga strukturella skillnader mellan hjärnor och AI. För det första har en mus hjärna ungefär hundra typer av neuroner, medan ett typiskt AI-nätverk bara har två eller tre varianter av artificiella neuroner. Hjärnans extra celltyper inkluderar interneuroner, som kan stoppa stora grupper av andra neuroner från att skjuta. AI har ingen direkt motsvarighet. Hjärnor har också fler typer av kopplingar mellan neuroner än vad AI-nätverk gör. De flesta AI-nätverk är feed-forward, vilket innebär att signaler bara går i en riktning, från ett lager i nätverket till nästa. Till skillnad från riktiga hjärnor har dessa nätverk inte återkommande anslutningar (som tillåter återkopplingssignaler i motsatta riktningar) eller laterala anslutningar (som länkar neuroner inom samma lager). De få typerna av AI-nätverk med återkommande och laterala anslutningar visar lovande, men återkopplingens roll i cortex behöver mycket mer studier. Hjärnan skapade inte alla dessa upprepningar för skojs skull, säger Tolias. Han misstänker också att interneuroner kan reglera hjärnans laterala kopplingar för att skapa de generaliserande krafter som AI saknar.
Tolias hoppas kunna använda neuro-inspirerade komponenter, inklusive laterala anslutningar, interneuroner och feedback, för att bygga AI som kan lära sig i ett enda steg, eller generalisera från ett enda exempel. Framgång skulle vara en stor sak för AI, och för neurovetenskap, genom att identifiera vilka egenskaper hos neurala kretsar som behövs för abstrakt tanke. Tolias förklarar sin strävan med Richard Feynmans ord: Det jag inte kan skapa förstår jag inte.