Moonshot centieni beidzot izdomāt smadzenes

'Šodien ir mākslīgā intelekta problēma,' saka Deivids Kokss. Jā, tas ir kļuvis pārsteidzoši labs — no gandrīz ideālas sejas atpazīšanas līdz bezvadītāja automašīnām un pasaules čempioniem Go-playing mašīnām. Un tā ir taisnība, ka dažas AI lietojumprogrammas vairs pat nav jāprogrammē: to pamatā ir arhitektūra, kas ļauj mācīties no pieredzes.

Tomēr tajā joprojām ir kaut kas neveikls un rupjš, saka Kokss, Hārvardas neirozinātnieks. Lai izveidotu suņu detektoru, programmai jāparāda tūkstošiem lietu, kas ir suņi, un tūkstošiem lietu, kas nav suņi, viņš saka. Manai meitai bija jāredz tikai viens suns, un kopš tā laika viņa ar prieku norādījusi uz kucēniem. Un zināšanas, ko mūsdienu AI izdodas iegūt no visiem šiem datiem, var būt dīvaini trauslas. Pievienojiet attēlam māksliniecisku statisku — troksni, ko cilvēks pat nepamanīs, un dators var vienkārši sajaukt suni ar atkritumu tvertni. Tas nav labi, ja cilvēki izmanto sejas atpazīšanu, piemēram, viedtālruņu drošībai (skatiet sadaļu Vai AI jāšana ar viena trika poniju?).

Pēcdoktorantūras zinātnieks Abhinavs Grama novēro smadzenes.

Pēc testa dzīvnieka smadzenes ir izņemtas.

Šis stāsts bija daļa no mūsu 2017. gada novembra numura

• Skatiet pārējo izdevuma daļu
• Abonēt

Lai pārvarētu šādus ierobežojumus, Kokss un desmitiem citu neirozinātnieku un mašīnmācības ekspertu pagājušajā gadā apvienoja spēkus, lai izveidotu mašīntelpu no kortikālajiem tīkliem (MICrONS). iniciatīvs : 100 miljonu dolāru pūles, lai pārveidotu smadzenes. Tas būs neirozinātnes ekvivalents mēness šāvienam, saka Džeikobs Vogelšteins, kurš MICrONS izveidoja un ieviesa, kad viņš bija Intelligence Advanced Research Projects Agency, ASV izlūkošanas kopienas pētniecības nodaļas, programmas vadītājs. (Tagad viņš strādā riska kapitāla firmā Camden Partners Baltimorā.) MICrONS pētnieki mēģina noteikt katras detaļas funkciju un struktūru nelielā grauzēju garozas daļā.

Tas liecina par smadzeņu sarežģītību, ka ir nepieciešams mēness šāviens, lai kartētu pat šo mazo garozas gabalu — kubu, kura sānu garums ir viens milimetrs — rupja smilšu grauda lielumā. Bet šis kubs ir tūkstošiem reižu lielāks par jebkuru smadzeņu gabalu, ko kāds ir mēģinājis detalizēt. Tajā būs aptuveni 100 000 neironu un kaut kas līdzīgs miljardam sinapsēm, savienojumiem, kas ļauj nervu impulsiem pāriet no viena neirona uz nākamo.

Žurkas smadzenes traukā.

Tā ir ambīcija, kas pārsteidz citus neirozinātniekus. Es domāju, ka tas, ko viņi dara, ir varonīgs, saka Eve Mārdere, kura visu savu karjeru ir pavadījusi, pētot daudz mazākas neironu ķēdes Brandeis universitātē. Tā ir viena no aizraujošākajām lietām, kas notiek neirozinātnē, saka Konrāds Kordings, kurš veic smadzeņu skaitļošanas modelēšanu Pensilvānijas Universitātē.

Pirms skenēšanas smadzenes tiek pielīmētas pie plāksnes.

Galīgā atdeve būs neironu noslēpumi, kas iegūti no projekta datiem — principiem, kuriem vajadzētu veidot to, ko Vogelšteins sauc par skaitļošanas blokiem nākamās paaudzes AI. Galu galā viņš saka, ka mūsdienu neironu tīkli ir balstīti uz gadu desmitiem vecu arhitektūru un diezgan vienkāršotu priekšstatu par smadzeņu darbību. Būtībā šīs sistēmas izplata zināšanas tūkstošiem blīvi savstarpēji savienotu mezglu, līdzīgi kā smadzeņu neironiem. Sistēmas uzlabo savu darbību, pielāgojot savienojumu stiprumu. Bet lielākajā daļā datoru neironu tīklu signāli vienmēr tiek kaskādes uz priekšu, no viena mezglu kopas uz otru. Īstās smadzenes ir pilnas ar atgriezenisko saiti: katram nervu šķiedru kūlim, kas pārraida signālus no viena reģiona uz otru, vienāds vai lielāks skaits šķiedru atgriežas otrā virzienā. Bet kāpēc? Vai šīs atgriezeniskās saites šķiedras ir vienreizējas mācīšanās noslēpums un tik daudzi citi smadzeņu milzīgās jaudas aspekti? Vai notiek vēl kaut kas?

MICrONS vajadzētu sniegt vismaz dažas atbildes, saka Prinstonas universitātes neirozinātnieks Sebastians Seungs, kuram ir galvenā loma kartēšanas darbā. Patiesībā viņš saka: es nedomāju, ka mēs varam atbildēt uz šiem jautājumiem bez šāda projekta.

1. attēls: Mazais kubs augšējā kreisajā stūrī ir smadzeņu daļa, kas tiks kartēta. 2. attēls: Šis smadzeņu gabals ir iesaiņots akrilā, lai to sagatavotu ļoti plānām šķēlītēm.

Tuvināt

MICrONS komandas — vienu vadīja Kokss, otru vadīja plkst Rīsu universitāte un Beiloras Medicīnas koledža, un trešā Karnegija Melonā — katrs tiecas pēc kaut kā ārkārtīgi visaptveroša: visu šūnu rekonstrukcija žurkas smadzeņu kubikmilimetrā, kā arī elektroinstalācijas shēma — savienojums —, kas parāda, kā katra šūna ir savienots ar katru otro šūnu, un dati precīzi parāda, kuras situācijas liek neironiem uzliesmot un ietekmēt citus neironus.

Pirmais solis ir izpētīt žurku smadzenes un noskaidrot, ko patiesībā dara neironi šajā kubikmilimetrā. Kad dzīvniekam tiek dots īpašs vizuāls stimuls, piemēram, līnija, kas orientēta noteiktā veidā, kuri neironi pēkšņi sāk raidīt impulsus un kuri kaimiņi reaģē?

Vēl pirms desmit gadiem šāda veida datu tveršana svārstījās no sarežģītas līdz neiespējamai: rīki vienkārši nekad nepastāvēja, saka Vogelšteins. Tā ir taisnība, ka pētnieki varēja smadzenēs iebīdīt īpaši plānus vadus un iegūt skaistus elektriskās aktivitātes ierakstus atsevišķos neironos. Taču viņi nevarēja ierakstīt vairāk nekā no dažiem desmitiem vienlaikus, jo šūnas ir tik cieši saspiestas kopā. Pētnieki varētu arī kartēt vispārējo nervu darbības ģeogrāfiju, ievietojot cilvēkus un citus dzīvniekus MRI aparātos. Taču pētnieki nevarēja šādā veidā uzraudzīt atsevišķus neironus: telpiskā izšķirtspēja labākajā gadījumā bija aptuveni milimetrs.

Izgrieztās smadzeņu šķēles pielīp pie plastmasas lentes.

Lente ar pievienotiem smadzeņu paraugiem tiek apgriezta un uzlikta uz slaidu plāksnes, kas nonāks milzīgā skenēšanas mašīnā.

Tas, kas izjauca šo strupceļu, bija tādu paņēmienu izstrāde, kā likt neironiem iedegties, kad tie iedegas dzīvās smadzenēs. Lai to izdarītu, zinātnieki parasti iesē neironus ar fluorescējošiem proteīniem, kas mirdz kalcija jonu klātbūtnē, kas palielinās ikreiz, kad šūna aizdegas. Olbaltumvielas var ķīmiski ievietot grauzēja smadzenēs, pārnēsāt ar labdabīgu vīrusu vai pat iekodēt neironu genomā. Pēc tam fluorescenci var aktivizēt vairākos veidos — iespējams, visnoderīgāk ar lāzeru pāri, kas sūknē infrasarkano gaismu žurkā caur logu, kas atrodas tās galvaskausā. Infrasarkanās frekvences ļauj fotoniem iekļūt salīdzinoši necaurspīdīgajos nervu audos, neko nesabojājot, pirms tie tiek absorbēti fluorescējošajos proteīnos. Savukārt olbaltumvielas apvieno enerģiju no diviem infrasarkanajiem fotoniem un atbrīvo to kā vienu redzamās gaismas fotonu, ko var redzēt parastā mikroskopā, dzīvniekam uz kaut ko skatoties vai veicot jebkādas citas darbības.

Andreass Toliass, kurš vada daļu no Baylor komandas, saka, ka tas ir revolucionāri, jo jūs varat ierakstīt no katra atsevišķa neirona, pat tiem, kas atrodas blakus viens otram.

Kad komanda Koksa laboratorijā ir kartējusi žurkas nervu darbību, dzīvnieks tiek nogalināts un tā smadzenes tiek ievadītas ar smago metālu osmiju. Tad komanda, kuru vada Hārvardas biologs Džefs Lihtmans, sagriež smadzenes šķēlēs un precīzi nosaka, kā neironi ir sakārtoti un savienoti.

Šis process sākas pagraba laboratorijā ar galddatoru, kas darbojas kā delikateses salami griezējs. Neliela metāla plāksne paceļas un krīt, metodiski nogriežot šķietami dzintara krāsas krītiņa galu un pielīmējot šķēles pie konveijera lentes, kas izgatavota no plastmasas lentes. Atšķirība ir tāda, ka salami patiesībā ir cietu sveķu caurule, kas aptver un atbalsta trauslos smadzeņu audus, kustīgajā plāksnē ir neiespējami asu dimanta asmens, un šķēles ir aptuveni 30 nanometrus biezas.

Smadzeņu šķēlumu skenējumi tiek savienoti kopā ar algoritmu.

Kreisajā pusē ir redzams daudzstaru redzes lauks, kas izveidots no 61 attēla, kas uzņemts ar elektronu mikroskopu; Labajā pusē ir apvienoti 14 daudzstaru redzes lauki.

Skenējumi tiek salikti kubā un iekrāsoti.

Pēc tam citā laboratorijā, kas atrodas gaitenī, uz silīcija plāksnēm tiek uzlikta lente, kas satur vairākas smadzeņu šķēles, un tās tiek ievietotas lielā industriālā ledusskapja iekšpusē. Ierīce ir elektronu mikroskops: tā izmanto 61 elektronu staru, lai vienlaikus skenētu 61 smadzeņu audu plāksteri ar četru nanometru izšķirtspēju.

Katras vafeles skenēšana aizņem apmēram 26 stundas. Monitori, kas atrodas blakus mikroskopam, rāda iegūtos attēlus, kad tie veidojas satriecošā detaļā — šūnu membrānas, mitohondriji, neirotransmitera pildīti pūslīši, kas drūzmējas sinapsēs. Tas ir kā fraktāļa tuvināšana: jo tuvāk skatāties, jo sarežģītāku redzat.

Šķēlēšana diez vai ir stāsta beigas. Pat tad, kad skenētie attēli izplūst no mikroskopa — jūs veidojat filmu, kurā katra šķēle ir dziļāka, saka Lihtmens, — tie tiek pārsūtīti Hārvardas datorzinātnieka Hanspetera Pfistera vadītajai komandai. Mūsu uzdevums ir uzņemt attēlus un iegūt pēc iespējas vairāk informācijas, saka Pfister.

Tas nozīmē, ka ir jāatjauno visi trīsdimensiju neironi ar visām to organellām, sinapsēm un citām iezīmēm no 2-D šķēlumu kaudzes. Cilvēki to varētu izdarīt ar papīru un zīmuli, taču tas būtu bezcerīgi lēni, saka Pfisters. Tāpēc viņš un viņa komanda ir apmācījuši neironu tīklus, lai izsekotu īstos neironus. Viņš saka, ka tie darbojas daudz labāk nekā visas pārējās mūsu izmantotās metodes.

Katrs neirons, neatkarīgi no tā lieluma, izdala stīgu mežu, kas pazīstams kā dendriti, un katram ir vēl viena gara, plāna šķiedra, ko sauc par aksonu nervu impulsu pārraidīšanai lielos attālumos — ārkārtējos gadījumos pilnībā pāri smadzenēm vai pat visās smadzenēs. ceļu lejup pa muguras smadzenēm. Bet, kartējot kubikmilimetru, kā to dara MICrONS, pētnieki var izsekot lielākajai daļai šo šķiedru no sākuma līdz beigām un tādējādi redzēt pilnīgu neironu ķēdi. Es domāju, ka mēs atklāsim lietas, saka Pfisters. Iespējams, struktūras, par kurām mēs nekad nešaubījāmies, un pilnīgi jauni ieskati elektroinstalācijā.

Gaidīšanas spēks

Starp jautājumiem, uz kuriem MICrONS komandas cer sākt atbildēt: kādi ir smadzeņu algoritmi? Kā visas šīs neironu ķēdes patiesībā darbojas? Un jo īpaši, ko dara visa šī atgriezeniskā saite?

Daudzas mūsdienu AI lietojumprogrammas neizmanto atsauksmes. Lielākajā daļā neironu tīklu elektroniskie signāli pāriet no viena mezglu slāņa uz nākamo, bet parasti ne atpakaļ. (Neļaujiet sevi izjaukt ar terminu backpropagation, kas ir veids, kā vilciens neironu tīkli.) Tas nav stingrs noteikums: atkārtotiem neironu tīkliem ir savienojumi, kas iet atpakaļ, kas palīdz tiem tikt galā ar ievadi, kas laika gaitā mainās. Bet neviens no viņiem neizmanto atsauksmes par kaut ko līdzīgu smadzeņu mērogam. Vienā labi izpētītā redzes garozas daļā saka Tai Sing Lee plkst Kārnegijs Melons , tikai 5 līdz 10 procenti sinapses klausās ievadi no acīm. Pārējie klausās atsauksmes no augstāka līmeņa smadzenēs.

Krāsainie kubi ir noderīgi dažādu neironu struktūru un procesu 3-D ilustrācijās, sniedzot zinātniekiem līdz šim detalizētāko karti par to, kas patiesībā notiek smadzenēs.

Ir divas plašas teorijas par to, kam ir atgriezeniskā saite, saka Kokss, un viena ir priekšstats, ka smadzenes nepārtraukti mēģina paredzēt savus ieguldījumus. Kamēr maņu garoza apstrādā šis filmas kadrs, tā sakot, augstākie smadzeņu līmeņi cenšas paredzēt Nākamais rāmi un nodod savus labākos minējumus atpakaļ caur atgriezeniskās saites šķiedrām.

Tas ir vienīgais veids, kā smadzenes var tikt galā ar ātri mainīgu vidi. Neironi ir patiešām lēni, saka Kokss. Var paiet 170 līdz 200 milisekundes, lai no gaismas nonāktu tīklenē cauri visiem apstrādes posmiem līdz apzinātas uztveres līmenim. Šajā laikā Serēnas Viljamsas tenisa serve noskrien deviņus metrus. Tātad ikvienam, kuram izdodas atdot šo servi, ir jāšūpo sava rakete, pamatojoties uz prognozēm.

Un, ja jūs pastāvīgi mēģināt paredzēt nākotni, Koks saka, tad, kad pienāks reālā nākotne, varat pielāgoties, lai padarītu savu nākamo prognozi labāku. Tas labi sakrīt ar otro galveno izpētīto teoriju: ka smadzeņu atgriezeniskās saites savienojumi ir paredzēti, lai vadītu mācīšanos. Patiešām, datorsimulācijas parāda, ka cīņa par uzlabojumiem liek jebkurai sistēmai veidot arvien labākus pasaules modeļus. Piemēram, Kokss saka, jums ir jāizdomā, kā izskatīsies seja, ja tā pagriezīsies. Un tas, pēc viņa teiktā, var izrādīties kritisks vienreizējas mācīšanās mīklas gabals.

Kad mana meita pirmo reizi ieraudzīja suni, saka Kokss, viņai nebija jāmācās par to, kā darbojas ēnas vai kā gaisma atlec no virsmām. Viņa jau bija uzkrājusi bagātīgu pieredzes krājumu par šādām lietām, tikai dzīvojot pasaulē. Tātad, kad viņa nonāca pie kaut kā “Tas ir suns”, viņš saka, viņa varēja pievienot šo informāciju milzīgam zināšanu kopumam.

Ja šīs idejas par smadzeņu atgriezenisko saiti ir pareizas, tās var parādīties MICrONS detalizētajā smadzeņu formas un funkcijas kartē. Karte varētu parādīt, kādus trikus neironu shēma izmanto, lai īstenotu prognozēšanu un mācīšanos. Galu galā jaunas AI lietojumprogrammas varētu atdarināt šo procesu.

Tomēr pat tad mēs paliksim tālu no atbildes uz visiem jautājumiem par smadzenēm. Neironu shēmu zināšana mums visu neiemācīs. Pastāv šūnu savstarpējās saziņas formas, kas neiziet cauri sinapsēm, tostarp dažas, ko veic hormoni un neirotransmiteri, kas peld telpās starp neironiem. Ir arī jautājums par mērogu. Lai arī cik liels lēciens būtu MICrONS, tas joprojām ir tikai neliela garozas gabala apskate, lai iegūtu norādes par to, kas attiecas uz aprēķiniem. Un garoza ir tikai plāns ārējais smadzeņu slānis. Kritiskās vadības un kontroles funkcijas veic arī dziļās smadzeņu struktūras, piemēram, talāms un bazālie gangliji.

Labā ziņa ir tā, ka MICrONS jau paver ceļu nākotnes projektiem, kas kartē lielākas smadzeņu daļas.

Liela daļa no 100 miljoniem dolāru, Vogelstein saka, tiek tērēta datu vākšanas tehnoloģijām, kuras nebūs jāizgudro vēlreiz. Tajā pašā laikā MICrONS komandas izstrādā ātrākas skenēšanas metodes, tostarp tādas, kas novērš nepieciešamību sagriezt audus. Komandas Hārvardā, MIT un Cold Spring Harbor Laboratory ir izstrādājušas veidu, kā unikāli marķēt katru neironu ar svītru kodēšanas shēmu un pēc tam skatīt šūnas ļoti detalizēti, piesātinot tās ar īpašu želeju, kas ļoti maigi uzpūš tās līdz desmitiem vai simtiem reižu pārsniedz to parasto izmēru.

Tātad pirmo kubikmilimetru būs grūti savākt, saka Vogelšteins, bet nākamais būs daudz vieglāk.

M. Mičels Voldrops ir ārštata rakstnieks Vašingtonā, DC. Viņš ir autors Sarežģītība un sapņu mašīna un agrāk bija redaktors vietnē Daba .

paslēpties