Bawalah seorang anak berusia tiga tahun ke kebun binatang, dan dia akan secara intuitif menentukan bahwa hewan berleher panjang yang mengunyah daun adalah jerapah yang sama dari buku bergambar anak-anaknya. Prestasi sederhana ini sebenarnya cukup kompleks. Gambar dalam buku ini adalah siluet beku dari garis-garis sederhana, dan makhluk hidup adalah mahakarya warna, tekstur, gerakan, dan cahaya. Tampilannya berbeda jika dilihat dari berbagai sudut, dan dapat mengubah bentuk, posisi, perspektif.
Secara umum, orang berhasil dengan baik dalam tugas-tugas semacam ini. Kita dapat dengan mudah memahami fitur terpenting dari suatu objek dari contoh sederhana dan menerapkan pengetahuan ini pada sesuatu yang tidak dikenal. Komputer, di sisi lain, biasanya perlu mengumpulkan seluruh database jerapah, yang ditampilkan dalam posisi yang berbeda, dari perspektif yang berbeda, untuk mempelajari cara mengenali hewan secara akurat.
Identitas visual adalah salah satu dari banyak area di mana manusia dengan mudah mengalahkan komputer. Kami juga lebih baik dalam mencari informasi yang relevan di aliran data; kami memecahkan masalah yang tidak terstruktur; Kami belajar dengan main-main, seperti anak kecil yang belajar tentang gravitasi dengan bermain balok.
“Manusia jauh lebih serba bisa,” kata Tai Sing Lee, ilmuwan dan ahli saraf di Universitas Carnegie Mellon di Pittsburgh. “Kami masih lebih fleksibel dalam berpikir, mampu meramalkan, berimajinasi, dan menciptakan peristiwa masa depan.”
Tetapi AS mendanai program baru yang ambisius yang berupaya untuk menempatkan kecerdasan buatan setara dengan kemampuan mental kita sendiri. Tiga tim ahli saraf dan ilmuwan komputer mencoba mencari tahu bagaimana otak melakukan fungsi identifikasi visual ini, dan kemudian membangun mesin yang melakukan hal yang sama.
"Pembelajaran mesin modern gagal saat manusia berkembang," kata Jacob Vogelstein, yang memimpin program di Intelligence Advanced Research Projects Activity (IARPA). "Kami ingin merevolusi pembelajaran mesin dengan algoritma rekayasa terbalik dan komputasi otak."
Waktunya sangat sedikit. Setiap kelompok saat ini sedang memodelkan sepetak kulit kayu dengan detail yang belum pernah terjadi sebelumnya. Bersama-sama, mereka mengembangkan algoritme berdasarkan apa yang telah mereka pelajari. Pada musim panas mendatang, masing-masing algoritme ini akan diberikan contoh hal yang tidak biasa untuk dideteksi dalam ribuan gambar di database yang tidak dikenal. "Garis waktunya sangat ketat," kata Christoph Koch, presiden dan rekan senior di Institut Allen untuk Ilmu Otak di Seattle, yang bekerja dengan salah satu tim.
Koch dan rekan-rekannya membuat diagram pengkabelan lengkap untuk sebuah kubus kecil di otak - satu juta kubik mikron, kira-kira seperlima dari volume biji opium. Dan ini adalah urutan besarnya lebih dari peta tenun otak terlengkap dan terbesar hingga saat ini, yang diterbitkan pada Juni tahun lalu dan yang membutuhkan waktu sekitar enam tahun untuk membuatnya.
Video promosi:
Pada akhir proyek IARPA lima tahun yang disebut "kecerdasan mesin jaringan kortikal (Microns)", para ilmuwan berencana untuk memetakan milimeter kubik korteks. Bagian kecil ini berisi hampir 100.000 neuron, 3 hingga 15 juta koneksi saraf, atau sinapsis, dan keterikatan saraf yang cukup untuk menutupi kota besar jika terurai dan direntangkan.
Belum ada yang mencoba merekonstruksi bagian otak dalam skala seperti itu. Tetapi upaya yang lebih kecil telah menunjukkan bahwa peta semacam itu dapat menjelaskan cara kerja bagian dalam korteks serebral. Dalam sebuah makalah yang diterbitkan di jurnal Nature pada bulan Maret, Wei-Chung Allen Lee - seorang ahli saraf di Universitas Harvard yang bekerja dengan tim Koch - dan rekan-rekannya memetakan koneksi 50 neuron dan lebih dari 1.000 mitra mereka. Dengan menggabungkan peta ini dengan informasi tentang fungsi setiap neuron di otak - beberapa menanggapi sinyal visual, misalnya - para ilmuwan telah menyimpulkan aturan sederhana tentang hubungan anatomis neuron di bagian korteks ini. Dan mereka menemukan bahwa neuron dengan fungsi serupa lebih mungkin untuk terhubung dan membentuk koneksi besar satu sama lain, dan lebih kecil kemungkinannya dengan jenis neuron lain.
Dan meskipun tujuan proyek Microns sangat teknologis - IARPA mendanai penelitian yang dapat menghasilkan alat analisis data untuk badan intelijen, dan lainnya, tentunya - bersamaan dengan ini, para ilmuwan akan menerima data tentang kerja otak. Andreas Tolias, ahli saraf di Baylor College of Medicine yang merupakan salah satu anggota tim Koch, menyamakan pengetahuan kita saat ini tentang korteks dengan fotografi buram. Dia berharap skala proyek Microns yang belum pernah terjadi sebelumnya akan membantu mempertajam perspektif ini dan menemukan aturan yang lebih kompleks yang mengatur sirkuit saraf kita. Tanpa mengetahui semua bagian penyusunnya, "kita mungkin kehilangan keindahan struktur ini".
Prosesor otak
Lipatan rumit yang menutupi permukaan otak dan membentuk korteks serebral (korteks) secara harfiah terjepit di tengkorak kita. Dalam banyak hal, ini adalah mikroprosesor otak. Interlayer setebal tiga milimeter terdiri dari serangkaian modul berulang, atau sirkuit mikro, seperti susunan gerbang logika dalam chip komputer. Setiap modul terdiri dari sekitar 100.000 neuron yang diatur dalam jaringan kompleks sel yang saling berhubungan. Ada bukti bahwa struktur dasar modul ini kira-kira sama di seluruh korteks. Namun, modul di berbagai wilayah otak dikhususkan untuk tujuan tertentu seperti penglihatan, gerakan, dan pendengaran.
Ilmuwan hanya memiliki gambaran kasar tentang bagaimana modul-modul ini terlihat dan bagaimana fungsinya. Mereka sebagian besar terbatas pada mempelajari otak pada skala terkecil: puluhan atau ratusan neuron. Teknologi baru yang dirancang untuk melacak bentuk, aktivitas, dan konektivitas ribuan neuron sekarang memungkinkan para ilmuwan untuk mulai menganalisis bagaimana sel dalam modul berinteraksi satu sama lain; bagaimana aktivitas di satu bagian sistem dapat menghasilkan aktivitas di bagian lain. “Untuk pertama kalinya dalam sejarah, kami dapat melakukan polling modul ini alih-alih hanya menebak-nebak isinya,” kata Vogelstein. "Tim yang berbeda memiliki tebakan berbeda tentang apa yang ada di dalamnya."
Peneliti akan fokus pada bagian korteks yang bertanggung jawab untuk penglihatan. Sistem perasaan ini telah dipelajari secara aktif oleh ahli saraf, dan spesialis dalam pemodelan komputer telah lama mencoba untuk meniru. “Penglihatan tampaknya sederhana - buka saja mata Anda - tetapi mengajar komputer untuk melakukan hal yang sama sangatlah sulit,” kata David Cox, ahli saraf di Universitas Harvard yang memimpin salah satu tim IARPA.
Andreas Tolias (kiri)
Setiap tim memulai dengan ide dasar yang sama tentang cara kerja visi: teori lama yang dikenal sebagai analisis dengan sintesis. Menurut ide ini, otak membuat prediksi tentang apa yang akan terjadi dalam waktu dekat, dan kemudian memeriksa prediksi tersebut terhadap apa yang dilihatnya. Kekuatan pendekatan ini terletak pada efisiensinya - ini membutuhkan lebih sedikit komputasi daripada terus-menerus membuat ulang setiap momen dalam waktu.
Otak dapat melakukan analisis melalui sintesis dengan berbagai cara, sehingga para ilmuwan sedang menjajaki kemungkinan lain. Kelompok Cox melihat di otak semacam mesin fisika yang menggunakan model fisik yang ada untuk mensimulasikan dunia sebagaimana mestinya. Tim Tai Sing Lee, bersama dengan Gereja George, berasumsi bahwa otak memiliki perpustakaan bagian-bagian yang tertanam - potongan dan potongan benda dan orang - dan mengajarkan aturan bagaimana menyatukan bagian-bagian itu. Daun, misalnya, biasanya muncul di dahan. Kelompok Tolias sedang mengerjakan pendekatan yang lebih berdasarkan data, di mana otak menciptakan ekspektasi statistik untuk dunia tempat tinggalnya. Kelompoknya akan menguji berbagai hipotesis tentang bagaimana berbagai bagian sirkuit belajar berkomunikasi.
Ketiga kelompok tersebut akan memantau aktivitas saraf dari puluhan ribu neuron di kubus otak target. Kemudian berbagai metode digunakan untuk membuat diagram pengkabelan untuk sel-sel ini. Tim Cox, misalnya, akan memotong jaringan otak menjadi lapisan yang lebih tipis dari rambut manusia dan menganalisis setiap irisan menggunakan mikroskop elektron. Para ilmuwan kemudian merekatkan setiap penampang di komputer untuk membuat peta 3D yang padat tentang bagaimana jutaan kabel saraf melewati korteks.
Dengan peta dan bagan aktivitas di tangan, setiap tim akan mencoba memahami aturan dasar yang mengatur sirkuit. Kemudian mereka memprogram aturan ini ke dalam simulasi dan mengukur seberapa cocok simulasi tersebut dengan otak sebenarnya.
Andreas Tolias dan rekannya memetakan koneksi pasangan neuron dan mencatat aktivitas listrik mereka. Anatomi kompleks dari lima neuron (kiri atas) dapat diringkas dalam diagram skema sederhana (kanan atas). Jika Anda menjalankan arus listrik melalui neuron 2, itu diaktifkan, meluncurkan muatan listrik di dua sel di hilir, neuron 1 dan 5 (di bawah)
Tolias dan rekan-rekannya telah merasakan pendekatan ini. Dalam sebuah makalah yang diterbitkan di Science pada bulan November, mereka memetakan koneksi 11.000 pasangan neuron, mengungkapkan lima jenis neuron baru. “Kami masih belum memiliki daftar lengkap dari bagian-bagian yang menyusun korteks, jenis sel individu, koneksi mereka,” kata Koch. “Di situlah Tolias dimulai.”
Di antara ribuan koneksi saraf, kelompok Tolias menemukan tiga aturan umum yang mengatur koneksi sel: beberapa berkomunikasi terutama dengan neuron jenisnya sendiri; yang lain menghindari tipe mereka sendiri, terutama berurusan dengan tipe lain; kelompok ketiga berkomunikasi hanya dengan beberapa neuron lain. (Kelompok Tolias mendefinisikan sel mereka berdasarkan anatomi saraf, bukan fungsi, tidak seperti kelompok Wei Li.) Dengan hanya menggunakan tiga aturan komunikasi ini, para ilmuwan dapat mereproduksi sirkuit dengan cukup akurat. “Tantangannya sekarang adalah untuk mencari tahu apa arti aturan komunikasi ini secara algoritmik,” kata Tolias. "Jenis komputasi apa yang mereka lakukan?"
Jaringan saraf berdasarkan neuron nyata
Kecerdasan buatan berbasis otak bukanlah ide baru. Apa yang disebut jaringan saraf yang meniru struktur dasar otak sangat populer di tahun 1980-an. Tetapi pada saat itu, para ilmuwan di lapangan kekurangan kekuatan komputasi dan data tentang cara membuat algoritme menjadi efisien. Dan jutaan gambar kucing di Internet ini tidak. Dan meskipun jaringan saraf telah mengalami kebangkitan besar - saat ini sudah sulit untuk membayangkan hidup tanpa program pengenalan suara dan wajah, dan komputer AlphaGo baru-baru ini mengalahkan pemain terbaik dunia - aturan yang menggunakan jaringan saraf untuk mengubah koneksi mereka hampir pasti berbeda dari yang lain. apa yang digunakan otak.
Jaringan saraf modern "didasarkan pada apa yang kita ketahui tentang otak di tahun 1960-an," kata Terry Seinovski, ahli saraf komputasi di Salk Institute di San Diego yang mengembangkan algoritme jaringan saraf pertama dengan Jeffrey Hinton, ilmuwan di Universitas Toronto. "Pengetahuan kami tentang bagaimana otak diatur meledak di jahitannya."
Misalnya, jaringan saraf modern terdiri dari arsitektur aliran langsung, di mana informasi mengalir dari masukan ke keluaran melalui serangkaian lapisan. Setiap lapisan dilatih untuk mengenali fitur tertentu, seperti mata atau kumis. Kemudian analisis berlanjut, dan setiap lapisan melakukan penghitungan yang semakin kompleks. Akhirnya, program ini mengenali kucing dalam serangkaian piksel berwarna.
Tetapi struktur yang berpandangan ke depan ini kekurangan komponen penting dari sistem biologis: umpan balik, baik di dalam lapisan individu maupun dari lapisan dengan tatanan yang lebih tinggi dengan yang lebih rendah. Di otak nyata, neuron dalam satu lapisan korteks terhubung ke tetangga mereka, serta ke neuron di lapisan atas dan bawah, membentuk jaringan loop yang kompleks. “Umpan balik adalah bagian yang sangat penting dari jaringan kortikal,” kata Seinovski. "Ada banyak sinyal dalam umpan balik seperti halnya koneksi maju umpan balik."
Ahli saraf belum sepenuhnya memahami apa yang dilakukan loop umpan balik, meskipun mereka tahu bahwa loop umpan balik penting untuk kemampuan kita untuk fokus. Mereka membantu kami untuk mendengarkan suara di telepon tanpa terganggu oleh suara kota, misalnya. Bagian dari popularitas teori analisis dengan sintesis terletak pada kenyataan bahwa ia memberikan dasar bagi semua senyawa berulang ini. Mereka membantu otak membandingkan ramalannya dengan kenyataan.
Peneliti mikron berusaha untuk menguraikan aturan yang mengatur loop umpan balik - misalnya, sel mana yang menghubungkan loop, mana yang mengaktifkan aktivitasnya, dan bagaimana aktivitas itu memengaruhi output data dari sirkuit - dan kemudian menerjemahkan aturan ini ke dalam algoritme. “Mesin itu sekarang kurang imajinasi dan introspeksi. Saya percaya bahwa putaran umpan balik akan memungkinkan kita untuk berimajinasi dan menganalisis diri sendiri pada berbagai tingkatan,”kata Tai Sing Lee.
Mungkin umpan balik suatu hari nanti akan memberi mesin dengan fitur yang kami anggap unik untuk manusia. “Jika Anda dapat menerapkan loop umpan balik dalam jaringan yang dalam, Anda dapat berpindah dari jaringan yang hanya mampu melakukan spontanitas - menyediakan input dan output - ke jaringan yang lebih reflektif yang mulai membuat konsep input dan menguji hipotesisnya.” kata Sejnowski.
Kunci misteri kesadaran
Seperti semua program IARPA, proyek Microns berisiko tinggi. Teknologi yang dibutuhkan para ilmuwan untuk pemetaan skala besar aktivitas saraf dan keterjeratan sudah ada, tetapi belum ada yang menerapkannya dalam skala seperti itu hingga sekarang. Ilmuwan harus berurusan dengan data dalam jumlah besar - 1-2 petabyte data per milimeter kubik otak. Anda mungkin harus mengembangkan alat pembelajaran mesin baru untuk menganalisis semua data ini, yang cukup ironis.
Juga tidak jelas apakah pelajaran yang didapat dari gigitan kecil otak dapat mengisyaratkan bakat otak yang lebih besar. “Otak bukan hanya sepotong kulit kayu,” kata Sejnowski. "Otak adalah ratusan sistem yang dikhususkan untuk fungsi yang berbeda."
Korteks serebral itu sendiri terdiri dari tautan berulang yang terlihat hampir sama. Tetapi bagian lain dari otak dapat berfungsi dengan cara yang sangat berbeda. “Jika Anda menginginkan AI yang melampaui pengenalan pola sederhana, Anda akan membutuhkan banyak bagian yang berbeda,” kata Seinowski.
Jika proyek berhasil, bagaimanapun, itu akan melakukan lebih dari sekedar menganalisis data intelijen. Algoritme yang berhasil akan mengungkapkan kebenaran penting tentang bagaimana otak memberi makna pada dunia ini. Secara khusus, ini akan membantu memastikan apakah otak benar-benar bekerja dengan analisis melalui sintesis - bahwa ia membandingkan prediksinya tentang dunia dengan data yang masuk dari indera kita. Ini akan menunjukkan bahwa bahan utama dalam resep kesadaran adalah campuran imajinasi dan persepsi yang selalu berubah. Dengan membangun mesin yang bisa berpikir, para ilmuwan berharap bisa mengungkap rahasia pemikiran itu sendiri.
