Объединение возможностей ИИ и наук о мозге обещает выгоды для обеих областей
Четан Пандаринах хочет дать людям с парализованными конечностями возможность оперировать предметами с помощью роботизированной руки так же естественно, как с собственной. Чтобы достичь этой цели, он собрал записи активности мозга у людей с параличом. Его надежда, которую разделяют многие исследователи, состоит в том, что можно установить закономерности электрической активности в нейронах, которые управляют движением руки, чтобы затем эти инструкции можно было подать на протез. По сути, это чтение мысли.
«Оказывается эти сигналы мозга очень сложны для понимания», — говорит инженер в области биомедицины из Института технологий Джорджии в Атланте Пандаринах. В поисках решения проблемы он обратился к ИИ. Свои записи мозговой активности он использовал для обучения искусственной нейронной сети — компьютерной архитектуры, идея которой заимствована у мозга, и поставил перед ней задачу воспроизведения данных.
Записи производились на небольшой группе нейронов в мозге — около 200 из 10-100 миллионов нейронов управляющих движением рук человека. Чтобы такая небольшая выборка имела смысл, компьютер должен был найти закономерности, которые исследователи называют скрытыми факторами, контролирующими общее поведение регистрируемой активности мозга. Это исследование выявило временную динамику нейронной активности, генерирующей более точный набор инструкций для движения руки, чем предыдущие методы. «Сейчас мы можем с точностью до миллисекунд сказать, что в данный момент подопытное животное пытается двигаться под этим точным углом», — объясняет Пандаринах, — «это именно то, что мы должны знать, чтобы контролировать роботизированную руку.»
Его работа является лишь одним из примеров растущего взаимодействия между ИИ и когнитивной наукой. ИИ с его способностью идентифицировать паттерны в больших, сложных наборах данных, добился замечательных успехов в последнее десятилетие, в частности, эмуляции процесса, с помощью которого мозг выполняет определенные вычисления. ИНС, аналогичные сетям нейронов составляющих мозг, дали компьютерам возможность отличать изображение кошки от других изображений, идентифицировать пешеходов с точностью достаточной, чтобы управлять беспилотными автомобилями, а также распознавать речь и реагировать на нее. Теперь когнитивная наука начинает извлекать пользу из мощи ИИ, как модели для разработки и тестирования идей того, как мозг выполняет вычисления, так и в качестве инструмента для обработки сложных массивов данных, которые получаются в исследованиях подобных проводимым Пандаринахом. «Технология в своем развитии сделала полный оборот и теперь применяется, чтобы понять, как работает сам мозг”, — говорит он [Chethan Pandarinath Pub.]. Этот цикл взаимного усиления, вероятно, будет продолжаться. Поскольку ИИ позволяет нейробиологам получить представление о том, как мозг производит вычисления, то их дальнейшие исследования могут привести к машинам, которые могут взять на себя больше возможностей человеческого интеллекта.
Вполне естественно, что эти две дисциплины сочетаются вместе, говорит Манеш Сахани, нейробиолог-теоретик и исследователь машинного обучения в Отделе вычислительной нейробиологии Гэтсби Университетского колледжа Лондона. „Мы эффективно изучаем одно и то же. В одном случае мы спрашиваем, как решить эту задачу обучения математически, чтобы она могла быть эффективно реализована в машине. В другом случае мы рассматриваем единственно существующее доказательство того, что задачу можно решить — это мозг “ [Maneesh Sahani Pub.].
Работа с данными
Методы ИИ пригодятся не только для создания моделей и генерации идей, но и как инструменты для обработки данных. „Нейронные данные очень сложны, и поэтому мы часто используем методы машинного обучения просто для того, чтобы найти в них структуру”, — говорит Сахани. Основная сила машинного обучения заключается в распознавании паттернов, которые могут быть слишком тонкими или слишком скрытыми в огромных наборах данных, чтобы люди могли их обнаружить.
Функциональная магнитно-резонансная томография, например, генерирует снимки активности по всему мозгу с разрешением 1-2 миллиметра каждую секунду или около того, потенциально в течение часов. “Задача когнитивной нейробиологии заключается в том, как найти полезный сигнал в изображениях, которые очень и очень велики», — говорит Николас Турк-Браун, когнитивный нейробиолог из Йельского университета в Нью-Хейвене, штат Коннектикут. Турк-Браун возглавляет один из нескольких проектов, в которых ищутся свежие идеи на стыке науки о данных и нейробиологии [Nicholas B Turk-Browne Pub.].
Использование машины для анализа этих данных ускоряет исследования. «Это огромное изменение в том, как производятся нейробиологические исследования», — говорит Давид Сусилло, специалист по нейровычислениям из команда Google Brain в Сан-Франциско, Калифорния. «Аспирантам не нужно делать лишней рутинной работы — они могут сосредоточиться на более крупных вопросах. Можно многое автоматизировать и получить более точные результаты».
Воспроизведение чувств
Создание искусственной системы, которая воспроизводила бы данные мозга, было подходом принятым Даниэлем Яминсом, вычислительным нейробиологом из Института нейронаук Ву Цай Стэнфордского университета. В 2014 году, когда Яминс, после получения докторской степени в Массачусетском технологическом институте в Кембридже, и его коллеги обучили нейронную сеть предсказывать мозговую активность обезьяны, когда та распознавала определенные объекты [Yamins, D. L. K. et al., 2014]. Распознавание объектов у людей и обезьян осуществляется системой мозга называемой вентральным зрительным потоком, которая имеет две основные архитектурные особенности. Во-первых, это ретинотопия, которая означает, что пути зрительной обработки в мозге организованы таким образом, как глаз воспринимает визуальную информацию. Во-вторых, система иерархична; определенные области кортекса выполняют все более сложные задачи от слоя, который идентифицирует только контуры объектов, до более высокого слоя, который распознает весь объект, такой, как автомобиль или лицо. Детали того, как работают высшие слои неизвестны, но в результате мозг может распознавать объект в различных положениях, при различных условиях освещения, когда он имеет разный размер из-за разного расстояния до него, и даже когда он частично скрыт. Компьютеры часто не могут справиться с такими трудностями.
Яминс и его коллеги построили свою нейронную сеть глубокого обучения в соответствии с той же ретинотопической иерархической архитектурой, что и в мозге, и показали ей тысячи изображений 64 объектов, которые различались по таким характеристикам, как размер и положение. Когда сеть научилась распознавать объекты — она вырабатывала несколько возможных паттернов нейронной активности. Затем исследователи сравнили эти компьютерные паттерны с паттернами, записанными на нейронах обезьян в то время, когда они выполняли аналогичную задачу. Оказалось, что те варианты сети, которые лучше всего распознали объекты, имели паттерны активности, наиболее близкие к паттернам мозга обезьяны. ”Мы обнаружили, что нейронная структура имитируется в структуре сети", — говорит Яминс. Исследователи смогли сопоставить области своей сети с областями мозга почти с 70%-ной точностью.
Результаты подтвердили, что архитектура вентрального визуального потока очень важна для процесса распознавания в зрительной системе мозга. В 2018 году Яминс и его коллеги совершили аналогичный прорыв исследуя слуховую кору, для которой они создали нейронную сеть глубокого обучения, которая смогла идентифицировать слова и жанры музыки в 2-секундных клипах с той же точностью, что и человек [Kell, A. J. E. et al. 2018]. Это помогло исследователям определить, какие области коры головного мозга выполняют распознавание речи, а какие распознают музыку — новый шаг в понимании слуховой системы мозга.
Нейробиологи все еще далеки от понимания того, как мозг справляется с такой задачей, как различение джаза и рок-музыки, но машинное обучение дает им возможность построения моделей, с помощью которых можно исследовать эти вопросы. Если исследователи смогут создать системы, которые работают аналогично мозгу, говорит Яминс, их структура может подсказать идеи, как мозг решает такие задачи. Это важно, так как ученые часто не имеют рабочей гипотезы, как мозг работает [Daniel Yamins Pub.].
После того, как исследователи построили гипотезу, следующим шагом является ее проверка. Меняя параметры моделей ИИ можно получить представление о деятельности мозга, и увидеть какие факторы могут быть важными для выполнения конкретной задачи. Исследователи ограничены этическими соображениями с точки зрения того, насколько они могут вмешиваться в процессы в здоровом человеческом мозге. Поэтому многие записи нейронной активности у людей делаются на мозге тех, кто страдает эпилепсией, и которым должны удалить мозговую ткань. Это связано с тем, что допускается имплантация электродов в мозговую ткань, которая будет удалена в любом случае. Подопытные животные позволяют исследователям использовать более инвазивные процедуры, но есть формы человеческого поведения, в частности речь, которые не могут быть воспроизведены другими видами. Системы ИИ, которые могут имитировать человеческое поведение и быть подвергнуты любым воздействиям, без возникновения этических проблем, предоставят ученым дополнительные инструменты для изучения того, как работает мозг. Исследователи, например, могут научить сеть воспроизводить речь, а затем ухудшить ее, чтобы исследовать, как это связано с воздействием (другой интересный пример нейросетевого моделирования чувства — чувства численности приведен в этой публикации на Хабре — прим. переводчика).
Общие соображения
Компьютерные и когнитивные науки решают некоторые важные вопросы, и понимание того, как ответить на них в любой из этих областей, может привести к продвижению вперед в обеих областях. Один из таких вопросов — как именно происходит обучение? Нейронные сети в основном выполняют контролируемое обучение — обучение с учителем. Например, для распознавании изображений они могут быть обучены с помощью изображений, полученных из базы данных ImageNet, состоящей из более чем 14 миллионов фотографий объектов, которые были классифицированы и аннотированы людьми. При обучении сеть создает статистическое описание того, что общего имеют изображения с одной и той же меткой — например, «кошка». Когда сети предъявляют новое изображение, происходит его проверка на наличие аналогичных числовых атрибутов, если совпадение найдется, то изображение объявляется кошкой.
Очевидно, это не то, как учатся дети, говорит Томазо Поджио, специалист по нейровычислениям из Центра мозга, разума и машин, являющегося частью Массачусетского технологического института. «Ребенок видит порядка одного миллиарда изображений в первые два года жизни”, — говорит он. Но лишь немногие из этих изображений как-то помечены или названы. “Мы пока не знаем, как с этим бороться”, — говорит Поджио, — “и как создать машины, которые учатся в основном на не маркированных данных.”
Его лаборатория находится на начальной стадии проекта, который позволит нейронной сети выполнять обучение без учителя, находить паттерны в не маркированных видео. „Мы знаем, что животные и человек могут это делать“, — говорит Поджио. — »Вопрос, как?”
Яминс занимается проблемой обучения без учителя, разрабатывая программы, которые ведут себя как дети в игре, которые опрашивают свое окружение через случайные взаимодействия, и постепенно развивают понимание того, как работает мир. По существу он программирует любопытство, чтобы мотивировать компьютер исследовать окружение в надежде, что появятся новые модели поведения.
Другой нерешенный вопрос заключается в том, являются ли некоторые аспекты интеллекта «установленными» эволюцией. Например, люди, вероятно, предрасположены к распознаванию лиц, дети делают это с первых часов жизни. Возможно, предполагает Поджио, наши гены кодируют механизм быстрого и раннего обучения этой задаче. Расшифровка того, является ли эта идея правильной, может позволить ученым выработать один из способов помочь машинам учиться. Другие исследователи изучают нейронные основы морали. ”Люди боятся «злобных» машин", — говорит Поджио. «Мы, вероятно, должны лучше понять, как возникает наше моральное поведение, если хотим построить хорошие машины, этические машины.” [Tomaso Poggio Pub.]
Яминс говорит, что трудно понять, как нейробиология в одиночку сможет раскрыть, как работает обучение без учителя. “Если у вас нет решения для ИИ, если у вас нет ничего, что работает искусственно, у вас не может быть модели мозга”, — говорит он. Вероятно, считает он, ученые, занимающиеся ИИ, придумают одно или несколько решений, которые затем нейробиологи смогут проверить.
Ответ на эти загадки поможет создать более интеллектуальные машины, которые будут способны учиться в своей среде, и которые смогут сочетать скорость и вычислительную мощность компьютеров со способностями человека. Обработка данных и возможность моделирования на компьютерах уже приносят результаты в науках о мозге, и это будет только прогрессировать. „ИИ будет иметь огромное влияние на нейробиологию, — говорит Суссилло, — и я хочу участвовать в этом процессе.”
Замечание переводчика. Учитывая специфику аудитории Хабра, не требующей разъяснения таких вопросов, что такое нейронная сеть или глубокое обучение, перевод осуществлен с некоторыми, несущественными для понимания статьи, сокращениями.
