Dyb læring kommer fuld cirkel

Årevis, de mennesker, der udviklede kunstig intelligens, hentede inspiration fra det, man vidste om den menneskelige hjerne, og det har haft stor succes som resultat. Nu, AI er begyndt at give en tjeneste.

Selvom det ikke udtrykkeligt er designet til at gøre det, Visse kunstige intelligenssystemer ser ud til at efterligne vores hjernes indre funktioner tættere end tidligere antaget, tyder på, at både kunstig intelligens og vores sind er gået sammen om den samme tilgang til at løse problemer. Hvis så, blot at se AI på arbejde kan hjælpe forskere med at låse op for nogle af hjernens dybeste mysterier.

"Der er en reel forbindelse der, " sagde Daniel Yamins, adjunkt i psykologi. Nu, Yamins, som også er fakultetsforsker ved Stanford Neurosciences Institute og medlem af Stanford Bio-X, og hans laboratorium bygger på den forbindelse for at producere bedre teorier om hjernen – hvordan den opfatter verden, hvordan det skifter effektivt fra den ene opgave til den næste og måske, en dag, hvordan den tænker.

Et synsproblem for AI

Kunstig intelligens har lånt fra hjernen siden dens tidlige dage, da dataloger og psykologer udviklede algoritmer kaldet neurale netværk, der løst efterlignede hjernen. Disse algoritmer blev ofte kritiseret for at være biologisk usandsynlige - "neuronerne" i neurale netværk var, trods alt, grove forenklinger af de rigtige neuroner, der udgør hjernen. Men dataloger var ligeglade med biologisk plausibilitet. De ville bare have systemer, der virkede, så de udvidede neurale netværksmodeller på den måde, som gjorde algoritmen bedst i stand til at udføre visse opgaver, kulminerende i det, der nu kaldes deep learning.

Så kom en overraskelse. I 2012 AI-forskere viste, at et neuralt netværk med dyb læring kunne lære at identificere objekter i billeder såvel som et menneske, hvilket fik neurovidenskabsfolk til at spekulere på:Hvordan gjorde dyb læring det?

På samme måde som hjernen gør, det viser sig. I 2014 Yamins og kolleger viste, at et dybt læringssystem, der havde lært at identificere objekter i billeder - næsten lige så godt som mennesker kunne - gjorde det på en måde, der tæt efterlignede den måde, hjernen behandler syn på. Faktisk, de beregninger, som dybe læringssystemet udførte, matchede aktiviteten i hjernens synsbehandlingskredsløb væsentligt bedre end nogen anden model af disse kredsløb.

Omtrent på samme tid, andre hold gjorde lignende observationer om dele af hjernens syns- og bevægelsesbehandlingskredsløb, antyder, at givet den samme slags problem, dyb læring og hjernen havde udviklet lignende måder at komme med en løsning på. For nylig, Yamins og kolleger har demonstreret lignende observationer i hjernens auditive system.

På den ene side, det er ikke en stor overraskelse. Selvom de tekniske detaljer er forskellige, deep learnings konceptuelle organisering er lånt direkte fra, hvad neuroforskere allerede vidste om organiseringen af ​​neuroner i hjernen.

Men succesen med Yamins og kollegers tilgang og andre lignende afhænger lige så meget af en anden, mere subtilt valg. I stedet for at prøve at få det dybe læringssystem til at matche det, hjernen gør på niveauet af individuelle neuroner, som mange forskere havde gjort, Yamins og kolleger gav simpelthen deres deep learning-system det samme problem:Identificer objekter i billeder. Først efter at det havde løst det problem, sammenlignede forskerne, hvordan deep learning og hjernen nåede frem til deres løsninger – og først da stod det klart, at deres metoder i det væsentlige var de samme.

"Kortsvaret mellem modellerne og det visuelle system er ikke helt en tilfældighed, fordi det ene direkte inspirerede det andet, " sagde Daniel Bjørn, en postdoc forsker i Yamins' gruppe, "men det er alligevel bemærkelsesværdigt, at det er så god en korrespondance, som den er."

En sandsynlig årsag til det, Bjørn sagde, er naturlig udvælgelse og evolution. "I bund og grund, objektgenkendelse var en meget evolutionært vigtig opgave" for dyr at løse – og løse godt, hvis de ville kende forskel på noget de kunne spise og noget der kunne spise dem. Måske forsøgte at gøre det lige så godt, som mennesker og andre dyr gør - undtagen med en computer - fik forskere til at finde i det væsentlige den samme løsning.

Søg, hvad hjernen søger

Uanset den underliggende årsag, indsigt fra 2014-undersøgelsen førte til, hvad Yamins kalder målrettede modeller af hjernen:I stedet for at prøve at modellere neural aktivitet i hjernen direkte, i stedet træne kunstig intelligens til at løse problemer, som hjernen skal løse, brug derefter det resulterende AI-system som en model af hjernen. Siden 2014 har Yamins og samarbejdspartnere har forfinet den oprindelige målrettede model af hjernens synskredsløb og udvidet arbejdet i nye retninger, herunder forståelse af de neurale kredsløb, der behandler input fra gnaveres knurhår.

I det måske mest ambitiøse projekt, Yamins og postdoc Nick Haber undersøger, hvordan spædbørn lærer om verden omkring dem gennem leg. Deres spædbørn - faktisk relativt simple computersimuleringer - er kun motiveret af nysgerrighed. De udforsker deres verdener ved at bevæge sig rundt og interagere med objekter, lærer, mens de går, at forudsige, hvad der sker, når de slår bolde eller blot drejer hovedet. På samme tid, modellen lærer at forudsige, hvilke dele af verden den ikke forstår, så prøver at finde ud af dem.

Mens computersimuleringen begynder livet - så at sige - ved i det væsentlige intet om verden, det finder til sidst ud af, hvordan man kan kategorisere forskellige objekter og endda hvordan man smadrer to eller tre af dem sammen. Selvom direkte sammenligninger med babyers neurale aktivitet kan være for tidlig, modellen kan hjælpe forskere med bedre at forstå, hvordan spædbørn bruger leg til at lære om deres miljøer, sagde Haber.

I den anden ende af spektret, modeller inspireret af kunstig intelligens kunne hjælpe med at løse et puslespil om hjernens fysiske layout, sagde Eshed Margalit, en kandidatstuderende i neurovidenskab. Efterhånden som synskredsløbene i spædbørns hjerner udvikler sig, de danner specifikke pletter - fysiske klynger af neuroner - der reagerer på forskellige slags objekter. For eksempel, mennesker og andre primater danner alle et ansigtsplaster, der næsten udelukkende er aktivt, når de ser på ansigter.

Præcis hvorfor hjernen danner disse pletter, Margalit sagde, er ikke klart. Hjernen behøver ikke et ansigtsplaster for at genkende ansigter, for eksempel. Men ved at bygge videre på AI-modeller som Yamins', der allerede løser objektgenkendelsesopgaver, "Vi kan nu prøve at modellere den rumlige struktur og stille spørgsmål om, hvorfor hjernen er indrettet på denne måde, og hvilke fordele det kan give en organisme, " sagde Margalit.

Lukning af løkken

Der er også andre problemer at tage fat på, især hvordan kunstige intelligenssystemer lærer. Lige nu, AI har brug for meget mere træning – og meget mere eksplicit træning – end mennesker gør for at kunne udføre lige så godt på opgaver som objektgenkendelse, selvom det stadig er uklart, hvordan mennesker lykkes med så lidt data.

Et andet spørgsmål er, hvordan man kan gå videre end modeller for syn og andre sensoriske systemer. "Når du først har et sanseindtryk af verden, du ønsker at træffe beslutninger baseret på det, " sagde Yamins. "Vi forsøger at lave modeller for beslutningstagning, lære at træffe beslutninger, og hvordan du interagerer mellem sensoriske systemer, beslutningstagning og hukommelse." Yamins begynder at tage fat på disse ideer med Kevin Feigelis, en kandidatstuderende i fysik, som bygger AI-modeller, der kan lære at løse mange forskellige slags problemer og skifte mellem opgaver efter behov, noget meget få AI-systemer er i stand til.

I det lange løb, Yamins og de andre medlemmer af hans gruppe sagde, at alle disse fremskridt kunne føre til mere dygtige kunstige intelligenssystemer, ligesom tidligere neurovidenskabelig forskning var med til at fremme udviklingen af ​​dyb læring. "Jeg tror, ​​at folk inden for kunstig intelligens er klar over, at der er visse meget gode næste mål for kognitivt inspireret kunstig intelligens, " sagde Haber, herunder systemer som hans, der lærer ved aktivt at udforske deres verdener. "Folk leger med disse ideer."