3 살짜리 동물원으로 데려 가서, 그녀는 잎을 끄는 긴 목이 생물이 그림책의 기린과 동일하다는 것을 직관적으로 알고 있습니다. 그 피상적으로 쉬운 위업은 실제로 매우 정교합니다. 만화 그림은 단순한 선의 얼어 붙은 실루엣이며 살아있는 동물은 색, 질감, 움직임 및 빛으로 가득합니다. 그것은 서로 다른 모양으로 뒤틀리고 모든 각도와 다르게 보일 수 있습니다.
인간은 이런 종류의 과제에 뛰어납니다. 우리는 몇 가지 예에서 객체의 가장 중요한 기능을 쉽게 파악하고 이러한 기능을 익숙하지 않은 것에 적용 할 수 있습니다. 반면에 컴퓨터는 일반적으로 동물을 정확하게 인식하는 법을 배우려면 많은 설정과 다른 관점에서 표시되는 기린의 전체 데이터베이스를 정렬해야합니다.
시각적 식별은 인간이 컴퓨터를이기는 많은 경기장 중 하나입니다. 또한 데이터 홍수에서 관련 정보를 찾는 것이 좋습니다. 구조화되지 않은 문제를 해결할 때; 그리고 감독없이 학습 할 때, 아기가 블록을 가지고 놀 때 중력에 대해 배웁니다. 피츠버그의 카네기 멜론 대학교 (Carnegie Mellon University)의 컴퓨터 과학자이자 신경 과학자 인 타이 싱 리 (Tai Sing Lee)는“인간은 훨씬 더 나은 일반인입니다. "우리는 여전히 사고에 더 유연하며 미래의 사건을 예상하고 상상하고 만들 수 있습니다."
.연방 정부의 정보 부서가 자금을 지원하는 야심 찬 새로운 프로그램은 인공 지능을 우리 자신의 정신력에 더 많이 가져 오는 것을 목표로합니다. 신경 과학자와 컴퓨터 과학자로 구성된 세 팀은 뇌가 어떻게 이러한 시각적 식별의 위업을 수행하는지 알아 내고 동일하게 수행하는 기계를 만듭니다. IARPA (Intelligence Advanced Research Projects Activity)에서 프로그램을 이끌고있는 Jacob Vogelstein은“오늘날의 기계 학습은 인간이 뛰어난 곳에서 실패합니다. "우리는 뇌의 알고리즘과 계산을 리버스 엔지니어링함으로써 기계 학습을 혁신하고자합니다."
시간이 짧습니다. 각 팀은 이제 전례없는 세부 사항으로 피질 덩어리를 모델링하고 있습니다. 함께 팀은 배우는 것에 기반한 알고리즘을 개발하고 있습니다. 내년 여름에는 각 알고리즘에 외국 항목의 예가 제공되며 표지되지 않은 데이터베이스의 수천 개의 이미지 중에서 인스턴스를 선택해야합니다. 시애틀의 Allen Institute for Brain Science의 사장 겸 최고 과학 책임자 인 Christof Koch는“매우 공격적인 시간 프레임입니다.
Koch와 그의 동료들은 이제 작은 뇌의 작은 큐브, 즉 백만 입방 미크론의 완전한 배선 다이어그램을 만들고 있으며, 양귀비 씨앗의 총 5 백분의 양입니다. 그것은 지난 6 월에 출판되었으며 완료하는 데 약 6 년이 걸렸던 현재까지 가장 텍스트가 가장 큰 완전한 배선 맵보다 큰 순서입니다.
피질 네트워크 (Microns)의 기계 인텔리전스라고 불리는 5 년 IARPA 프로젝트가 끝날 무렵, 연구원들은 입방 밀리미터의 피질을 매핑하는 것을 목표로합니다. 그 작은 부분은 약 10 만 개의 뉴런, 3 ~ 1,500 만 개의 뉴런 연결 또는 시냅스, 맨해튼의 폭에 걸쳐 충분한 신경 배선을 수용합니다.
아무도 아직이 규모로 뇌 조각을 재구성하려고 시도하지 않았습니다. 그러나 소규모 노력 으로이지도는 피질의 내부 작업에 대한 통찰력을 제공 할 수 있음을 보여주었습니다. Journal Nature 에 출판 된 논문에서 3 월, Koch의 팀과 함께 일하는 Harvard University의 신경 과학자 인 Wei-Chung Allen Lee와 그의 협력자들은 50 개의 뉴런과 1,000 명 이상의 파트너의 배선 다이어그램을 매핑했습니다. 예를 들어,이지도를 뇌에서 각 뉴런의 작업에 대한 정보와 짝을 이루어 - 일부는 수직 막대의 시각적 입력에 반응합니다. 그들은 피질 의이 부분의 뉴런이 해부학 적으로 연결되는 방법에 대한 간단한 규칙을 도출했습니다. 그들은 비슷한 기능을 가진 뉴런이 다른 뉴런 유형과 관련하여 서로 연결하고 더 큰 연결을 할 가능성이 더 높다는 것을 발견했습니다.
Microns 프로젝트의 암시 적 목표는 기술-IARPA Funds Research이지만, 결국 정보 커뮤니티를위한 데이터 분석 도구로 이어질 수 있습니다. 무엇보다도 뇌에 대한 새롭고 심오한 통찰력이 먼저 올 것입니다. Koch의 팀을 이끌고있는 Baylor College of Medicine의 신경 과학자 인 Andreas Tolias는 현재 피질에 대한 우리의 현재 지식을 흐릿한 사진과 비교합니다. 그는 전례없는 규모의 Microns 프로젝트가 그 견해를 선명하게하는 데 도움이되며, 신경 회로를 지배하는보다 정교한 규칙을 노출시키기를 희망합니다. 그는 모든 구성 요소 부분을 알지 못하고“아마도 우리는 구조의 아름다움을 놓치고있을 것입니다.”
.뇌의 처리 장치
뇌의 표면을 덮고있는 복잡한 주름은 뇌 피질을 형성합니다. 여러면에서 뇌의 마이크로 프로세서입니다. 약 3 밀리미터 두께의 시트는 컴퓨터 칩의 논리 게이트 배열과 유사한 일련의 반복 모듈 또는 마이크로 회로로 구성됩니다. 각 모듈은 상호 연결된 세포의 복잡한 네트워크에 배열 된 대략 100,000 개의 뉴런으로 구성됩니다. 증거는 이들 모듈의 기본 구조가 피질 전체에 걸쳐 거의 동일하다는 것을 시사한다. 그러나 다른 뇌 영역의 모듈은 시력, 운동 또는 청각과 같은 특정 목적으로 특화되어 있습니다.
과학자들은이 모듈의 모습과 행동 방식에 대한 거친 감각 만 가지고 있습니다. 그들은 수십 또는 수백 개의 뉴런과 같은 작은 규모로 뇌를 연구하는 것으로 크게 제한되었습니다. 수천 개의 뉴런의 모양, 활동 및 연결성을 추적하도록 설계된 새로운 기술은 마침내 연구자들이 모듈 내의 세포가 서로 상호 작용하는 방법을 분석 할 수있게 해줍니다. 시스템의 한 부분에서의 활동이 다른 부분에서 활동을 촉발하거나 완화시키는 방법. Vogelstein은“역사상 처음으로 내용을 추측하는 대신 모듈을 심문 할 수있는 능력이 있습니다. "팀은 내부에 대해 다른 추측을합니다."
연구원들은 신경 과학자들이 집중적으로 탐구했으며 컴퓨터 과학자들이 오랫동안 모방하기 위해 노력해 온 감각 시스템 인 비전을 처리하는 피질의 일부에 초점을 맞출 것입니다. IARPA 팀 중 하나를 이끌고있는 하버드의 신경 과학자 인 데이비드 콕스 (David Cox)는“비전은 쉬운 것 같다. 그러나 컴퓨터가 같은 일을하도록 가르치는 것은 어렵다.
각 팀은 비전이 작동하는 방식에 대한 동일한 기본 아이디어, 동시 분석으로 알려진 수십 년 전의 이론으로 시작합니다. 이 아이디어에 따르면, 뇌는 즉시 미래에 일어날 일에 대해 예측 한 다음, 그 예측을 보는 것과 조화시킵니다. 이 접근법의 힘은 효율성에 있습니다. 매 순간을 지속적으로 재현하는 것보다 계산이 적습니다.
뇌는 여러 가지 방법으로 일시적으로 분석을 실행할 수 있으므로 각 팀은 다른 가능성을 탐색하고 있습니다. 콕스의 팀은 뇌를 일종의 물리 엔진으로보고 있으며, 세계가 어떻게 보일지 시뮬레이션하는 데 사용하는 기존 물리학 모델이 있습니다. George Church가 공동으로 한 Tai Sing Lee의 팀은 뇌가 부품 라이브러리 (비트와 물건과 사람들의 조각)를 만들었고 해당 부분을 정리하는 방법에 대한 규칙을 배우고 있다고 이론화합니다. 예를 들어 잎은 가지에 나타나는 경향이 있습니다. Tolias의 그룹은 뇌가 살고있는 세계에 대한 통계적 기대를 창출하는보다 데이터 중심의 접근 방식을 연구하고 있습니다. 그의 팀은 회로의 다른 부분이 의사 소통을 배우는 방법에 대해 다양한 가설을 테스트 할 것입니다.
세 팀 모두 뇌의 표적 입방체에서 수만 개의 뉴런에서 뉴런 활동을 모니터링 할 것입니다. 그런 다음 다른 방법을 사용하여 해당 셀의 배선도를 만듭니다. 예를 들어, 콕스 팀은 뇌 조직을 사람의 모발보다 얇은 층으로 얇게 썰고 전자 현미경으로 각 슬라이스를 분석합니다. 그런 다음 팀은 각 단면을 계산하기 위해 각 단면을 계산하여 피질을 통과하는 복잡한 경로에 수백만 개의 신경 와이어를 차트로 만드는 밀도가 높은 3 차원 맵을 만듭니다.
.맵과 활동 패턴을 손에 들고 각 팀은 회로를 관리하는 몇 가지 기본 규칙을 괴롭 힙니다. 그런 다음 해당 규칙을 시뮬레이션에 프로그램하고 시뮬레이션이 실제 뇌와 얼마나 잘 일치하는지 측정합니다.
Tolias와 공동 작업자는 이미 이러한 유형의 접근 방식이 달성 할 수있는 것을 맛보고 있습니다. Science 에 출판 된 논문에서 11 월에는 11,000 개의 뉴런 쌍 사이의 연결을 매핑하여 과정에서 5 가지 새로운 유형의 뉴런을 발견했습니다. Koch는“우리는 여전히 피질을 구성하는 부품의 전체 목록, 개인 세포의 모습, 연결 방법을 가지고 있지 않습니다. "이것이 [Tolias]가 시작한 일입니다."
이 수천 개의 뉴런 연결 중에서, 톨리아의 팀은 세포가 어떻게 연결되는지에 대한 세 가지 일반적인 규칙을 밝혀 냈습니다. 일부는 주로 자신의 종류의 뉴런에 대해 이야기합니다. 다른 사람들은 자신의 종류를 피하고 대부분 다른 품종과 의사 소통합니다. 그리고 세 번째 그룹은 몇 가지 다른 뉴런과 만 이야기합니다. (Tolias의 팀은 Wei Lee의 팀이 연구에서 수행 한 기능보다는 신경 해부학을 기반으로 세포를 정의했습니다.)이 세 가지 배선 규칙 만 사용하여 연구원들은 회로를 상당히 정확하게 시뮬레이션 할 수있었습니다. Tolias는“이제 문제는 이러한 배선 규칙이 알고리즘 적으로 무엇을 의미하는지 파악하는 것입니다. “어떤 종류의 계산을합니까?”
실제 뉴런을 기반으로 한 신경망
뇌와 같은 인공 지능은 새로운 아이디어가 아닙니다. 뇌의 기본 구조를 모방 한 소위 신경망은 1980 년대에 매우 인기가있었습니다. 그러나 당시 필드에는 알고리즘이 실제로 효과적이되기 위해 필요한 컴퓨팅 능력 및 교육 데이터가 부족했습니다. 결국 인터넷의 수백만 개의 레이블이 붙은 고양이 사진은 아직 사용할 수 없었습니다. 그리고 신경망은 주요 르네상스를 즐겼지만, 우리의 일상 생활의 일부가 된 음성 및 얼굴 인식 프로그램은 Alphago와 마찬가지로 신경망 알고리즘을 기반으로 한 음성 및 얼굴 인식 프로그램은 최근 세계의 최고 GO 플레이어를 물리 쳤던 컴퓨터입니다. 인공 신경망이 뇌가 사용하는 규칙과 거의 다릅니다.
.현대 신경망은“1960 년대에 우리가 뇌에 대해 알고있는 것에 근거하고있다”고 샌디에고의 Salk Institute의 계산 신경 과학자 인 Terry Sejnowski는 토론토 대학의 컴퓨터 과학자 인 Geoffrey Hinton과 초기 신경 네트워크 알고리즘을 개발했다. "뇌가 어떻게 조직되는지에 대한 우리의 지식이 폭발적입니다."
예를 들어, 오늘날의 신경망은 피드 포워드 아키텍처로 구성되며, 여기서 정보는 일련의 레이어를 통해 입력에서 출력으로 흐릅니다. 각 층은 눈이나 수염과 같은 특정 기능을 인식하도록 훈련됩니다. 그런 다음이 분석은 전진하며, 각 연속 계층은 데이터에 대한 점점 더 복잡한 계산을 수행합니다. 이런 식 으로이 프로그램은 결국 일련의 컬러 픽셀을 고양이로 인식합니다.
그러나이 피드 포워드 구조는 생물학적 시스템의 중요한 구성 요소를 남겨 둡니다 :개별 층 내 및 고차 층에서 하위 층으로의 피드백. 실제 뇌에서, 피질의 한 층에있는 뉴런은 이웃과 그 위와 아래의 층의 뉴런에 연결되어 복잡한 루프 네트워크를 만듭니다. Sejnowski는“피드백 연결은 피질 네트워크에서 매우 중요한 부분입니다. "피드 포워드 연결만큼 많은 피드백이 있습니다."
신경 과학자들은 이러한 피드백 루프가 우리의 관심을 지시하는 우리의 능력에 중요하다는 것을 알고 있지만 이러한 피드백 루프는 아직 정확하게 이해하지 못합니다. 예를 들어 산만 한 도시 소리를 조정하면서 휴대 전화에서 목소리를 듣도록 도와줍니다. 합성 이론 분석의 매력의 일부는 모든 재발 된 연결에 대한 이유를 제공한다는 것입니다. 그들은 뇌가 예측을 현실과 비교하도록 도와줍니다.
Microns 연구원들은 피드백 루프를 통제하는 규칙을 해독하는 것을 목표로합니다 (예 :이 루프 연결 셀, 활동을 유발하는 셀,이 활동이 회로의 출력에 어떤 영향을 미치는지) 해당 규칙을 알고리즘으로 변환하는 것을 목표로합니다. “현재 기계에 부족한 것은 상상력과 내성입니다. 나는 피드백 회로를 통해 여러 수준에서 상상하고 내성적으로 관여 할 수 있다고 생각합니다.”Tai Sing Lee는 말했습니다.
아마도 피드백 회로는 언젠가 우리가 고유 한 인간으로 생각하는 특성을 가진 기계를 부여 할 것입니다. "심층 네트워크에서 [피드백 회로]를 구현할 수 있다면, 당신은 일종의 무릎을 꿇고 반응을 보이는 네트워크에서 입력과 출력을 제공하는 네트워크에서 더 반사적 인 것으로, 입력과 테스트 가설에 대해 생각하기 시작할 수 있습니다.
의식에 대한 단서
모든 IARPA 프로그램과 마찬가지로 Microns 프로젝트는 위험이 높습니다. 연구자들이 신경 활동과 배선의 대규모 매핑에 필요한 기술은 존재하지만, 아무도이 규모로 적용한 사람은 없었습니다. 한 가지 과제는 연구가 생성하는 막대한 양의 데이터를 다루는 것입니다 - 뇌의 밀리미터 큐브 당 1 ~ 2 개의 페타 바이트의 데이터가 있습니다. 팀은 자체의 다소 아이러니 한 피드백 루프 인 모든 데이터를 분석하기 위해 새로운 기계 학습 도구를 개발해야 할 것입니다.
.작은 뇌에서 배운 교훈이 뇌의 더 큰 재능을 설명 할 것인지는 확실하지 않습니다. . Sejnowski는“뇌는 단지 피질 조각이 아닙니다. "뇌는 다양한 기능을 위해 수백 개의 시스템입니다."
피질 자체는 거의 동일하게 보이는 반복 단위로 구성됩니다. 그러나 뇌의 다른 부분은 상당히 다르게 행동 할 수 있습니다. 예를 들어, 알파 고 알고리즘에 사용 된 강화 학습은 중독과 관련된 뇌의 일부인 기초 신경절에서 발생하는 과정과 관련이 있습니다. Sejnowksi는“간단한 패턴 인식을 넘어서는 AI를 원한다면 많은 다른 부분이 필요할 것입니다.
그러나 프로젝트가 성공하면 인텔리전스 데이터를 분석하는 것 이상을 수행합니다. 성공적인 알고리즘은 뇌가 어떻게 세상을 이해하는지에 대한 중요한 진실을 드러 낼 것입니다. 특히, 그것은 뇌가 실제로 분석별로 작동한다는 것을 확인하는 데 도움이 될 것입니다. 그것은 세상에 대한 자체 예측을 우리의 감각을 통해 들어오는 데이터 세척과 비교합니다. 그것은 의식을위한 레시피의 핵심 성분이 상상력과 인식의 끊임없이 변화하는 혼합임을 보여줄 것입니다. Tai Sing Lee는“우리가 미래의 사건을 예측하고 그것을 활용하여 우리의 행동을 안내 할 수있는 것은 상상력입니다. 이 연구자들은 생각하는 기계를 구축함으로써 생각 자체의 비밀을 밝히기를 희망합니다.
