Приведите трехлетнее чадо в зоопарк, и оно интуитивно определит, что длинношеее жующее листья животное — тот самый жираф из его детской книжки с картинками. Этот простой подвиг на самом деле довольно сложный. Рисунок в книжке — замерший силуэт простых линий, а живое существо — шедевр из цвета, текстуры, движений и света. Оно выглядит по-разному, если смотреть с разных сторон, и способно менять форму, положение, ракурс.

Вообще люди преуспевают в выполнении такого рода задач. Мы можем запросто понять важнейшие особенности объекта из простых примеров и применить это знание к чему-то незнакомому. А вот компьютерам, как правило, нужно составить целую базу данных из жирафов, показанных в разных позах, с разной перспективой, чтобы научиться точно распознавать животное.

Визуальная идентификация — одна из многих сфер, в которых люди с легкостью побеждают компьютеры. Мы также лучше ищем релевантную информацию в потоке данных; решаем неструктурированные проблемы; играючи учимся, подобно ребенку, который узнает о гравитации, играя с кубиками.

«Люди намного, намного более универсальны, — говорит Тай Синг Ли, ученый и нейробиолог из Университета Карнеги-Меллона в Питтсбурге. — Мы все еще гибче в мышлении, умеем предвидеть, представлять и создавать будущие события».

Но в США финансируется амбициозная новая программа, которая стремится поставить искусственный интеллект в один ряд с нашими собственными умственными способностями. Три команды, состоящие из нейробиологов и специалистов по компьютерным наукам, пытаются выяснить, как мозг совершает эти подвиги визуальной идентификации, а затем построить машины, которые делают то же самое.

«Современное машинное обучение терпит поражение там, где преуспевают люди, — говорит Джейкоб Фогельштейн, возглавляющий эту программу в Intelligence Advanced Research Projects Activity (IARPA). — Мы хотим осуществить революцию в машинном обучении с помощью обратной инженерии алгоритмов и вычислений мозга».

Времени очень мало. Каждая группа в настоящее время моделирует участок коры в беспрецедентных деталях. Вместе они разрабатывают алгоритмы на основе изученного. К следующему лету каждому из этих алгоритмов будет приведен пример незнакомой вещи, чтобы тот обнаружил ее проявления в тысячах изображений в незнакомой базе данных. «Временные рамки очень сжатые», считает Кристоф Кох, президент и старший научный сотрудник Института наук о мозге Аллена в Сиэтле, работающий с одной из команд.

Кох и его коллеги создают полную схему подключений небольшого кубика мозга — в миллион кубических микрон, это примерно одна пятисотая от объема макового зернышка. И это на порядок больше, чем самая полная и большая карта переплетений мозга на сегодняшний день, которая была опубликована в июне прошлого года и на создание которой ушло около шести лет.

К концу пятилетнего проекта IARPA, который называется «машинный интеллект из кортикальных сетей (Microns)», ученые планируют картировать кубический миллиметр коры. В этой крошечной порции содержится близко 100 000 нейронов, от 3 до 15 миллионов нейронных соединений, или синапсов, и достаточно нейронных переплетений, чтобы охватить крупный город, если их распутать и вытянуть.

Никто пока не пытался реконструировать часть мозга  в таких масштабах. Но более мелкомасштабные усилия показали, что такие карты могут пролить свет на внутреннюю работу коры головного мозга. В статье, опубликованной в журнале Nature в марте, Вей-Чунг Аллен Ли — нейробиолог из Гарвардского университета, работающий с командой Коха — и его коллеги составили карту подключений 50 нейронов и более 1000 их партнеров. Объединяя эту карту с информацией о работе каждого нейрона в мозге — некоторые реагируют на зрительный сигнал, например — ученые вывели простое правило анатомического соединения нейронов в этой части коры между собой. И обнаружили, что нейроны с подобными функциями более вероятно будут соединяться и образовывать крупные связи между собой, и менее вероятно — с другими типами нейронов.

И хотя цель проекта Microns весьма технологична — IARPA финансирует исследования, которые могут привести к инструментам анализа данных для органов разведки, ну и другим, конечно, — параллельно с этим ученые получат данные о работе мозга. Андреас Толиас, невролог из Медицинского колледжа Бэйлора, который является одним из ведущих сотрудников команды Коха, уподобляет наше современное знание коры размытой фотографии. Он надеется, что беспрецедентный масштаб проекта Microns поможет повысить четкость этой точки зрения и обнаружить более сложные правила, которые управляют нашими нейронными цепями. Не зная всех составных частей, «мы, возможно, упускаем красоту этой структуры».

Мозговой процессор

Замысловатые складки, покрывающие поверхность мозга и образующие кору головного мозга (кортекс), буквально втиснуты в наши черепа. Во многом это микропроцессор мозга. Прослойка в три миллиметра толщиной состоит из серии повторяющихся модулей, или микросхем, подобно массиву логических вентилей в компьютерном чипе. Каждый модуль состоит приблизительно из 100 000 нейронов, выстроенных в сложную сеть взаимосвязанных клеток. Имеются данные, которые говорят о том, что базовая структура этих модулей примерно одинакова по всей коре. Тем не менее модули в разных регионах мозга специализированы под конкретные цели, такие как зрение, движение и слух.

Ученые имеют лишь примерное представление о том, как эти модули выглядят и как функционируют. Они в значительной степени ограничены изучением мозга в мельчайших масштабах: в десятки или сотни нейронов. Новые технологии, предназначенные для отслеживания формы, активности и связанности тысяч нейронов, только сейчас позволили ученым начать анализ того, как клетки в пределах модуля взаимодействуют друг с другом; как активность в одной части системы может порождать активность в другой части. «Впервые в истории мы получили возможность опрашивать эти модули вместо того, чтобы просто гадать на содержании, — говорит Фогельштейн. — Разные команды имеют различные догадки о том, что внутри».

Исследователи сосредоточат внимание на той части коры, которая отвечает за зрение. Эту систему чувств активно исследовали нейрофизиологи, а специалисты по компьютерному моделированию давно пытаются эмулировать. «Зрение кажется простым — просто открой глаза — но научить компьютеры делать то же самое весьма сложно», говорит Дэвид Кокс, нейробиолог из Гарвардского университета, возглавляющий одну из команд IARPA.

Андреас Толиас (слева)

Каждая команда начинает с одной и той же основной идеи о том, как работает зрение: старой теории, известной как анализ через синтез. Согласно этой идее, мозг делает предсказания о том, что произойдет в ближайшем будущем, а затем сверяет эти предсказания с тем, что видит. Сила этого подхода в его эффективности — он требует меньше вычислений, чем непрерывное воссоздание каждого момента времени.

Мозг может выполнять анализ через синтез кучей разных способов, поэтому ученые изучают другую возможность. Группа Кокса видит в мозге некий физический движок, использующий существующие физические модели для имитации мира таким, каким он должен выглядеть. Команда Тай Синг Ли вместе с Джорджем Черчем предполагает, что мозг обладает встроенной библиотекой частей — кусочков и частей объектов и людей — и учит правила о том, как составить эти части вместе. Листья, например, обычно появляются на ветвях. Группа Толиаса работает над более зависимым от данных подходом, в котором мозг создает статистические ожидания мира, в котором живет. Его группа будет проверять разные гипотезы о том, как разные части схемы учатся сообщаться.

Все три группы будут контролировать нейронную активность десятков тысяч нейронов в целевом кубе мозга. Затем используют различные методы, чтобы создать схему подключения этих клеток. Команда Кокса, например, нарежет ткани мозга на слои тоньше человеческого волоса и проанализирует каждый ломтик с помощью электронной микроскопии. Затем ученые склеят каждое поперечное сечение на компьютере, чтобы создать плотно упакованную трехмерную карту того, как миллионы нервных проводков прокладывают свой путь через кору.

С картой и схемой активности в руках, каждая команда попытается понять базовые правила, управляющие схемой. Затем запрограммируют эти правила в симуляции и измерять, насколько хорошо моделирование соответствует реальному мозгу.

Андреас Толиас и его коллеги составили карту соединений пар нейронов и записали их электрическую активность. Комплексная анатомия пяти нейронов (слева вверху) может быть сведено к простой схематической диаграмме (справа вверху). Если пропустить электрический ток через нейрон 2, он активируется, запуская электрический заряд в двум клеткам ниже по курсу, нейронам 1 и 5 (внизу)

Толиас и его коллеги уже попробовали на вкус такой подход. В работе, опубликованной в Science в ноябре, они картировали связи 11 000 нейронных пар, обнажив пять новых типов нейронов. «У нас до сих пор нет полного перечня частей, составляющих кору, вида отдельных клеток, их связей, — говорит Кох. — Вот с этого и начал Толиас».

Среди тысяч нейронных связей группа Толиаса открыла три общих правила, которые определяют соединение клеток: некоторые общаются преимущественно с нейронами своего собственного типа; другие избегают свой собственный тип, общаясь преимущественно с другими типами; третья группа общается лишь с несколькими другими нейронами. (Группа Толиаса определяла свои клетки на основе нейронной анатомии, а не функции, в отличие от группы Вей Ли). Используя всего три этих правила связи, ученые смогли воспроизвести схему довольно точно. «Теперь задача заключается в том, чтобы выяснить, что эти правила связи означают алгоритмически, — говорит Толиас. — Какой тип вычислений они проводят?».

Нейронные сети на базе настоящих нейронов

Искусственный интеллект на основе мозга — идея далеко не новая. Так называемые нейронные сети, имитирующие базовую структуру мозга, были чрезвычайно популярны в 1980-х годах. Но в то время ученым этой области не хватало вычислительной мощи и данных о том, как сделать алгоритмы эффективными. Да и всех этих миллионов картинок с кошками в Интернете не было. И хотя нейронные сети пережили крупный ренессанс — в наше время уже сложно представить жизнь без программ распознавания голоса и лиц, а компьютер AlphaGo недавно обыграл лучшего в мире игрока в го — правила, которые используют нейронные сети для изменения своих связей, почти наверняка отличаются от тех, что использует мозг.

Современные нейронные сети «основаны на том, что мы знали о мозге в 1960-х», говорит Терри Сейновски, вычислительный нейробиолог из Института Солка в Сан-Диего, разработавший первые алгоритмы нейронных сетей с Джеффри Хинтоном, ученым из Университета Торонто. «Наше знание о том, как организован мозг, трещит по швам».

К примеру, современные нейронные сети состоят из прямоточной архитектуры, когда информация идет от ввода к выводу через серию слоев. Каждый слой обучен распознавать определенные функции, вроде глаз или усов. Затем анализ продвигается дальше, и каждый следующий слой выполняет все более и более сложные вычисления. В конце концов, программа признает в серии цветных пикселей кошку.

Но этой вперед идущей структуре не хватает важного компонента биологической системы: обратной связи, как внутри отдельных слоев, так и от слоев более высокого порядка с более низким. В реальном мозге нейроны в одном слое коры связаны со своими соседями, а также с нейронами в слоях выше и ниже, образуя сложную сеть петель. «Обратная связь — чрезвычайно важная часть кортикальных сетей, — говорит Сейновски. — В обратной связи столько же сигналов, сколько и соединений с прямой связью».

Нейробиологи пока не совсем понимают, что делают петли обратной связи, хотя знают, что те имеют важное значение для нашей способности фокусировать внимание. Они помогают нам слушать голос по телефону, не отвлекаясь на звуки города, например. Часть популярности теории анализа через синтез лежит и в том, что она дает основание для всех этих повторяющихся соединений. Они помогают мозгу сравнивать свои прогнозы с реальностью.

Исследователи Microns стремятся расшифровать правила, управляющие петлями обратной связи, — например, какие клетки соединяют петли, какие активизируют их активность и как эта активность влияет на вывод данных из схемы — и после перевести эти правила в алгоритм. «Сейчас машине не хватает воображения и самоанализа. Я считаю, что схема обратной связи позволит нам воображать и самоанализировать на самых разных уровнях», говорит Тай Синг Ли.

Возможно, схема обратной связи в один прекрасный день наделит машины чертами, которые мы считаем уникальными для людей. «Если вы могли бы реализовать схему обратной связи в глубокой сети, вы могли бы от сети, которая способна только на «коленный рефлекс» — обеспечивать ввод и вывод, — перейти к более рефлексивной сети, которая начнет осмысливать свои вводы и проверять гипотезы», говорит Сейновски.

Ключ к тайне сознания

Как и все программы IARPA, проект Microns — это высокий риск. Технологии, которые необходимы ученым для крупномасштабного картирования нейронной активности и переплетений, существуют, но никто не применял их в таких масштабах доныне. Ученым предстоит иметь дело с огромными объемами данных — 1–2 петабайт данных на кубический миллиметр мозга. Вероятно, придется разрабатывать новые инструменты машинного обучения для анализа всех этих данных, что весьма иронично.

Также неясно, смогут ли уроки, извлеченные из небольшого куса мозга, намекнуть на более крупные таланты мозга.

«Мозг — это не просто кусок коры, — говорит Сейновски. — Мозг — это сотни систем, специализированных для различных функций».

Сама кора головного мозга состоит из повторяющихся звеньев, которые выглядят примерно одинаково. Но другие части мозга могут действовать совершенно по-разному.

«Если вам нужен ИИ, который выходит за рамки простого распознавания образов, вам понадобится много разных частей», говорит Сейновски.

Если проект удастся, впрочем, он будет делать больше, чем анализировать разведывательные данные. Успешный алгоритм позволит выявить важные истины о том, как мозг наделяет этот мир смыслом. В частности, поможет подтвердить, действительно ли мозг работает путем анализа через синтез — что он сравнивает свои прогнозы о мире с поступающими данными с наших органов чувств. Это покажет, что ключевой ингредиент в рецепте сознания — это постоянно меняющаяся смесь воображения и восприятия. Построив машину, которая способна мыслить, ученые надеются раскрыть секреты самой мысли.