3 歳児を動物園に連れて行くと、葉っぱをかじっている首の長い生き物が、絵本に出てくるキリンと同じものだと直感的にわかります。この一見簡単な偉業は、実際には非常に洗練されています。漫画の絵は単純な線の凍ったシルエットですが、生きている動物は色、質感、動き、光にあふれています。さまざまな形にゆがむことができ、角度ごとに異なって見えます。
人間は、この種のタスクに優れています。ほんの数例からオブジェクトの最も重要な機能を簡単に把握し、それらの機能をなじみのないものに適用できます。一方、コンピューターは通常、動物を正確に認識する方法を学習するために、さまざまな設定でさまざまな視点からキリンのデータベース全体を分類する必要があります。
視覚的識別は、人間がコンピューターに勝る多くの分野の 1 つです。また、大量のデータから関連情報を見つけることも得意です。構造化されていない問題を解決する。赤ちゃんがブロックで遊ぶときに重力について学ぶように、監視なしで学習します。ピッツバーグにあるカーネギー メロン大学のコンピューター科学者であり神経科学者でもある Tai Sing Lee は、次のように述べています。 「私たちは今でも柔軟に考えられるようになり、将来の出来事を予測、想像、創造することができます。」
連邦政府の諜報機関が資金を提供する野心的な新しいプログラムは、人工知能を私たち自身の精神力とより一致させることを目的としています。神経科学者とコンピューター科学者で構成される 3 つのチームは、脳がこれらの視覚的識別の偉業をどのように実行するかを解明し、同じことを行う機械を作ろうとしています。 Intelligence Advanced Research Projects Activity (IARPA) でプログラムを率いる Jacob Vogelstein は、次のように述べています。 「私たちは、脳のアルゴリズムと計算をリバース エンジニアリングすることで、機械学習に革命を起こしたいと考えています。」
時間は短いです。各チームは現在、かつてないほど詳細に大脳皮質の塊をモデリングしています。連携して、チームは学習内容の一部に基づいてアルゴリズムを開発しています。来年の夏までに、これらのアルゴリズムのそれぞれに異物の例が与えられ、ラベルのないデータベース内の何千もの画像からそのインスタンスを選択する必要があります。チームの 1 つと協力しているシアトルのアレン脳科学研究所の所長兼最高科学責任者である Christof Koch 氏は、「非常に厳しい時間枠です」と述べています。
コッホと彼の同僚は現在、脳の小さな立方体の完全な配線図を作成しています。100 万立方ミクロンで、合計でケシの実の 500 分の 1 の体積です。これは、昨年 6 月に公開され、完成までに約 6 年を要した、これまでで最も広範な完全な配線図よりも桁違いに大きいものです。
Cortical Networks (Microns) の Machine Intelligence と呼ばれる 5 年間の IARPA プロジェクトの終了までに、研究者は 1 立方ミリメートルの皮質をマッピングすることを目指しています。その小さな部分には、約 100,000 のニューロン、300 万から 1500 万のニューロン接続またはシナプス、およびマンハッタンの幅にまたがる十分な神経配線が収められています。
この規模で脳の一部を再構築しようとした人はまだいません。しかし、小規模な取り組みにより、これらの地図が皮質の内部の働きについての洞察を提供できることが示されました。ジャーナル Nature に掲載された論文で 3 月には、ハーバード大学の神経科学者で、コッホのチームと協力している Wei-Chung Allen Lee と彼の共同研究者が、50 のニューロンと 1,000 以上のパートナーの配線図を作成しました。このマップを脳内の各ニューロンの仕事に関する情報 (たとえば、垂直バーの視覚入力に反応するものなど) と組み合わせることで、皮質のこの部分のニューロンが解剖学的にどのように接続されているかについての簡単なルールを導き出しました。彼らは、同様の機能を持つニューロンは、他のニューロン タイプよりも相互に接続し、より大きな接続を行う可能性が高いことを発見しました.
Microns プロジェクトの暗黙の目標は技術的なものですが (IARPA は、最終的にはインテリジェンス コミュニティ向けのデータ分析ツールにつながる可能性のある研究に資金を提供しています)、脳に対する新しくて深い洞察が最初に来なければなりません。ベイラー医科大学の神経科学者で、コッホのチームを共同で率いるアンドレアス・トリアスは、大脳皮質に関する現在の知識をぼやけた写真に例えます。彼は、Microns プロジェクトの前例のない規模がその見方を鋭くし、私たちの神経回路を制御するより洗練されたルールを明らかにするのに役立つことを望んでいます.すべての構成部品を知らずに、「構造の美しさを見逃しているのかもしれません」と彼は言いました。
脳の処理ユニット
脳の表面を覆う複雑なヒダは、大脳皮質を形成します。大脳皮質は、頭蓋骨に収まるように縮められたピザ サイズの組織のシートです。多くの点で、それは脳のマイクロプロセッサです。厚さ約 3 mm のこのシートは、コンピューター チップのロジック ゲートの配列に似た、一連の繰り返しモジュール (マイクロ回路) で構成されています。各モジュールは、相互接続されたセルの複雑なネットワークに配置された約 100,000 個のニューロンで構成されています。証拠は、これらのモジュールの基本構造が皮質全体でほぼ同じであることを示唆しています。ただし、異なる脳領域のモジュールは、視覚、運動、聴覚などの特定の目的に特化しています。
科学者は、これらのモジュールがどのように見え、どのように機能するかについて大まかな感覚しか持っていません。彼らは主に、数十または数百のニューロンというより小さなスケールでの脳の研究に限定されてきました。何千ものニューロンの形状、活動、接続を追跡するように設計された新しい技術により、研究者はモジュール内の細胞がどのように相互作用するかを最終的に分析できるようになりました。システムのある部分での活動が、別の部分での活動をどのように引き起こしたり弱めたりするか。 「史上初めて、内容を推測するだけでなく、モジュールを調べることができるようになりました」と Vogelstein 氏は述べています。 「チームによって中身の推測が異なります。」
研究者は、視覚を処理する皮質の一部、神経科学者が集中的に調査し、コンピューター科学者が長い間エミュレートしようと努力してきた感覚システムに焦点を当てます。 IARPA チームの 1 つを率いるハーバード大学の神経科学者である David Cox は、次のように述べています。
各チームは、視覚がどのように機能するかについての同じ基本的なアイデア、つまり分析による合成として知られる数十年前の理論から始めています。この考えによれば、脳は近い将来に何が起こるかを予測し、その予測と目に見えるものを照合します。このアプローチの威力はその効率にあります。あらゆる瞬間を継続的に再現するよりも、必要な計算が少なくて済みます。
脳はさまざまな方法で分析と合成を実行する可能性があるため、各チームはさまざまな可能性を探っています。コックスのチームは、脳を一種の物理エンジンと見なしており、既存の物理モデルを使用して世界がどのように見えるかをシミュレートしています。ジョージ・チャーチが共同で率いるタイ・シン・リーのチームは、脳がパーツのライブラリー (物や人の断片) を構築し、それらのパーツを組み合わせる方法の規則を学習していると理論付けています。たとえば、葉は枝に現れる傾向があります。 Tolias のグループは、よりデータ駆動型のアプローチに取り組んでおり、脳は自分が住んでいる世界の統計的期待を作成します。彼のチームは、回路のさまざまな部分がコミュニケーションをどのように学習するかについて、さまざまな仮説をテストします。
3 つのチームはすべて、標的となる脳の立方体にある何万ものニューロンからのニューロン活動を監視します。次に、さまざまな方法を使用して、それらのセルの配線図を作成します。たとえば、Cox のチームは、脳組織を人間の髪の毛よりも薄い層にスライスし、各スライスを電子顕微鏡で分析します。次に、チームは各断面をコンピューターでつなぎ合わせて、大脳皮質を通る複雑な経路上の何百万もの神経ワイヤーを図表化する密集した 3 次元マップを作成します。
マップとアクティビティ パターンを手に、各チームはサーキットを管理するいくつかの基本的なルールを解き明かそうとします。次に、それらのルールをシミュレーションにプログラムし、シミュレーションが実際の脳とどの程度一致するかを測定します。
Tolias と共同研究者は、このタイプのアプローチが達成できることをすでに味わっています。 Science に掲載された論文 11 月には、11,000 のニューロン対間の接続をマッピングし、その過程で 5 つの新しいタイプのニューロンを明らかにしました。 「皮質を構成する部分、個々の細胞がどのように見えるか、それらがどのように接続されているかについての完全なリストはまだありません」とコッホは言いました. 「それが [Tolias] が始めたことです。」
これらの何千ものニューロン接続の中で、Tolias のチームは、細胞がどのように接続されているかを支配する 3 つの一般的な規則を明らかにしました。他の品種は、主に他の品種と通信し、自分の種類を避けます。そして 3 番目のグループは、他のいくつかのニューロンとのみ会話します。 (Tolias のチームは、Wei Lee のチームが研究で行った機能ではなく、神経の解剖学に基づいて細胞を定義しました。) 研究者は、これら 3 つの配線ルールだけを使用して、回路をかなり正確にシミュレートできました。 「今の課題は、これらの配線規則がアルゴリズム的に何を意味するのかを理解することです」と Tolias 氏は言います。 「彼らはどのような計算をしているのですか?」
実際のニューロンに基づくニューラル ネットワーク
脳のような人工知能は新しいアイデアではありません。脳の基本構造を模倣した、いわゆるニューラル ネットワークは、1980 年代に非常に人気がありました。しかし当時、この分野には、アルゴリズムが実際に効果を発揮するために必要な計算能力とトレーニング データが不足していました。結局のところ、インターネット上にある何百万ものラベル付けされた猫の写真のすべてがまだ利用可能ではありませんでした。また、ニューラル ネットワークは大きなルネッサンスを享受していますが、私たちの日常生活に急速に浸透している音声および顔認識プログラムは、ニューラル ネットワーク アルゴリズムに基づいており、最近世界トップの囲碁棋士を打ち負かしたコンピューター、AlphaGo も同様です。人工ニューラル ネットワークが接続を変更するために使用するルールは、脳が採用するルールとはほぼ確実に異なります。
現代のニューラル ネットワークは、「1960 年代に脳について私たちが知っていたことに基づいています」と、トロント大学のコンピューター科学者ジェフリー ヒントンと共に初期のニューラル ネットワーク アルゴリズムを開発した、サンディエゴのソーク研究所の計算神経科学者であるテリー セジュノウスキーは述べています。 . 「脳がどのように組織化されているかについての私たちの知識は爆発的に増加しています。」
たとえば、今日のニューラル ネットワークはフィードフォワード アーキテクチャで構成されており、情報は一連の層を介して入力から出力に流れます。各レイヤーは、目やひげなどの特定の特徴を認識するようにトレーニングされています。次に、その分析がフィードフォワードされ、連続する各レイヤーがデータに対してますます複雑な計算を実行します。このようにして、プログラムは最終的に一連の色付きのピクセルを猫として認識します。
しかし、このフィードフォワード構造は、生物学的システムの重要な要素、つまり個々の層内と高次層から低次層へのフィードバックの両方を除外しています。実際の脳では、皮質の 1 つの層にあるニューロンが隣接するニューロンや、その上下の層にあるニューロンと接続され、複雑なループのネットワークを形成しています。 「フィードバック接続は、皮質ネットワークの非常に重要な部分です」と Sejnowski 氏は述べています。 「フィードフォワード接続と同じくらい多くのフィードバックがあります。」
神経科学者は、これらのフィードバック ループが何をしているかをまだ正確に理解していませんが、注意を向ける能力にとって重要であることはわかっています。たとえば、気を散らす街の音を調整しながら、電話で声を聞くのに役立ちます。分析による合成理論の魅力の 1 つは、それらすべての反復的な接続の理由を提供することです。脳が予測と現実を比較するのに役立ちます。
Microns の研究者は、フィードバック ループを管理する規則 (ループが接続するセル、それらの活動のトリガー、その活動が回路の出力にどのように影響するかなど) を解読し、それらの規則をアルゴリズムに変換することを目指しています。 「現在、機械に欠けているのは想像力と内省です。フィードバック回路により、私たちはさまざまなレベルで想像し、内省することができると信じています」と Tai Sing Lee 氏は述べています。
おそらく、フィードバック回路はいつの日か、私たちが人間特有のものと考える特徴をマシンに与えるでしょう。 「[フィードバック回路] をディープ ネットワークに実装できれば、入力を与えて出力を得るという一種の反射的な反応を持つネットワークから、入力とテストについて考え始めることができる、より反射的なネットワークに移行できます。オバマ大統領の 1 億ドルの BRAIN イニシアチブの顧問を務めており、Microns プロジェクトはその一部です。
意識の手がかり
すべての IARPA プログラムと同様に、Microns プロジェクトはリスクが高いです。神経活動と配線の大規模なマッピングに研究者が必要とする技術は存在しますが、これまでにこの規模でそれらを適用した人はいません。課題の 1 つは、研究によって生成される膨大な量のデータ (脳の立方ミリメートルあたり 1 ～ 2 ペタバイト) を処理することです。チームは、そのすべてのデータを分析するための新しい機械学習ツールを開発する必要がある可能性が高く、それ自体がかなり皮肉なフィードバック ループです。
また、脳の小さな塊から学んだ教訓が、脳のより大きな才能の例証となるかどうかも不明です. 「脳は単なる皮質の一部ではありません」と Sejnowski 氏は述べています。 「脳は、さまざまな機能に特化した何百ものシステムです。」
皮質自体は、ほぼ同じように見える繰り返し単位で構成されています。しかし、脳の他の部分はまったく異なる働きをする可能性があります。たとえば、AlphaGo アルゴリズムで採用されている強化学習は、依存症に関与する脳の一部である大脳基底核で行われるプロセスに関連しています。 「単純なパターン認識を超える AI が必要な場合は、さまざまなパーツが必要になります」と Sejnowksi 氏は述べています。
ただし、プロジェクトが成功した場合、インテリジェンス データの分析以上のことが行われます。成功したアルゴリズムは、脳がどのように世界を理解するかについての重要な真実を明らかにします。特に、脳が実際に合成による分析を介して機能していることを確認するのに役立ちます。脳は、世界に関する独自の予測と、私たちの感覚を洗い流す入力データを比較します。意識のレシピの重要な要素は、想像力と知覚の絶え間なく変化する混合物であることを明らかにします。タイ・シン・リー氏は、「将来の出来事を予測し、それを使って行動を導くのは想像力です。これらの研究者は、考える機械を構築することで、思考自体の秘密を明らかにしたいと考えています。
