Les systèmes d'intelligence artificielle d'aujourd'hui peuvent vaincre les champions dans des jeux difficiles comme les échecs, le go et le
Texas Hold'em . Dans les simulateurs de vol, ils peuvent abattre les meilleurs pilotes. Ils sont supérieurs aux médecins humains pour créer des points chirurgicaux précis et poser des diagnostics de cancer. Mais dans certains cas, un enfant de trois ans fournira facilement la meilleure IA au monde: lorsque la compétition est liée à un entraînement tellement routinier que les gens ne s'en doutent même pas.
Cette pensée est venue à David Cox, un neuroscientifique à Harvard, un expert en IA, le fier père d'une fille de trois ans, quand elle a remarqué un squelette à longues jambes au Musée d'Histoire Nationale, l'a pointé du doigt et a dit: "Chameau!" Sa seule rencontre avec un chameau a eu lieu plusieurs mois auparavant lorsque son père lui a montré un chameau dessiné dans un livre d'images.
Les chercheurs en IA appellent cette capacité à identifier un objet à partir d'un seul exemple «apprendre à la fois», et ils sont terriblement jaloux des capacités des petits. Les systèmes d'IA d'aujourd'hui apprennent d'une manière complètement différente. Selon un système de formation autonome appelé «deep learning», le programme reçoit un ensemble de données permettant de tirer des conclusions. Afin de former l'IA reconnaissant les chameaux, le système doit digérer des milliers d'images de chameaux - dessins, diagrammes anatomiques, photographies de chameaux à une et deux bosses - toutes les images étiquetées «chameau». AI aura également besoin de milliers d'autres photos marquées «pas un chameau». Et lorsqu'il aura vécu toutes ces données et déterminé les traits distinctifs de l'animal, il deviendra un excellent identifiant pour les chameaux. Mais la fille de Cox aura alors le temps de passer aux girafes et aux ornithorynques.
Cox a mentionné sa fille, expliquant un programme du gouvernement américain appelé Machine Intelligence de Cortical Networks, Microns. Son objectif ambitieux est de désosser l'intelligence humaine afin que les programmeurs puissent créer une IA améliorée. Premièrement, les neuroscientifiques doivent découvrir quelles stratégies de calcul vont dans la matière grise du cerveau; puis l'équipe travaillant avec les données les traduira en algorithmes. L'une des principales tâches de l'IA finale sera la formation à la fois. "Les gens ont une formidable opportunité de tirer des conclusions et de généraliser", explique Cox, "et c'est ce que nous essayons de saisir."
Le programme de cinq ans, qui a reçu un financement de 100 millions de dollars de
la Intelligence Intelligence Agency (IARPA), se concentre sur le cortex visuel, la partie du cerveau qui traite les informations visuelles. Travaillant avec des souris et des rats, les trois équipes de Microns prévoient de disposer la disposition des neurones dans un millimètre cube de tissu cérébral. Cela peut ne pas sembler si impressionnant, mais ce cube contient environ 50 000 neurones connectés les uns aux autres via 500 millions de connexions, synapses. Les chercheurs espèrent qu'une compréhension claire de toutes les connexions leur permettra d'identifier les "circuits" neuronaux qui sont activés lors du travail du cortex visuel. Le projet nécessite un système de neuroimagerie spécial, montrant les neurones individuels avec une résolution au niveau des nanomètres, ce qui n'a pas encore été atteint pour une partie du cerveau de cette taille.
Bien que des représentants de plusieurs instituts travaillent dans chaque équipe Microns, la plupart des membres de l'équipe, dirigée par Cox, professeur adjoint de biologie moléculaire et cellulaire et d'informatique à Harvard, travaillent dans le même bâtiment sur le territoire de Harvard. Lors d'une promenade dans le laboratoire, vous pouvez observer des rongeurs occupés à des tâches dans le "club de jeu" pour rats; une machine à trancher le cerveau comme le meilleur coupe-saucisse automatique; l'un des microscopes les plus rapides et les plus puissants de la planète. Avec un tel équipement fonctionnant au maximum et avec d'énormes investissements en force humaine, Cox estime qu'ils ont toutes les chances de casser le code de ce malheureux millimètre cube.
Essayez d'imaginer cette énorme puissance du cerveau humain. Pour traiter les informations sur le monde et maintenir le fonctionnement du corps, les impulsions électriques traversent 86 milliards de neurones pressés dans les tissus spongieux à l'intérieur de votre crâne. Chaque neurone a un long
axone qui s'enroule à travers ce tissu et lui permet de se connecter à des milliers d'autres neurones, résultant en des milliards de connexions. Les dessins d'impulsions électriques sont en corrélation avec tous les sens et sensations d'une personne: mouvement des doigts, digestion du déjeuner, tomber amoureux ou reconnaître un chameau.
Microscope laser à deux photons. Un laser infrarouge scanne le tissu cérébral d'un animal vivant qui effectue une tâche spécifique. Lorsque deux photons frappent simultanément un neurone, une étiquette fluorescente émet un photon avec une longueur d'onde différente. Le microscope enregistre la vidéo avec ces flashs (ci-dessus). «Vous pouvez voir comment le rat pense», explique David Cox.Les programmeurs tentent d'imiter la fonction cérébrale depuis les années 40, lorsqu'ils ont créé des structures logicielles appelées réseaux de neurones artificiels. La plupart des meilleures IA modernes utilisent une forme moderne de cette architecture: réseaux de neurones profonds, réseaux de neurones convolutifs, réseaux de neurones à rétroaction, etc. Ces réseaux, créés sur la base de la structure du cerveau, se composent de nombreux nœuds de calcul, de neurones artificiels qui effectuent de petites tâches spécifiques et sont connectés les uns aux autres afin que l'ensemble du système puisse effectuer des choses impressionnantes.
Les réseaux de neurones ne pouvaient pas copier le cerveau anatomique avec plus de précision, car la science ne dispose toujours pas d'informations de base sur la configuration du système nerveux. Jacob Vogelstein, chef de projet Microns à l'IARPA, explique que les chercheurs ont généralement travaillé à la micro-échelle ou à la macro-échelle. «Nous avons utilisé des outils qui suivaient des neurones individuels ou collectaient des signaux provenant de vastes zones du cerveau», dit-il. «Il y a une grande lacune dans la compréhension des opérations au niveau du circuit - comment des milliers de neurones travaillent ensemble pour traiter l'information.»
La situation a changé grâce aux récentes percées technologiques qui ont permis aux neuroscientifiques de construire des cartes de «
connectome » qui révèlent de nombreuses connexions entre les neurones. Mais les microns ont besoin de plus qu'un simple schéma de connexion statique. L'équipe doit démontrer comment ces connexions sont activées lorsque le rongeur voit, apprend et se rappelle. «C'est très similaire à la façon dont une personne essaie de comprendre le fonctionnement d'un circuit électronique», explique Vogelstein. "La puce peut être examinée en détail, mais vous ne comprendrez pas ce qu'elle devrait faire avant de voir comment elle fonctionne."
Pour l'IARPA, un résultat réel sera obtenu si les chercheurs peuvent suivre le schéma des neurones impliqués dans la reconnaissance et le traduire en une architecture plus cérébrale de réseaux de neurones artificiels. «J'espère que les stratégies de calcul du cerveau peuvent être reproduites en termes de mathématiques et d'algorithmes», explique Vogelstein. Le gouvernement estime que les systèmes d'IA qui fonctionnent d'une manière similaire au cerveau seront en mesure de mieux faire face aux tâches réelles que leurs prédécesseurs. Bien sûr, comprendre comment fonctionne le cerveau est une tâche noble, mais les agences de renseignement veulent que l'IA apprenne rapidement à reconnaître non seulement un chameau, mais aussi un visage à moitié caché dans le cadre granuleux d'une caméra de surveillance.
Un «club de jeu» pour les rats Cox est une petite pièce dans laquelle quatre boîtes noires de taille micro-ondes sont empilées les unes sur les autres. Dans chaque boîte, il y a un visage de rat à l'écran, et devant son nez, il y a deux robinets.
Au Laboratoire national d'Argonne, le synchrotron APS accélère les électrons et ils se brisent sur un fil métallique, produisant des rayons X extrêmement brillants qui se concentrent sur un petit morceau de tissu cérébral. Les images radiographiques prises sous plusieurs angles sont combinées pour créer une image tridimensionnelle montrant chaque neurone à l'intérieur d'une pièce.
Neurones dans le tissu cérébralDans l'expérience actuelle, les rats tentent de faire face à une tâche difficile. L'écran montre des images en trois dimensions créées par un ordinateur. Ce ne sont pas des objets du monde extérieur, juste des formes abstraites bosselées. Lorsque le rat voit l'objet A, il doit lécher le robinet de gauche pour obtenir une goutte de jus sucré. Quand elle voit l'objet B, le jus sera dans le bon robinet. Mais les objets sont représentés sous différents angles, donc le rat devra tourner chaque objet dans son esprit et décider s'il se réfère à A ou B.
Les séances d'entraînement sont diluées par la prise de photos pour lesquelles des rats sont transportés dans le couloir vers un autre laboratoire, où se trouve un grand microscope, recouvert de tissu noir et ressemblant à du matériel photographique à l'ancienne. L'équipe utilise un microscope laser à deux photons pour étudier le cortex visuel d'un animal lorsqu'il regarde un écran où deux objets familiers A et B sont représentés sous des angles différents. Le microscope enregistre les éclairs et la lueur qui se produisent lorsque le laser frappe les neurones actifs, et une vidéo en trois dimensions montre des images ressemblant à des lucioles vertes qui clignotent une nuit d'été. Cox veut savoir comment ces modèles changent lorsqu'un animal devient un expert dans cette tâche.
La résolution du microscope n'est pas assez bonne pour voir les axones reliant les neurones entre eux. Sans ces informations, les scientifiques ne peuvent pas déterminer comment un neurone active le suivant pour créer un circuit de traitement de l'information. Pour ce faire, l'animal doit être tué et le cerveau doit être étudié de plus près.
Les chercheurs taillent un minuscule cube dans le cortex visuel que FedEx livre au Laboratoire national d'Argonne. Là, l'accélérateur de particules utilise un puissant rayonnement X pour construire une carte en trois dimensions montrant les neurones individuels, d'autres types de cellules cérébrales et les vaisseaux sanguins. Les axions connectés dans le cube ne sont également pas visibles sur cette carte, mais cela aide plus tard lorsque les chercheurs comparent des images d'un microscope à deux photons avec des images obtenues à partir de microscopes électroniques. «Pour nous, une radiographie est une
pierre de Rosette », explique Cox.
Puis un morceau du cerveau revient au laboratoire de Harvard de Jeff Lichtman, professeur de biologie moléculaire et cellulaire, un expert de premier plan sur la connectivité cérébrale. L'équipe Lichtman prend ce millimètre cube de cerveau et le découpe avec une machine en 33 000 morceaux de 30 nm d'épaisseur. Ces feuilles les plus fines sont collectées sur des bandes de film et placées sur un substrat en silicium. Les chercheurs utilisent ensuite l'un des microscopes électroniques les plus rapides au monde, qui envoie 61 faisceaux d'électrons à chaque échantillon de tissu et mesure la diffusion des électrons. Une machine de la taille d'un réfrigérateur fonctionne 24 heures sur 24 et produit des images de chaque tranche avec une résolution de 4 nm.
Chaque image ressemble à une section d'un cube de spaghettis bien emballés. Le système de traitement d'image logiciel collecte les tranches dans l'ordre et suit chaque fil de spaghetti allant d'une tranche à l'autre, réalisant des croquis de toute la longueur de l'axone de chacun des neurones ainsi que de ses milliers de connexions avec d'autres neurones. Mais les logiciels perdent parfois un fil ou se confondent les uns avec les autres. Les gens sont meilleurs en informatique qu'en informatique, dit Cox. "Malheureusement, le traitement de tant de données n'est pas suffisant pour les gens partout sur la Terre." Les programmeurs de Harvard et du MIT travaillent sur la tâche de suivi qu'ils doivent résoudre pour construire un diagramme précis de la structure du cerveau.
En superposant ce diagramme sur une carte d'activité cérébrale obtenue avec un microscope à deux photons, on peut détecter des structures cérébrales de calcul. Par exemple, une telle combinaison devrait montrer lequel des neurones du circuit, enflammé lorsque le rat voit un objet étrange, le retourne mentalement à l'envers et décide qu'il ressemble plus à l'objet A.
Un autre problème difficile auquel l'équipe Cox est confrontée est la vitesse. Dans la première phase du projet, qui s'est terminée en mai, chaque équipe devait montrer les résultats d'une étude d'un morceau de tissu cérébral mesurant 100 micromètres cubes. Avec une tranche aussi réduite, l'équipe Cox a terminé la phase de microscopie électronique et de reconstruction en deux semaines. Dans la deuxième phase, les équipes doivent apprendre à traiter des pièces de même taille en quelques heures. La mise à l'échelle de 100 μm
3 à 1 mm
3 se traduit par une augmentation du volume de mille fois. Par conséquent, Coke est obsédé par l'automatisation de chaque étape du processus, de la formation des rats à la vidéo au suivi des connectomes. «Ces projets IARPA font ressembler la science à des ingénieurs», dit-il. "Nous devons faire tourner la manivelle très rapidement."
L'accélération des expériences permet à l'équipe Cox de tester plus de théories liées à la structure du cerveau, ce qui aidera les chercheurs en IA. En apprentissage automatique, le programmeur définit l'architecture générale du réseau de neurones et le programme lui-même décide comment lier les calculs dans une séquence. Par conséquent, les chercheurs envisagent de former des rats et des réseaux de neurones sur la même tâche visuelle et de comparer les modèles de communication et les résultats. «Si nous remarquons certains modèles dans les connexions cérébrales et que nous ne les remarquons pas dans les modèles, cela pourrait être un indice que nous faisons quelque chose de mal», explique Cox.
Un domaine de recherche comprend les règles d'entraînement cérébral. On pense que la reconnaissance des objets passe par un traitement hiérarchique, dans lequel le premier ensemble de neurones reçoit les couleurs et la forme primaires, l'ensemble suivant trouve les bords pour séparer l'objet de l'arrière-plan, etc. Lorsqu'un animal apprend à mieux faire face à la tâche de reconnaissance, les chercheurs peuvent se demander: lequel des ensembles de neurones de la hiérarchie change le plus son activité? Et lorsque l'IA commence à mieux faire face à la même tâche, son réseau neuronal change-t-il de la même manière que le réseau neuronal du rat?
L'IARPA espère que les découvertes seront applicables non seulement à la vision par ordinateur, mais à l'apprentissage automatique en général. «Nous agissons tous de façon aléatoire, mais notre chance est étayée par des preuves», explique Cox. Il note que le cortex cérébral, la couche externe de tissu nerveux dans laquelle se produit une reconnaissance de haut niveau, a une structure «étrangement identique» dans tout le volume. Cette uniformité oblige les neuroscientifiques et les experts en IA à croire que dans le traitement des informations dans le cerveau, un schéma de connexion fondamental peut être utilisé, qu'ils prévoient de détecter. La définition d'un tel proto-schéma peut être un pas en avant vers l'IA à usage général.
En attendant, l'équipe de Cox fait tourner la manivelle, essayant de faire fonctionner plus rapidement les procédures éprouvées, un autre chercheur de Microns travaille sur une idée radicale. Si cela fonctionne, dit George Church, professeur au Harvard Institute of Biology-inspiré Technology. Wyssa, elle peut révolutionner la science du cerveau.
Church dirige l'équipe Microns avec Tai Sing Lee de l'Université Carnegie Malon à Pittsburgh. Church est responsable de l'établissement de la connexion, et son approche est remarquablement différente des autres équipes. Il n'utilise pas de microscope électronique pour suivre les connexions axonales. Il pense que cette technologie est trop lente et produit trop d'erreurs. Il dit que lorsque vous essayez de suivre les axones dans un millimètre cube de tissu, les erreurs s'accumulent et contaminent les données de connexion.
La méthode de Church ne dépend pas de la longueur de l'axone ou de la taille de la pièce du cerveau étudiée. Il utilise des souris génétiquement modifiées et une technologie appelée "
code à barres ADN " qui marque chaque neurone avec un identifiant génétique unique qui peut être lu à la fois à partir de la frange de ses dendrites et à l'extrémité de son long axone. "Peu importe la taille de votre axone", dit-il. "Avec les codes à barres, vous trouvez deux extrémités, et la façon dont tout est confus au milieu n'a pas d'importance." Son équipe utilise des tranches de tissu cérébral plus épaisses que l'équipe de Cox - 20 μm au lieu de 30 nm - car elles n'ont pas à s'inquiéter de perdre le chemin exact du passage des axones entre les tranches. Les machines de séquençage d'ADN enregistrent tous les codes-barres présents dans une tranche donnée, puis le programme traite les listes d'informations génétiques et crée une carte montrant quels neurones sont associés à quels.
Church et son collègue Anthony Zador, professeur de neurosciences au Cold Spring Harbor Laboratory de New York, ont prouvé dans des expériences précédentes que les technologies de codes à barres et de séquençage fonctionnent, mais n'ont pas encore collecté de données dans une carte de connectivité complète nécessaire pour travailler sur le projet Microns . Si l'équipe réussit, Church dit que Microns ne sera que le début de ses tentatives pour construire une carte du cerveau: alors il veut construire un diagramme de toutes les connexions dans tout le cerveau de la souris, dans lequel vous pouvez trouver 70 millions de neurones et 70 milliards de connexions. «Travailler avec un millimètre cube signifie être extrêmement myope», dit Church. "Mes plans ne s'arrêtent pas là."
Une carte de la région du cerveau basée sur un code à barres ARN
Machine de séquençageCes cartes à grande échelle peuvent contribuer à l'émergence de nouvelles idées pour le développement de l'IA qui imitent à fond le cerveau biologique.
Mais Church, jouissant du rôle d'un provocateur, imagine une manière différente de développer les ordinateurs: il dit que vous devez cesser d'essayer de créer des copies en silicium du cerveau et construire un cerveau biologique qui peut gérer les tâches informatiques mieux que l'homme. «Je pense que nous aurons bientôt l'occasion de nous engager dans la neurobiologie synthétique et de créer des versions modifiées de cerveaux biologiques», dit-il. Et bien que les ordinateurs au silicium surpassent les systèmes biologiques dans la vitesse du traitement de l'information, Church imagine un cerveau artificiel, complété par des circuits spéciaux qui accélèrent son travail.Church estime que le projet d'ingénierie inverse du cerveau Microns pourrait ne pas réussir. Il dit que le cerveau est si compliqué que même si les chercheurs sont capables de construire de telles machines, ils peuvent ne pas comprendre pleinement tous les secrets du cerveau - et ce n'est pas effrayant. «Je pense que la compréhension est un fétiche des scientifiques», dit Church. «Il peut arriver que la création d'un cerveau soit plus facile que sa compréhension.»