Kombinasi AI dan ilmu otak menjanjikan manfaat untuk kedua bidang
Cetan Pandarinah ingin memberi orang lumpuh kesempatan untuk mengoperasikan objek dengan bantuan lengan robot secara alami seperti dengan lengannya sendiri. Untuk mencapai tujuan ini, ia mengumpulkan catatan aktivitas otak pada orang lumpuh. Harapannya, yang dibagikan oleh banyak peneliti, adalah memungkinkan untuk menetapkan pola aktivitas listrik di neuron yang mengontrol pergerakan tangan sehingga instruksi ini kemudian dapat diserahkan ke prostesis. Ini pada dasarnya adalah pembacaan pikiran.
"Ternyata sinyal-sinyal otak ini sangat sulit dipahami," kata seorang insinyur biomedis di Institut Teknologi Georgia di Atlanta Pandarin. Dalam mencari solusi untuk masalah tersebut, ia beralih ke AI. Dia menggunakan rekaman aktivitas otaknya untuk melatih jaringan saraf tiruan - arsitektur komputer, gagasan yang dipinjam dari otak, dan mengatur tugasnya mereproduksi data.
Catatan dibuat pada sekelompok kecil neuron di otak - sekitar 200 dari 10-100 juta neuron yang mengontrol pergerakan tangan manusia. Agar sampel sekecil itu masuk akal, komputer harus menemukan pola yang oleh peneliti disebut faktor tersembunyi yang mengendalikan perilaku keseluruhan aktivitas otak yang direkam. Studi ini mengungkapkan dinamika temporal dari aktivitas saraf, menghasilkan serangkaian instruksi yang lebih akurat untuk gerakan tangan daripada metode sebelumnya. "Sekarang kita dapat mengatakan, untuk milidetik terdekat, bahwa hewan percobaan mencoba bergerak pada sudut yang tepat ini," Pandarinakh menjelaskan, "ini adalah apa yang perlu kita ketahui untuk mengendalikan lengan robot."
Karyanya hanyalah salah satu contoh dari interaksi yang berkembang antara AI dan ilmu kognitif. AI, dengan kemampuannya untuk mengidentifikasi pola dalam kumpulan data yang besar dan kompleks, telah membuat kemajuan luar biasa dalam dekade terakhir, khususnya meniru proses di mana otak melakukan perhitungan tertentu. JST, mirip dengan jaringan neuron yang membentuk otak, memberi komputer kemampuan untuk membedakan gambar kucing dari gambar lain, mengidentifikasi pejalan kaki dengan akurasi yang cukup untuk mengendarai kendaraan tak berawak, dan mengenali ucapan dan menanggapinya. Sekarang, ilmu kognitif mulai mendapatkan manfaat dari kekuatan AI, baik sebagai model untuk mengembangkan dan menguji ide-ide tentang bagaimana otak melakukan perhitungan, dan sebagai alat untuk memproses array data yang kompleks yang diperoleh dalam studi seperti yang dilakukan oleh Pandarinakh. "Teknologi telah membuat revolusi lengkap dalam perkembangannya dan sekarang sedang diterapkan untuk memahami bagaimana otak itu sendiri bekerja," katanya [
Chethan Pandarinath Pub. ] Siklus saling memperkuat ini kemungkinan akan berlanjut. Karena AI memungkinkan ahli saraf untuk mendapatkan ide tentang bagaimana otak melakukan perhitungan, penelitian lebih lanjut mereka dapat mengarah pada mesin yang dapat mengambil lebih banyak kecerdasan manusia.
Secara alami, kedua disiplin ilmu tersebut bergabung bersama, kata Manesh Sahani, seorang ahli teori ilmu saraf dan peneliti pembelajaran mesin di Departemen Neurobiologi Komputasi Gatsby, University College London. “Kami mempelajari hal yang sama secara efektif. Dalam satu kasus, kami bertanya bagaimana menyelesaikan masalah pembelajaran ini secara matematis, sehingga dapat diimplementasikan secara efektif dalam mesin. Dalam kasus lain, kami melihat satu-satunya bukti bahwa masalah dapat diselesaikan adalah otak “[
Maneesh Sahani Pub. ]
Bekerja dengan data
Metode AI berguna tidak hanya untuk membuat model dan menghasilkan ide, tetapi juga sebagai alat untuk memproses data. “Data saraf sangat kompleks, jadi kami sering menggunakan metode pembelajaran mesin hanya untuk menemukan struktur di dalamnya,” kata Sahani. Kekuatan utama pembelajaran mesin adalah mengenali pola yang mungkin terlalu halus atau terlalu tersembunyi dalam kumpulan data besar untuk dideteksi orang.
Pencitraan resonansi magnetik fungsional, misalnya, menghasilkan gambar aktivitas di seluruh otak dengan resolusi 1-2 milimeter setiap detik atau lebih, berpotensi berjam-jam. "Tugas neurobiologi kognitif adalah bagaimana menemukan sinyal yang berguna dalam gambar yang sangat, sangat besar," kata Nicholas Turk-Brown, seorang ilmuwan saraf kognitif di Yale University di New Haven, Connecticut. Turk-Brown memimpin salah satu dari beberapa proyek mencari ide-ide segar di persimpangan ilmu data dan ilmu saraf [
Nicholas B Turk-Browne Pub. ]
Menggunakan mesin untuk menganalisis data ini mempercepat penelitian. "Ini adalah perubahan besar dalam bagaimana penelitian neurobiologis dilakukan," kata David Susillo, kalkulator saraf untuk tim Google Brain di San Francisco, California. “Mahasiswa pascasarjana tidak perlu melakukan pekerjaan rutin yang tidak perlu - mereka dapat fokus pada masalah yang lebih besar. Anda dapat mengotomatisasi banyak dan mendapatkan hasil yang lebih akurat. "
Reproduksi perasaan
Menciptakan sistem buatan yang akan mereproduksi data otak adalah pendekatan yang diambil oleh Daniel Yamins, seorang ilmuwan saraf komputasi di Institut Ilmu Saraf Wu Tsai di Universitas Stanford. Pada 2014, ketika Yamins, setelah menerima gelar doktor di Massachusetts Institute of Technology di Cambridge, dan rekan-rekannya melatih jaringan saraf untuk memprediksi aktivitas otak monyet ketika mengenali objek tertentu [
Yamins, DLK et al., 2014 ]. Pengakuan objek pada manusia dan monyet dilakukan oleh sistem otak yang disebut
aliran visual ventral , yang memiliki dua fitur arsitektur utama. Pertama,
retinotopy , yang berarti bahwa jalur pemrosesan visual di otak diatur sedemikian rupa sehingga mata merasakan informasi visual. Kedua, sistem bersifat hierarkis; area tertentu dari korteks melakukan tugas yang semakin kompleks dari lapisan yang hanya mengidentifikasi kontur objek ke lapisan yang lebih tinggi yang mengenali seluruh objek, seperti mobil atau wajah. Rincian tentang cara kerja lapisan atas tidak diketahui, tetapi sebagai hasilnya, otak dapat mengenali suatu objek di berbagai posisi, di bawah kondisi pencahayaan yang berbeda, ketika ia memiliki ukuran yang berbeda karena jarak yang berbeda padanya, dan bahkan ketika sebagian tersembunyi. Komputer sering kali tidak dapat mengatasi kesulitan seperti itu.
Jamins dan rekan-rekannya membangun jaringan syaraf pembelajaran yang dalam sesuai dengan arsitektur hierarkis retinotopik yang sama seperti di otak, dan menunjukkan ribuan gambar dari 64 objek yang berbeda dalam karakteristik seperti ukuran dan posisi. Ketika jaringan belajar mengenali objek, ia mengembangkan beberapa pola aktivitas saraf yang mungkin. Para peneliti kemudian membandingkan pola komputer ini dengan pola yang direkam pada neuron monyet pada saat mereka melakukan tugas yang sama. Ternyata opsi-opsi jaringan yang paling dikenali objek memiliki pola aktivitas yang paling dekat dengan pola otak monyet. "Kami menemukan bahwa struktur saraf disimulasikan dalam struktur jaringan," kata Jamins. Para peneliti dapat membandingkan area jaringan mereka dengan area otak dengan akurasi hampir 70%.
Hasil menegaskan bahwa arsitektur aliran visual ventral sangat penting untuk proses pengenalan dalam sistem visual otak. Pada tahun 2018, Jamins dan rekannya membuat terobosan serupa dengan menjelajahi korteks pendengaran, di mana mereka menciptakan jaringan saraf pembelajaran yang mendalam yang dapat mengidentifikasi kata-kata dan genre musik dalam klip 2 detik dengan akurasi yang sama seperti manusia [
Kell, AJE et al. 2018 ]. Ini membantu para peneliti menentukan area mana dari korteks serebral yang melakukan pengenalan suara dan yang mengenali musik - sebuah langkah baru dalam memahami sistem pendengaran otak.
Ahli saraf masih jauh dari memahami bagaimana otak menangani tugas seperti membedakan antara jazz dan musik rock, tetapi pembelajaran mesin memberi mereka kesempatan untuk membangun model yang dapat digunakan untuk mengeksplorasi masalah ini. Jika peneliti dapat membuat sistem yang bekerja mirip dengan otak, kata Jamins, struktur mereka dapat menyarankan ide tentang bagaimana otak memecahkan masalah seperti itu. Ini penting karena para ilmuwan sering tidak memiliki hipotesis yang berfungsi tentang cara kerja otak [
Daniel Yamins Pub. ]
Setelah para peneliti membuat hipotesis, langkah selanjutnya adalah mengujinya. Dengan mengubah parameter model AI, Anda bisa mendapatkan gagasan tentang aktivitas otak, dan melihat faktor apa yang mungkin penting untuk tugas tertentu. Para peneliti dibatasi oleh pertimbangan etis dalam hal seberapa banyak mereka dapat mengganggu proses dalam otak manusia yang sehat. Oleh karena itu, banyak rekaman aktivitas saraf pada manusia dibuat pada otak mereka yang menderita epilepsi dan yang perlu mengangkat jaringan otak. Hal ini disebabkan oleh fakta bahwa implantasi elektroda ke dalam jaringan otak diperbolehkan, yang mana akan dihapus. Hewan eksperimental memungkinkan peneliti untuk menggunakan prosedur yang lebih invasif, tetapi ada bentuk perilaku manusia, khususnya ucapan, yang tidak dapat direproduksi oleh spesies lain. Sistem AI yang dapat meniru perilaku manusia dan mengalami dampak apa pun tanpa menimbulkan masalah etika akan memberi para ilmuwan alat tambahan untuk mempelajari cara kerja otak. Para peneliti, misalnya, dapat mengajarkan jaringan untuk mereproduksi pembicaraan, dan kemudian menurunkannya untuk menyelidiki bagaimana ini terkait dengan paparan (contoh menarik lainnya dari pemodelan perasaan jaringan saraf - perasaan angka diberikan dalam
publikasi ini
di Habré -
catatan penerjemah ).
Pertimbangan umum
Ilmu komputer dan kognitif memecahkan beberapa pertanyaan penting, dan memahami bagaimana menjawabnya di bidang mana pun dapat menyebabkan kemajuan di kedua bidang tersebut. Salah satu dari pertanyaan ini adalah bagaimana tepatnya pelatihan berlangsung? Jaringan saraf terutama melakukan pembelajaran yang diawasi - pelatihan dengan seorang guru. Misalnya, untuk pengenalan gambar, mereka dapat dilatih menggunakan gambar yang diperoleh dari basis data ImageNet, yang terdiri dari lebih dari 14 juta foto objek yang telah diklasifikasikan dan dijelaskan oleh orang-orang. Selama pelatihan, jaringan membuat deskripsi statistik tentang kesamaan gambar dengan label yang sama - misalnya, "cat". Ketika jaringan menyajikan gambar baru, itu diperiksa untuk keberadaan atribut numerik yang sama, jika ada kecocokan, maka gambar tersebut dinyatakan oleh kucing.
Jelas, ini bukan cara anak-anak belajar, kata Tomaso Poggio, spesialis kalkulus saraf di Pusat Otak, Pikiran dan Mesin, yang merupakan bagian dari Massachusetts Institute of Technology. "Seorang anak melihat sekitar satu miliar gambar dalam dua tahun pertama kehidupan," katanya. Tetapi hanya beberapa dari gambar ini yang diberi label atau diberi nama. "Kami belum tahu bagaimana menghadapi hal ini," kata Poggio, "dan cara membuat mesin yang belajar terutama dari data yang tidak ditandai."
Laboratoriumnya berada pada tahap awal proyek, yang akan memungkinkan jaringan saraf untuk melakukan pelatihan tanpa guru, untuk menemukan pola dalam video yang tidak diberi tag. “Kami tahu bahwa hewan dan manusia dapat melakukan ini,” kata Poggio. - "Pertanyaannya adalah, bagaimana?"
Jamins membahas masalah belajar tanpa guru dengan mengembangkan program yang berperilaku seperti anak-anak dalam permainan, mewawancarai lingkungan mereka melalui interaksi acak, dan secara bertahap mengembangkan pemahaman tentang cara kerja dunia. Pada dasarnya, ia memprogram rasa ingin tahu untuk memotivasi komputer untuk menjelajahi lingkungan dengan harapan bahwa pola perilaku baru akan muncul.
Masalah lain yang belum terselesaikan adalah apakah aspek-aspek tertentu dari kecerdasan "ditetapkan" evolusi. Sebagai contoh, orang mungkin cenderung menghadapi pengakuan, anak-anak melakukan ini sejak jam-jam pertama kehidupan. Mungkin, Poggio menyarankan, gen kita menyandikan mekanisme untuk mempelajari tugas ini dengan cepat dan awal. Menguraikan apakah ide ini benar dapat memungkinkan para ilmuwan untuk merancang satu cara untuk membantu mesin belajar. Peneliti lain sedang mempelajari dasar-dasar saraf moralitas. "Orang-orang takut dengan mobil 'jahat'," kata Poggio. "Kita mungkin perlu lebih memahami bagaimana perilaku moral kita muncul jika kita ingin membangun mobil yang baik, mesin etis." [
Tomaso Poggio Pub. ]
Jamins mengatakan sulit untuk memahami bagaimana ilmu saraf saja dapat mengungkap cara belajar bekerja tanpa guru. "Jika Anda tidak memiliki solusi AI, jika Anda tidak memiliki apa pun yang bekerja secara buatan, Anda tidak dapat memiliki model otak," katanya. Mungkin, ia percaya, ilmuwan AI akan datang dengan satu atau lebih solusi yang kemudian dapat diuji oleh ahli saraf.
Jawaban untuk teka-teki ini akan membantu menciptakan mesin yang lebih cerdas yang akan dapat belajar di lingkungan mereka, dan yang dapat menggabungkan kecepatan dan kekuatan pemrosesan komputer dengan kemampuan manusia. Pemrosesan data dan kemampuan untuk mensimulasikan pada komputer sudah menghasilkan hasil dalam ilmu otak, dan ini hanya akan berkembang. "AI akan memiliki dampak besar pada ilmu saraf," kata Susillo, "dan saya ingin terlibat."
Komentar oleh penerjemah . Mengingat kekhasan audiensi Habr, yang tidak memerlukan penjelasan tentang masalah-masalah seperti jaringan saraf atau pembelajaran mendalam, terjemahan dibuat dengan beberapa singkatan yang tidak penting untuk memahami artikel.