O que os carros inteligentes devem aprender com o neocórtex

Os computadores transformaram trabalho e entretenimento, transporte e medicina, jogos e esportes. E, apesar de todo o seu poder, essas máquinas ainda não são capazes de executar as tarefas mais simples que uma criança pode realizar - por exemplo, mover-se em uma sala desconhecida ou usar um lápis.

Finalmente, uma solução para esse problema fica disponível. Aparecerá no cruzamento de duas áreas de pesquisa: o desenvolvimento reverso do cérebro e a exuberante área florida da inteligência artificial. Nos próximos 20 anos, essas duas áreas se fundirão e lançarão uma nova era de máquinas inteligentes.

Por que precisamos entender como o cérebro funciona para construir carros inteligentes? Embora técnicas de aprendizado de máquina, como redes neurais profundas, tenham demonstrado recentemente resultados impressionantes, elas ainda estão muito longe de serem inteligentes, de serem capazes de entender e agir no mundo ao nosso redor da maneira que fazemos. O único exemplo de inteligência, a capacidade de aprender, planejar e executar um plano é o cérebro. Portanto, devemos entender os princípios subjacentes à inteligência humana e usá-los no desenvolvimento de máquinas verdadeiramente inteligentes.

Nossa empresa Numenta , localizada em Redwood City, pc. Na Califórnia, estudamos o neocórtex (o novo córtex) - o maior dos componentes do cérebro e o principal responsável pela inteligência. Nosso objetivo é entender como funciona e identificar os princípios subjacentes à consciência humana. Nos últimos anos, alcançamos grande sucesso em nosso trabalho, definindo várias propriedades da inteligência biológica que acreditamos que devem ser incorporadas em futuras máquinas pensantes.

Para entender essas propriedades, você precisa começar com o básico da biologia. O cérebro humano é semelhante ao cérebro dos répteis. Eles têm uma medula espinhal que controla os reflexos; um tronco cerebral que controla comportamento autônomo, como respiração e freqüência cardíaca; cérebro médio, controlando emoções e comportamento simples. Mas os seres humanos e todos os mamíferos têm algo que os répteis não têm: um neocórtex.

O neocórtex é uma folha dobrada com 2 mm de espessura. Se pudesse ser esticado, seria do tamanho de um guardanapo grande. Nos seres humanos, ocupa 75% do cérebro. É essa parte que nos torna inteligentes.

No nascimento, o neocórtex não sabe quase nada; aprende através da experiência. Tudo o que aprendemos sobre o mundo - dirigir um carro, fazer café em uma máquina de venda automática e milhares de outras coisas com as quais interagimos todos os dias - é armazenado no neocórtex. Ele aprende o que são esses objetos, onde estão e como se comportam. O neocórtex gera comandos de motilidade; portanto, quando você cozinha ou escreve um programa, é o neocórtex que controla esse comportamento. Uma linguagem também é criada e entendida pelo neocórtex.

O neocórtex, como todo o cérebro e sistema nervoso, consiste em células chamadas neurônios. Portanto, para entender como o cérebro funciona, precisamos começar com os neurônios . Seu neocórtex contém cerca de 30 bilhões de neurônios. Um neurônio típico tem um axônio em forma de cauda e várias extensões em forma de árvore - dendritos . Se você imagina que um neurônio é um determinado sistema de sinal, um axônio é um transmissor e dendritos são receptores. Nas ramificações dos dendritos existem 5.000 - 10.000 sinapses, cada uma das quais se conecta às mesmas sinapses de outros neurônios. No total, existem mais de 100 trilhões de conexões sinápticas no cérebro.

Sua experiência com o mundo exterior - que você reconhece o rosto do seu amigo, curte a música, segura sabão na mão - apareceu como resultado de informações vindas dos olhos, ouvidos e outros sentidos que passaram para o neocórtex e grupos forçados de neurônios para malhar. Quando um neurônio dispara, sua explosão eletroquímica viaja ao longo do axônio e passa pelas sinapses para outros neurônios. Se o neurônio receptor recebe pulsos de entrada suficientes, ele pode disparar em resposta e ativar outros neurônios. Dos 30 bilhões de neurônios contidos no neocórtex, 1-2% funcionam a qualquer momento, o que significa que milhões de neurônios estão ativos a qualquer momento. O conjunto de neurônios ativos muda quando você se move e interage com o mundo. Sua sensação de paz, que você pode considerar uma experiência razoável, é determinada pelo padrão em constante mudança dos neurônios ativos.

No neocórtex, esses desenhos são armazenados devido à formação de novas sinapses. O armazenamento deles permite que você reconheça rostos e lugares quando os vê novamente e os recupera da memória. Por exemplo, quando você pensa no rosto do seu amigo, um padrão de neurônios desencadeados aparece no neocórtex, semelhante ao padrão que aparece quando você realmente vê o rosto dele.

É incrível como o neocórtex é simples e complexo. É complexo porque está dividido em dezenas de sites, sendo cada um deles responsável por diferentes funções conscientes. Em cada região, existem muitas camadas de neurônios, bem como dezenas de tipos de neurônios, e esses neurônios estão conectados em complexos complexos.

O neocórtex pode ser chamado de simples, pois os detalhes de cada site são quase os mesmos. No processo de evolução, apareceu um único algoritmo que se aplica a tudo o que o neocórtex faz. A existência de um algoritmo universal é um fato empolgante, porque, se pudermos decifrá-lo, podemos chegar à essência do conceito de "inteligência" e introduzir esse conhecimento em futuras máquinas.

Mas não é isso que a IA faz? Não são todas as IAs construídas em " redes neurais " semelhantes às que existem no cérebro? Na verdade não. As tecnologias de IA se referem à neurobiologia, mas elas usam um modelo de neurônio simplificado demais que ignora os principais aspectos dos neurônios reais e não estão conectados da mesma maneira que na arquitetura cerebral real e complexa. Existem muitas diferenças, e elas são importantes. É por isso que as IAs de hoje fazem um bom trabalho com marcação de imagem ou reconhecimento de fala, mas não podem raciocinar, planejar e agir de forma criativa.

Avanços recentes no entendimento de como o neocórtex funciona nos levam a especular sobre como as máquinas pensantes do futuro podem ser arranjadas. Vou tentar descrever esses aspectos da inteligência biológica que são necessários, mas ausentes na IA moderna. São treinamentos de remontagem, representações distribuídas e implementação relacionadas ao uso do movimento para ensinar as realidades do mundo.

Aprendizagem por religação: o cérebro exibe propriedades surpreendentes relacionadas à aprendizagem. Primeiro, aprendemos rápido. Em segundo lugar, o treinamento é gradual. Podemos aprender algo novo sem treinar o cérebro a partir do zero e sem esquecer o que já aprendemos. Em terceiro lugar, o cérebro está constantemente aprendendo. Movendo-se pelo mundo, planejando e agindo, não paramos de aprender. Treinamento rápido, incremental e contínuo são ingredientes indispensáveis ​​que permitem que sistemas inteligentes se adaptem a um mundo em mudança. Os neurônios são responsáveis ​​pelo aprendizado, e a complexidade dos neurônios reais os torna uma poderosa máquina de aprendizado.

Nos últimos anos, os neurocientistas aprenderam alguns fatos interessantes sobre dendritos. Cada uma de suas ramificações funciona como um conjunto de reconhecimento de padrões. Acontece que 15 a 20 sinapses ativas no ramo são suficientes para reconhecer um padrão de atividade em um grande conjunto de neurônios. Portanto, um único neurônio pode reconhecer centenas de padrões diferentes. Alguns deles fazem funcionar, enquanto outros alteram o estado interno da célula e funcionam como previsões de ações futuras.

Ao mesmo tempo, os neurocientistas acreditavam que o aprendizado ocorre apenas modificando a eficácia das sinapses existentes, de modo que, quando um sinal de entrada chega, a probabilidade de um neurônio ligado por uma sinapse diminuir ou aumentar. Mas agora já sabemos que a maior parte do treinamento se deve ao cultivo de novas sinapses entre as células - há uma "remontagem" do cérebro. Até 40% das sinapses de neurônios são substituídas diariamente por novas. Novas sinapses levam ao surgimento de novos esquemas de comunicação entre neurônios e, consequentemente, a novas memórias. Como os ramos dos dendritos são quase independentes, quando um neurônio aprende a reconhecer um novo padrão em um dos dendritos, isso não impede que o neurônio já aprenda com outros dendritos.

É por isso que podemos aprender coisas novas sem quebrar memórias antigas, e não precisamos treinar nossos cérebros do zero toda vez que aprendemos algo novo. As redes neurais de hoje não têm esses recursos.



Máquinas inteligentes não precisam simular toda a complexidade dos neurônios biológicos, mas as oportunidades disponíveis através de dendritos e o treinamento através da remontagem são essenciais. Esses recursos devem estar em futuros sistemas de IA.

Visões distribuídas: o cérebro e o computador apresentam informações de diferentes maneiras. Qualquer combinação de zeros e uns é potencialmente possível na memória do computador; portanto, se você mudar um pouco, isso poderá levar a uma mudança completa de significado - assim como substituir as letras "o" por "e" na palavra "gato" produzirá algo não relacionado a ele a palavra "baleia". Essa visão não é confiável.

O cérebro usa o chamado representações distribuídas esparsas (SDR). Eles são chamados de esparsos porque, a qualquer momento, a atividade é relativamente poucos neurônios. A atividade dos neurônios muda constantemente quando você se move ou pensa, mas a porcentagem deles é sempre pequena. Se imaginarmos que cada neurônio é um pouco, o cérebro usa milhares de bits para representar informações (muito mais que uma representação de 8 ou 64 bits em um computador), mas apenas uma pequena parte dos bits a qualquer momento é 1; todos os outros são 0.

Suponha que você queira introduzir o conceito de um gato usando SDR. Você pode usar 10.000 neurônios, dos quais 100 estarão ativos.Todos os neurônios ativos representam um certo aspecto do gato, por exemplo, "animal de estimação", "fofo", "com garras". Se vários neurônios morrerem, ou vários novos se juntarem, o novo SDR ainda será uma boa idéia sobre o gato, uma vez que na maioria dos casos os neurônios ativos serão os mesmos. Assim, em vez de uma representação não confiável, o SDR é resistente a erros e ruídos. Quando construímos versões de silício do cérebro, elas serão tolerantes a erros inerentes.

Quero mencionar dois recursos do SDR. Em primeiro lugar, a sobreposição facilita a comparação de duas coisas e permite que você entenda como elas são semelhantes e como são diferentes. Suponha que um SDR represente um gato e o outro um pássaro. Nos dois SDRs, os mesmos grupos de neurônios estarão ativos, representando "animal de estimação" e "arranhado", mas não "fofo". O exemplo é simplificado, mas a propriedade de superposição é importante, porque, graças a isso, o cérebro imediatamente entende a semelhança e a diferença dos objetos. Essa propriedade oferece a capacidade de generalizar o que os computadores não possuem.

A segunda propriedade, a associação, permite que o cérebro represente simultaneamente várias idéias. Imagine que eu vejo um animal correndo nos arbustos, mas eu só pude vê-lo brevemente, então não tenho certeza do que vi. Pode ser um gato, um cachorro ou um macaco. Como o SDR é distribuído, um conjunto de neurônios pode ativar todos os três SDRs ao mesmo tempo e não confundi-los, pois os SDRs não interferem entre si. A capacidade dos neurônios de formar constantemente conjuntos de SDR os torna uma boa ferramenta para lidar com incertezas.

Essas propriedades de SDR são fundamentais para a compreensão, o pensamento e o planejamento no cérebro. Não podemos criar máquinas inteligentes sem usar o SDR.

Modalidade: O neocórtex recebe entrada dos sentidos. Cada vez que movemos nossos olhos, membros ou torso, a entrada dos sentidos muda. Essa entrada em constante mudança é o principal mecanismo usado pelo cérebro para a aprendizagem. Imagine dar a você um objeto que você nunca viu antes. Que seja um grampeador. Como você estudará isso? Você pode contornar isso olhando de diferentes ângulos. Você pode levantar, segurar com os dedos, virar as mãos. Você pode empurrar e puxar para ver como ele se comporta. Nesse processo interativo, você estuda a forma do grampeador, seus sentimentos sobre ele, como ele se parece e como se comporta. Você faz movimentos, sente a mudança na entrada, faz mais uma vez, sente a mudança novamente e assim por diante. Aprender através do movimento é a principal maneira de aprender o cérebro. Este será o componente central de qualquer sistema verdadeiramente inteligente.

Não quero dizer que uma máquina inteligente precise de um corpo físico - apenas que possa mudar as sensações através do movimento. Por exemplo, uma IA virtual pode "mover-se" pela Web, seguindo links e abrindo arquivos. Ele pode estudar a estrutura do mundo virtual através de movimentos virtuais, semelhante à maneira como andamos em torno de um edifício.

Isso nos leva à importante descoberta feita em Numenta no ano passado. No neocórtex, os dados de sensação são processados ​​por uma hierarquia de plotagens. Quando os dados passam de um nível da hierarquia para outro, recursos cada vez mais complexos são extraídos deles, até que em algum momento não seja possível reconhecer o objeto. As redes de aprendizado profundo também usam hierarquia, mas geralmente exigem 100 níveis de processamento para reconhecimento de imagem, e um neocórtex para atingir o mesmo resultado custa apenas quatro. As redes de aprendizado profundo também exigem milhões de exemplos de treinamento, e o neocórtex pode aprender novos objetos com apenas alguns movimentos e sensações. O cérebro faz algo fundamentalmente diferente do que uma rede neural artificial típica faz - mas o que?

O alemão Helmholtz , físico alemão do século XIX, foi um dos primeiros a oferecer uma resposta a essa pergunta. Ele viu que, embora nossos olhos se movam três a quatro vezes por segundo, nossa percepção visual permanece estável. Ele calculou que o cérebro leva em consideração os movimentos oculares, caso contrário, parece-nos que o mundo inteiro está pulando aqui e ali. Da mesma forma, se você tocar em algo, ficaria desconcertado se seu cérebro lidasse apenas com sensações táteis e não soubesse que seus dedos estavam se movendo. Esse princípio de combinar movimentos com mudanças nas sensações é chamado de integração sensório-motora . Como e onde ocorre a integração sensório-motora no cérebro era um mistério.

Descobrimos que a integração sensório-motora ocorre em todas as partes do neocórtex. Este não é um passo separado, mas parte integrante do processamento das sensações. A integração sensomotora é uma parte essencial do "algoritmo inteligente" do neocórtex. Temos uma teoria e um modelo de como os neurônios podem fazer isso, e se sobrepõe bem à complexa anatomia da região do neocórtex.

Quais são as implicações dessa descoberta para a inteligência da máquina? Considere dois tipos de arquivos que você pode encontrar em um computador. Uma é a imagem tirada pela câmera e a outra é um design desenvolvido em um computador, por exemplo, um arquivo da Autodesk. Uma imagem é uma matriz bidimensional de detalhes visuais. Um arquivo CAD também é um conjunto de peças, mas cada uma delas está associada a uma organização no espaço tridimensional. Um arquivo CAD simula objetos tridimensionais, e não a aparência do objeto de uma certa perspectiva. Com um arquivo CAD, você pode prever a aparência de um objeto de qualquer ponto de vista e determinar como ele irá interagir com outros objetos tridimensionais. Você não pode fazer isso com uma imagem. Descobrimos que cada seção do neocórtex aprende modelos tridimensionais de objetos da mesma maneira que um programa CAD. Cada vez que seu corpo se move, o neocórtex percebe o comando de motilidade atual, converte-o em uma posição no sistema de coordenadas do objeto e combina essa posição com dados obtidos pelos sentidos para construir modelos tridimensionais do mundo.

Em retrospecto, essa observação faz sentido. Os sistemas inteligentes precisam aprender modelos multidimensionais do mundo. A integração sensomotora não ocorre em várias partes do cérebro - este é o princípio principal de sua operação, parte do algoritmo de inteligência. Máquinas inteligentes devem fazer exatamente isso.

Esses três aspectos principais do neocórtex - treinamento de remontagem, vistas distribuídas e integração sensório-motora - serão os pilares da inteligência da máquina. As máquinas pensantes do futuro podem ignorar muitos aspectos da biologia, mas não esses três. Sem dúvida, outras descobertas no campo da neurobiologia nos aguardam, lançando luz sobre outros aspectos da consciência que precisarão ser incluídos em tais máquinas no futuro, mas você pode começar com o que sabemos hoje.

Desde os primeiros dias da IA, os críticos descartaram a idéia de tentar imitar o cérebro humano, geralmente argumentando que "os aviões não batem as asas". De fato, Wilbur e Orville Wright estudaram os pássaros em detalhes. Para criar sustentação, eles estudaram a forma das asas dos pássaros e os testaram em um túnel de vento. Para uma força motriz, eles se voltaram para uma área diferente da aviação - uma hélice e um motor. Para controlar o vôo, eles viram os pássaros torcerem suas asas para criar um rolo e usar suas caudas para manter a altitude. Foi isso que eles fizeram. Até agora, os aviões usam esse método, embora torçamos apenas uma borda nas asas. Em suma, os irmãos Wright estudaram os pássaros e depois decidiram quais elementos do vôo são necessários para o vôo das pessoas e quais podem ser ignorados. É exatamente isso que faremos, criando máquinas pensantes.

Pensando no futuro, me preocupo com o fato de que nossos objetivos não são ambiciosos o suficiente. É ótimo para os computadores de hoje classificarem imagens e reconhecerem fala, mas não estamos perto de criar máquinas verdadeiramente inteligentes. Eu acredito que é vital para nós fazer isso. Sucessos futuros e até a sobrevivência da humanidade podem depender disso. Por exemplo, se quisermos preencher outros planetas, precisaremos de máquinas operando a nosso favor para voos no espaço, construção de instalações, extração de recursos e solução independente de problemas complexos em um ambiente no qual as pessoas não possam sobreviver. Na Terra, somos confrontados com os problemas de doenças, clima e falta de energia. Carros inteligentes podem nos ajudar. Por exemplo, é possível fabricar máquinas inteligentes sensíveis e capazes de trabalhar em escala molecular.Eles poderiam falar sobre dobrar proteínas e expressão de genes da mesma maneira que falamos sobre computadores e grampeadores. Eles podiam pensar e agir um milhão de vezes mais rápido que os humanos. Tais máquinas poderiam tratar doenças e manter nosso mundo em um estado habitável.

Na década de 1940, os pioneiros da era dos computadores sentiram que os computadores iriam longe e seriam muito úteis, e que provavelmente transformariam a sociedade humana. Mas eles não podiam prever com precisão como os computadores mudarão nossas vidas. Da mesma forma, podemos ter certeza de que máquinas verdadeiramente inteligentes transformarão nosso mundo para melhor, mesmo que hoje não possamos prever exatamente como. Após 20 anos, olhamos para trás e percebemos que, em nosso tempo, as descobertas na teoria do cérebro e do aprendizado de máquinas começaram a era da inteligência real das máquinas.