Секрет сильного искусственного интеллекта следует искать в мозге человека

Алгоритмы искусственного интеллекта, такие как глубокое обучение и сверточные нейронные сети, значительно помогли в распознавании изображений, создании беспилотных автомобилей и решении других сложных задач. Многочисленные AI-компании пытаются оседлать эту волну инвестиций и приобретения стартапов.

Будущее карт: автомобили, AR и угроза приватности

Но ведущие исследователи понимают, что все не так гладко. Несмотря на впечатляющий прогресс, существующие методы искусственного интеллекта ограничены. Например, сети глубокого обучения обычно требуют миллионов обучающих примеров для корректной работы, в то время как человек может изучить что-то новое гораздо проще. Это ограничивает применение сетей глубокого обучения. Хотя их средняя точность высока, они могут допускать ужасные ошибки. Например, небольшое изменение изображения может привести к тому, что ИИ-система примет зубную щетку за бейсбольную биту. В некоторых случаях это может привести к катастрофе, травмам и смертям.

Из-за этих и других ограничений лидеры области считают, что нужен другой подход. Джофф Хинтон, один из самых выдающихся AI-специалистов, недавно сказал, что нам нужно начать все заново, так как он “очень подозрительно” относится к существующим методам: “Я считаю, что нам нужно всё выбросить и начать с начала”. Франсуа Шолле, ведущий практик сетей глубокого обучения, сказал: “Вы не можете достичь сильного интеллекта при помощи масштабирования существующих техник”.

Шолле предполагает, что глубокое обучение по своей сути является ограниченным, в отличие от человеческого мышления. В самом деле, человеческий мозг удивительно гибок. Люди не только водят автомобили, мы строим небоскребы, управляем фермами и программируем компьютеры. Даже наша способность поднимать простые объекты, например, кружки с кофе, и манипулировать ими сильно превосходит способности любого искусственного интеллекта.

Каждый из нас имеет сотни сложных навыков, которые мы смешиваем и используем. Системы глубокого обучения хорошо работают только на небольшом наборе задач, и они могут делать одну вещь за раз. Их нужно переобучать для каждого нового задания. Люди — это обучающиеся организмы общего применения, а ИИ-системы — нет. Превзойти существующие ограничения ИИ можно, приспособив системы под более общие цели.

Естественная глупость опаснее искусственного интеллекта

Недавно ученые, работающие с искусственным интеллектом, обратились за вдохновением к мозгу. Демис Хассибис, сооснователь DeepMind, сказал: “Человеческий мозг — это единственное существующее доказательство того, что общий тип интеллекта, который мы пытаемся создать, возможен, поэтому мы считаем, что стоит попытаться понять, как достичь этих возможностей”.

Я согласен. Я изучаю мозг более тридцати лет. В 2004 я написал книгу On Intelligence, которая предполагала, что изучение мозга пригодится для создания ИИ. И в 2005 я стал сооснователем Numenta, компании по реверсинжинирингу коры головного мозга, самой большой его части, которая чаще всего ассоциируется с интеллектом. Мы хотим понять, как клетки в голове работают вместе, создавая восприятие и поведение.

Существуют некоторые сходства между работой мозга и текущих методик искусственного интеллекта, значит, ИИ сейчас находится на верном пути. Но существуют и значительные различия. Мозг не только имеет больше способностей, но и его физическая структура более сложна, чем искусственные нейронные сети.

Исследования Numenta раскрыли несколько важных принципов, которые использует мозг и которые придется освоить искусственному интеллекту. Например, у каждого нейрона в мозге есть тысячи синапсов (связей между нейронами). Предназначение многих из синапсов остается загадкой. Мы открыли, что нейроны используют большую часть синапсов, чтобы делать прогнозы. Эти предсказания появляются в клетках и играют решающую роль в наших ожиданиях от будущего. Искусственные нейроны не имеют этой функции и не могут делать такие прогнозы. Мы также обнаружили, почему обучение мозга достигается по большей части при помощи формирования новых синапсов. Это более мощная форма обучения, чем изменение существующих связей, которое происходит в глубоком обучении. Это объясняет, почему мы узнаем новые вещи быстрее.

Хотя у нас есть и другие открытия, я хочу поделиться последним и самым важным из них. Мы изучали, как мы распознаем объекты при прикосновении. Мы обнаружили новое качество коры мозга, которое связано не только с осязанием, но и со зрением и всеми остальными функциями коры. Иногда я называю это свойство “пропавшим ингредиентом” или “секретом сильного ИИ”. Мы недавно опубликовали статью об этом открытии, здесь я приведу его вкратце.

Посмотрите на эту картинку. Очевидно, это кружка. Но, конечно, на самом деле это не кружка, а набор линий на плоской поверхности. Нам сложно увидеть эти линии в плоскости, а не как трехмерный объект. Распространенное убеждение среди нейробиологов гласит, что кора воспринимает изображение от глаз и шаг за шагом она выделяет всё больше свойств, пока не сможет распознать предмет.

Так работают сети глубокого обучения. Этот процесс называется распознаванием паттернов, и нейронные сети хороши в этом. После обучения на многих изображениях они могут взять новую картинку и сказать, что на ней показано. Но они не могут понять, какой объект скрывается за ярлыком. Напротив, когда вы видите изображение, вы сразу воспринимаете его трехмерную форму. Вы можете представить, как предмет выглядит с разных углов и каков он на ощупь, и понять, что он может содержать жидкость. Сеть глубокого обучения хорошо определяет изображение, не понимая, что на нем находится, а кора головного мозга понимает структуру объекта и его поведение.

До недавнего времени никто не понимал, как кора головного мозга трансформирует плоское изображение в ментальную репрезентацию настоящего объекта. Мы поняли, как это происходит. Мы обнаружили, что все входные данные для коры связываются с сигналом, представляющим “локацию”. Когда вы смотрите на изображение кружки, для каждой части картинки и каждого отрезка линии назначается локация, связанная с реальной трехмерной кружкой. Похожим образом компьютеры создают CAD-модели объектов.

Скоро мы перестанем программировать компьютеры. Мы будем обучать их как собак.

Наша теория объясняет, почему вы воспринимаете кружку в трех измерениях и почему вы можете представить, как бы она выглядела с разных сторон. Это также объясняет, почему ваше восприятие кружки является стабильным, хотя ваш взгляд перемещается и останавливается на разных частях изображения. Если для входных данных назначены правильные локации кружки, то неважно, как вы смотрите на изображение.

Мы изучаем применение этого открытия и считаем, что оно может раскрыть многие загадки работы мозга. Хотя мы вывели это свойство, изучая осязание и зрение, нейронные структуры, которые определяют локации для сигналов существуют в каждой части коры. Можно предположить, что обработка любых данных в коре головного мозга связана с локациями, хотя эти локации не всегда соотносятся с физическими объектами в мире. Это значит, что мы управляем абстрактными концепциями с помощью тех же механизмов, что используем для физических объектов. Конечно, управление концепциями является ключевой функцией интеллекта общей направленности.

Уже десятилетиями ведутся споры о том, насколько ИИ должен имитировать мозг. Недавний успех глубокого обучения, которое почти не связано с мозгом, укрепил аргумент о том, что ИИ может развиваться без нейробиологии. Но этот успех показал пределы глубокого обучения и сделал очевидной потребность в новых подходах. Мозг — это очевидное место для поиска новых идей. Как недавно сказал Джефф Безос: “Люди фундаментально отличаются от того, что мы сегодня делаем с машинным обучением и машинным интеллектом”.

Когда мы работаем над созданием искусственного интеллекта общего назначения, мы не должны имитировать всё, что делает мозг. Но некоторые принципы нельзя игнорировать, они лежат в основе любой системы, которая служит для интеллекта общего назначения. Мы уже открыли несколько принципов в ходе своих исследований, и я считаю, что наше последнее открытие окажется самым важным. Оно полностью меняет наше представление об обработке сенсорных сигналов в мозге и о том, как мозг представляет знание о мире.

Я надеюсь, что когда больше людей, работающих с ИИ, осознает пределы существующих методов, они поймут, что создание сильного искусственного интеллекта будет идти от нейробиологии. Интеграция этих открытий в ИИ может занять несколько лет, но мне сейчас абсолютно понятно, как это сделать.