4 Направления
В этой смысловой части тезисно обозначен возможный план действий, состоящий из двух формально независимых направлений.
4.1 Направление первое - сканер
Цель первого направления, разработка комплекса аппаратуры, программного обеспечения, методов получения и анализа коннектома нервной ткани. Сначала примитивных животных, затем человека. Для этого необходимо, во-первых, научиться с большой достоверностью, в полностью автоматическом режиме, считывать топологию миллионов нейронных цепочек головного мозга и, во-вторых, решить сложнейшую (на порядки) задачу верификации получаемых параметров синаптических связей.
Необходимо осознавать, что работа мозга зависит, помимо коннектома, от очень многих тонких физических и химических процессов. Говоря аналогиями, коннектом это, как электрическая схема, например, автомобиля, которая позволяет понять, как работают и взаимодействуют электрические агрегаты автомобиля, но не содержит информацию о сечении и материале проводов, изоляции, десятках типов разъемов, протоколах взаимодействия и т. п.
Для этих целей, аж в 19 веке, были изобретены специальные машины – микротомы, которые позволяли резать ткань мозга на слайсы, толщиной в несколько микрон и изучать их под микроскопом.
В 1844 году Роберт Ремак зарисовывает впервые шесть слоев коры головного мозга.
В 1943 году американские ученые У. Мак-Коллок и У. Питтс предпринимают первые попытки на языке математики описать принципы работы нейронных цепочек.
В 1950-х годах получены первые изображения синапсов.
В 1986 году получен полный коннектом нервной системы простейшего червя-нематоды.
На его основе создана цифровая модель, симулирующая мозг червя для управления робота. Результатом было то, что робот без программирования и всякого дополнительного обучения смог самостоятельно передвигаться в полном соответствии с поведенческими паттернами червя.
A Worm's Mind In A Lego Body (i-programmer.info)
OpenWorm: A Digital Organism In Your Browser by OpenWorm — Kickstarter
В 2004 году в институте медицинских исследований Общества имени Макса Планка заработал ультрамикротом, вмонтированный в вакуумную камеру электронного микроскопа, позволяющий получать серии срезов в автоматическом режиме толщиной в 25 нанометров (150 атомов углерода)
Интересно, что один из первых прототипов автоматического ультрамикротома для нарезания мозга на тончайшие ломтики соорудил у себя в гараже, Кен Хейворт, работавший в то время инженером в НАСА
В настоящее время, над задачей получения и изучения коннектома, работают ведущие лаборатория мира.
В январе 2020 компании Google и компания Janelia Research объявили о том, что им удалось собрать коннектом той части мозга мушки дрозофилы, которая отвечает за навигацию.
The Most Complete Brain Map Ever Is Here: A Fly's 'Connectome' | WIRED
FlyEM / Hemibrain | Janelia Research Campus
Для этого по слайсам толщиной в 20 нм специальным алгоритмом было проанализировано треть мозга, а это около 25 тыс. нейронов с 20 млн синапсами.
В 2011 году в Южно-Калифорнийском университете запущен открытый проект по расшифровке (получению) коннектома мозга млекопитающего - мыши.
Результаты совершенствования и применения новейших методик по трассировке слайсов (12 терабайт данных) можно наблюдать в реальном времени.
Получение коннектома структур головного мозга человека - первый шаг к созданию истинного, в человеческом понимании, искусственного интеллекта. И эта невероятно амбициозная задача особенно если сравнить 302 нейрона и около 7500 синапсов нематоды с почти 100 млрд нейронов и триллионом синапсов в мозге человека.
Тем не менее есть надежда, что алгоритмы автоматического распознавания в ходе проектов обозначенных выше (и многих других) усовершенствуются настолько, что полную карту человеческого коннектома мы увидим уже в начале тридцатых годов нынешнего столетия.
Появление элементов ИИ и развитие этого направления откроет совершенно новые, доселе принципиально недоступные для нас горизонты познания Мира и проектного программирования будущего человечества. Перспективы развития ИИ превосходящего человеческий, выглядят просто пугающими. Но джин уже выпущен и остановить его может разве что ядерная война, перспектива которой точно не лучше.
Единственный вариант получить дивиденды — не оказаться аутсайдерами, особенно учитывая современную неопределенность дальнейшей модели развития человечества.
Пример для подражания – атомный проект СССР, который как наука начинался еще с 20-х годов, а в 1943, когда пришло понимание чем может обернуться отставание, превратился в масштабную программу государственной важности.
4.2 Направление второе - среда
Цель второго направления - разработка физической среды для реализации коннектома. На первых этапах нервной системы примитивных животных, затем структур головного мозга человека. Среда реализации должна обеспечивать, во-первых, потерны постоянной модификации коннектома (как в живом мозге), во-вторых, обеспечивать информационный обмен и верификацию отклика.
Изобретения, определяющие целые отрасли человеческой деятельности, чаще всего брали начало с натурных экспериментов. Та же авиация - с серии экспериментов, опираясь на зачатки теории и одновременно дорабатывая её по результатам. Дорого, долго и часто опасно.
Вычислительная техника во многом изменила этот процесс. Большинство экспериментов, с развитием теории, переместилось в виртуальные среды, ускоряя и удешевляя разработки.
Тем же путем шло развитие ИИ. С построения физических сетей на формальных нейронах (4.2.1) к моделированию нейроткани, сначала на обычных (4.2.1.1), а затем и специализированных процессорах (4.2.1.2). Но особенность мозга в том, что обработка информации в нем происходит волной, одновременно по миллионам взаимовлияющих нейронных цепочек. Смоделировать такой процесс, даже имея полное представление о коннектоме, современная вычислительная техника пока не способна. По крайней мере в реальном времени и с приемлемыми энергозатратами.
Отсюда, амбициозная задача создания среды (4.2.3, 4.2.4) пригодной для полноценной физической реализации (копирования) коннектома.
4.2.1. – на формальных нейронах –
В 1948 году У. Р. Эшби сконструировал первый гомеостат в виде устройства из четырёх блоков и подробно описал его в своей книге «Конструкция мозга».
В 1950 году Клод Шеннон в рамках проекта «Тесей» создал первую электромеханическую самообучающуюся машину.
В 1951 Марвин Минский в рамках проекта SNARС (стохастический нейронный аналоговый калькулятор с подкреплением) создал вероятно первую самообучающейся электронную систему на базе 40 искусственных нейронов, каждый на базе шести электроламп и двигателя. Машина, моделирующая поведение крысы, бегала по электронному лабиринту и пыталась отыскать выход.
В 1958 Фрэнк Розенблатт создал первый в мире нейрокомпьютер «Mark I Perceptron». Это была здоровенная махина, состоящая из множества элементов, каждый представлял собой соединение электромотора и потенциометра. Его опробовали на некоторых прикладных задачах, например, для распознавания написанных от руки печатных букв, условных обозначений на картах, а также танков на данных аэрофотосъемки.
В 1968 впервые в СССР был разработан нейрокомпьютер на базе двух аналоговых ЭВМ МН-4 и специализированного блока, реализующего функциональную структуру нейронной сети.
С тех времен размеры элементной базы уменьшились, быстродействие стало в миллионы раз большее, чем у биологических систем, и эффективность решения некоторого класса узко специализированных задач стало приближаться к живым системам.
Нейронный кластер
N-модуль
В России в 2017 ОАО «Микран» разработала и испытала обучаемый автопилот, реализованный на аппаратных нейронных сборках.
В прошлом году Калифорнийский стартап Syntiant Corp. представил в виде разработанных и изготовленных его инженерами-схемотехниками и технологами опытных образцов
микропроцессоров Neural Decision Processors (NDP), построенных на аналоговых нейронных сетях, работающих на уровне отдельных транзисторов.
4.2.2.1 - Алгоритмическая реализация – массовые CPU -
С 70-х возможности вычислительной техники позволили эмулировать и обучать нетривиальные нейронные сети, ранее реализуемые физически.
С распространением в 80-х персональных компьютеров, число разработчиков программного обеспечения стало быстро увеличиваться, в том числе в областях деятельности, где приветствуется присутствие ИИ. Многие из таких задач как оказалось хорошо реализуются алгоритмами, моделирующими нейронные сети. Оформился и стремительно развивается целый класс ПО – эмулируемые нейронные сети с комплексом программ и данных для их обучения.
Например, такие программы как DeepDream, Prisma, Mlvch совершенно натуралистично могут изменить вашу внешность - изменить черты лица, прическу, добавить улыбку.
По фотографии нейросеть может определить возраст, пол, и даже настроение. Оживить Мону Лизу и заменить живых актеров.
Уже снят короткометражный фильм «Sunspring» по сценарию, написанному искусственным интеллектом.
Недавно представленная нейросеть Speech2Face способна определить национальность, пол и возраст по голосу человека.
Появилось много медицинских программ для диагностики, например, SkinVision, которая по фотографии родинки определяет ее доброкачественность или злокачественность. Точность приложения — 83%.
В России проходит тестирование нейросеть обнаруживающая факт кражи автомобильных номеров по изображению автомобиля.
В банковской сфере нейросети применяются для анализа кредитной истории. В 2018 году «Сбербанк» уволил 14 тысяч сотрудников, которых заменила «Интеллектуальная система управления» на основе нейросети.
4.2.2.2 - Алгоритмическая реализация – спец. CPU -
Программные решения эмуляции нейронных сетей на процессорах с классической архитектурой ограниченны возможностями на параллелизм (как аппаратный, так и вычислительный) даже самых мощных компьютеров.
Появился целый класс специализированных аппаратных решений, построенных на распределенных связях между простыми специализированными процессорами, которые эмулируют блоки однотипных нейронов.
Несколько типовых примеров:
Intel Nervana NNP, первый коммерческий тензорный процессор, предназначенный для постройки сетей глубокого обучения.
Qualcomm Cloud AI 100, ускоритель искусственного интеллекта, предназначенный для использования в составе облачных платформ, поддерживающий программные библиотеки PyTorch, Glow, TensorFlow, Keras и ONNX.
IBM TrueNorth, нейроморфный процессор, построенный по принципу взаимодействия нейронов, а не традиционной арифметики.
Cerebras Wafer Scale Engine (WSE, CS-1), экспериментальный суперпроцессор компании Cerebras , содержит 1,2 трлн транзисторов, организованных в 400 000 ИИ-оптимизированных вычислительных ядер и 18 Гбайт локальной распределённой памяти SRAM, и всё это связано ячеистой сетью с общей производительностью 100 пета бит в секунду. Чип Cerebras — это фактически суперкомпьютер на чипе, где вычислительные ядра SLAC (Sparse Linear Algebra Cores) ― полностью программируемые и могут быть оптимизированы для работы с любыми нейронными сетями.
Nvidia DGX-1, специализированный сервер, состоящий из 2 центральных процессоров и 8 GPU Nvidia Volta GV100 (5120 тензорных ядер), связанных через быструю шину NVLink. Специализированная архитектура памяти у этой системы является особенно подходящей для построения сетей глубокого обучения.
AMD Radeon Instinct, специализированная GPGPU-плата компании AMD, предлагаемая как ускоритель для задач глубокого обучения.
Neural Engine, ИИ-ускоритель внутри ARM-чипов Apple A11 Bionic и A12 Bionic SoC.
В августе 2020 на конференции Hot Chips компания Cerebras Systems показала новое поколение процессора Wafer Scale Engine. Это самый большой процессор в мире: изготовленный по 7-нм техпроцессу, он имеет на борту 2.6 триллионов транзисторов и 850 тысяч процессорных ядер. Габариты процессора квадрат со стороной в 21.5 сантиметра.
Процессор ориентированы на работу с искусственным интеллектом и используются в Cerebras CS, специальных вычислительных станциях Cerebras Systems.
4.2.3 – Биологическая среда -
Так как ставится вопрос копирования (для начала) функциональных структур мозга путем переноса коннектома в искусственную среду, то почему бы не скопировать и саму среду?
Причем это направление технологий необходимо разрабатывать в любом случае, как способ организации прямого информационного канала сколь угодно продвинутого «железного» ИИ с нашими биологичными мозгами.
В нашем мире, где копирование стало обыденностью – одежда, часы, электроника, лекарства и т. д. пора бы уже задуматься о копировании мозгов.
Несколько примеров:
В Питтсбургском университете впервые в истории вырастили в лаборатории человеческую печень.
В американском MIT и в университете Кюсю в Японии создали биотрансплантационную ткань печени другим способом - напечатали на 3D принтере и пересадили ее в организм крысы.
Продвигается даже технология массового выращивания искусственного мяса.
В России начали делать искусственное мясо. Как это? И что — его можно есть? - ТАСС (tass.ru)
Выращиванием мозговой ткани занимаются многие лаборатории мира. Самый сложный на сегодняшний день мозг-на-чипе, состоящий из трех различных областей и обладающий способностью формировать нервные связи, вырастили в Гарвардском университете.
Multiregional brain on a chip (medicalxpress.com)
4.2.4 – Метасреда -
Случайно или нет, всюду во Вселенной или нет, но на Земле, жизнь базируется на двадцати из более пятисот известных нам аминокислот.
Аминокислоты, простые молекулы и химические реакции — это все материалы и инструменты, которыми оперировала природа, создавая живые организмы. Природа не располагала чертёжной доской, циркулем и напильником с калькулятором. Все это появилось вместе с человеком разумным. Возможно, как новый и даже не последний виток эволюции, в котором мы лишь проходные элементы – катализаторы.
Наш белковый мозг, возможно, получился не то, что бы плохим, но, располагай природа более продвинутыми инструментами… Может хотя бы голова у нас не болела.
Раз мы теперь можем (или природа через нас) располагать более широким спектром материалов и инструментов, возможно, пришло время заменить биологию «металлом»? Создать среду из более подходящего материала, в которую можно скопировать (для начала) мозг, перенеся его структуру (и функциональность).
Несколько примеров:
В Калифорнийском университете разрабатывают среду на основе серебряных нанотрубочек, которые способны образовывать связи между собой, эмитируя синапсы. Нанотрубочки случайным образом расположенные на кремниевой подложке сформировали высокоорганизованные структуры с миллионами «синапсов», аналогичные тем, которые формируют неокортекс.
«Устройство постоянно развивается. Оно может "придумать" различные модели поведения, которые не повторяются. Это очень похоже на то, как ведет себя человеческий мозг», — говорится в пресс-релизе авторов работы.
В Наньянском Технологическом Университете в Сингапуре разрабатывают другую технологию на основе халькогенидового оптоволокна, которое также способно создавать синапсы.
По словам авторов, технология способна выращивать искусственные «мозги» — очень похожие на человеческие.
Вероятно, поиск, конструирование «метаматериала», на сегодня самый перспективный путь для копирования, изучения, а затем и усовершенствования работы структур мозга для создания ИИ.