Коннектом. Как мозг делает нас тем, что мы есть - Себастьян Сеунг

По счастью, такая путаница все-таки происходит сравнительно редко. Та, что нашла отражение на иллюстрации, произошла из-за того, что красителю не удалось проникнуть в один из участков биологической ткани, которую изучали под микроскопом. Однако для основной части рисунка, даже при большом увеличении, вполне очевидно, где идет граница, а где никакой границы нет. На этих легких участках компьютеры способны точно определять границы, однако на трудных они спотыкаются, поскольку хуже, чем люди, умеют осваивать информацию о контексте.

Детектирование границ – не единственная визуальная задача, которую компьютерам следует научиться решать эффективнее, если мы хотим с их помощью находить коннектомы. Еще одна задача включает в себя распознавание. Многие современные цифровые фотоаппараты достаточно смышлены, чтобы найти лица в области съемки и сфокусироваться на них. Но иногда они ошибочно фокусируются на каком-то постороннем предмете, расположенном на заднем плане, а значит, пока не могут распознавать лица так же хорошо, как это делают люди. Желательно, чтобы компьютеры, которые применяются в коннектомике, выполняли похожую задачу, притом безупречно: они должны, просмотрев набор снимков, найти на них все синапсы.

Почему же пока не удается создать компьютеры, видящие так же хорошо, как люди? По-моему, причина в том, что очень уж мы хорошо видим. Первые исследователи ИИ сосредоточились на том, чтобы наделить электронные машины способностями, которые требуют от человека немалых усилий. В частности, их пытались научить играть в шахматы или доказывать математических теоремы. Как ни удивительно, оказалось, что электронному устройству не так-то сложно освоить такие вещи: в 1997 году суперкомпьютер Deep Blue разгромил Гарри Каспарова, чемпиона мира по шахматам. По сравнению с шахматами зрение кажется чем-то по-детски простым. Мы открываем глаза и тут же видим окружающий мир. Возможно, именно из-за этой кажущейся легкости первые исследователи ИИ не ожидали, что научить машину видеть окажется столь трудным делом.

Иногда люди, умеющие что-то делать лучше остальных, оказываются худшими учителями. Сами они выполняют задание бессознательно и бездумно, а если их спросить, как они это проделывают, они лишь недоуменно покачают головой и не смогут ничего объяснить. Все мы – виртуозы зрения. Мы с рождения умеем видеть и не понимаем, как кто-то (или что-то) может этого не уметь. Поэтому из нас получаются такие паршивые учителя зрения. К счастью, нам никогда и не приходится никому преподавать этот предмет. За исключением того случая, когда наши ученики – компьютеры.

В последние годы некоторые исследователи вообще решили оставить попытку обучить машину зрению. Пускай она учится сама. Соберите огромное количество примеров визуальных задач, выполняемых людьми, и запрограммируйте компьютер так, чтобы он имитировал эти примеры. Если ему это удастся, значит, он «научится» выполнять задачу безо всяких прямых инструкций со стороны человека. Этот метод называется машинным обучением и представляет собой важную область компьютерной науки. Именно благодаря ему появились цифровые фотоаппараты, умеющие автоматически фокусироваться на лицах. Ему мы обязаны и многими другими успехами ИИ.

В мире существуют лаборатории (включая и мою собственную), где с помощью машинного обучения пытаются сделать так, чтобы компьютер наконец сумел увидеть нейроны. Начинаем мы с программ, подобных тем, которые разработали Джон Файэла и Кристен Харрис. Люди вручную реконструируют очертания нейронов. Эти очертания служат для компьютера примерами, которые он должен воспроизвести. Вирен Джейн и Шрини Турага (в начале нашей работы они были моими докторантами) придумали методы цифровой оценки успехов компьютера, определяя, насколько получаемые им результаты совпадают с человеческими. Компьютер учится видеть форму нейронов на примерах, и оценка его работы постепенно повышается. Когда его достаточно натаскают, ему подсовывают снимки, которые человек еще не реконструировал вручную. На рис. 37 показана компьютерная реконструкция нейронов сетчатки. Пока метод находится в стадии разработки, но уже дает беспрецедентную точность.

Рис. 37. Изображение нейронов сетчатки глаза, автоматически реконструированное компьютером

Но даже после таких усовершенствований компьютер все-таки допускает ошибки. Я уверен, что дальнейшее применение машинного обучения будет и дальше снижать долю этих погрешностей. Однако по мере развития коннектомики машинам будут поручать анализ всё более обширных изображений, и абсолютное количество ошибок все-таки останется большим, даже если их доля будет убывать. В ближайшем будущем, которое мы еще как-то можем предсказать, анализ таких снимков никогда не станет полностью автоматизированным: на каком-то его этапе всегда понадобится участие человеческого разума. Тем не менее этот процесс наверняка значительно ускорится.

Идею взаимодействия с компьютером при помощи мыши придумал легендарный изобретатель Дуглас Энгельбарт (1925–2013). Потенциал этого изобретения в полной мере осознали только в 1980-е годы, когда мир захлестнула техническая революция, связанная с массовым производством персональных компьютеров. Но Энгельбарт придумал компьютерную мышь еще в 1963 году, когда руководил исследовательской группой в Стэнфордском институте – калифорнийском инкубаторе идей. В том же году Марвин Минский (р. 1927) основал на другом краю Америки, в Массачусетском технологическом институте, свою Лабораторию искусственного интеллекта. Ее сотрудники оказались в числе первых ученых, взявшихся за проблему обучения компьютеров зрению.

Бывалые хакеры обожают рассказывать историю (возможно, апокрифическую) о встрече двух этих гениев. Минский гордо заявил: «Мы наделим машину разумом! Мы научим ее ходить и говорить! Мы вселим в нее сознание!» Энгельбарт парировал: «И всё это вы сделаете для компьютеров? А что же вы тогда сделаете для людей?»

Свои идеи Энгельбарт изложил в своего рода манифесте под названием «Расширение человеческого интеллекта», где он вводил понятие о новом направлении исследований – усилении интеллекта (УИ). По целям УИ несколько отличалось от традиционных разработок в области искусственного интеллекта. Минский стремился сделать машину умнее; Энгельбарт же хотел, чтобы машина сделала умнее человека.

Исследования, которые велись в моей лаборатории по части машинного обучения, принадлежали к сфере ИИ, тогда как программа, разработанная Файэлой и Харрис, стала прямой наследницей идей Энгельбарта. Ее нельзя назвать ИИ, поскольку у нее не хватает смышлености, чтобы самостоятельно различить границы. Вместо этого она усиливает человеческий интеллект, расширяет его возможности, помогая людям более эффективно анализировать снимки, полученные с помощью электронного микроскопа. Сейчас сфера УИ играет всё более важную роль в науке, ведь теперь становится возможным путем интернет-краудсорсинга привлекать к выполнению научных задач огромное количество людей по всему миру. К примеру, проект «Зоопарк галактик» («The Galaxy Zoo») приглашает всех желающих помочь астрономам классифицировать галактики по их наблюдаемым в телескоп очертаниям.

Впрочем, на самом-то деле ИИ и УИ не соперничают друг с другом, ведь оптимальный подход – их комбинация. Именно этим сейчас и занимаются в моей лаборатории. ИИ должен стать частью любой УИ-системы. ИИ будет брать на себя все легкие решения, а трудные оставлять человеку. Лучший способ добиться эффективной работы людей – свести к минимуму то время, которое они тратят на выполнение элементарных задач. К тому же УИ-система – идеальная платформа для сбора примеров, которые можно использовать для того, чтобы усовершенствовать ИИ путем машинного обучения. Венчание УИ и ИИ дает систему, которая с течением времени делается всё умнее, тем самым всё больше и больше усиливая интеллект человека.

Некоторые пугаются перспективы развития ИИ, насмотревшись фантастических фильмов, где умные машины делают человека ненужным. А ученых иногда вводят в заблуждение многообещающие свойства ИИ, и они тщетно пытаются целиком автоматизировать задачи, которые более эффективно выполнять путем сотрудничества человека и машины. Вот почему не следует забывать, что наша конечная цель – это УИ, а не ИИ как таковой. Идея Энгельбарта по-прежнему весьма актуальна для вычислительных задач коннектомики.

Прогресс в сфере анализа изображений впечатляет и вдохновляет, однако насколько быстро коннектомика будет развиваться в будущем? При собственной жизни мы уже почувствовали на себе результаты невероятных технологических прорывов, особенно в компьютерной области. Сердце настольного компьютера – кремниевый чип, который называется микропроцессором. Первые микропроцессоры, выпущенные в 1971 году, содержали всего по несколько тысяч транзисторов. С тех пор компании, выпускающие полупроводниковые устройства, соревнуются друг с другом, пытаясь впихнуть на компьютерную плату как можно больше транзисторов. Скорость этого движения ошеломляет. Цена одного транзистора каждые два года падает вдвое. Можно взглянуть на это под другим углом: каждые два года удваивается количество транзисторов в микропроцессоре заданной стоимости.