Mens en Apparaten

In de zomer van 1955 stelde een kwartet van vooraanstaande Amerikaanse wiskundigen - de term computerwetenschapper was nog niet in gebruik - een conferentie voor aan het Dartmouth College om een ​​onderwerp te onderzoeken dat zij kunstmatige intelligentie noemden. Het onderzoek moet doorgaan op basis van het vermoeden dat elk aspect van leren of elk ander kenmerk van intelligentie in principe zo nauwkeurig kan worden beschreven dat er een machine kan worden gemaakt om het te simuleren, aldus het voorstel.

Tomaso Poggio

De conferentie van een maand, die plaatsvond in 1956, wordt algemeen beschouwd als het ontstaan ​​van onderzoek op het gebied van kunstmatige intelligentie. Drie van de auteurs van het voorstel - LISP-uitvinder John McCarthy, informatietheoriepionier Claude Shannon, SM '40, PhD '40 en toekomstige Turing Award-winnaar Marvin Minsky - zouden later lesgeven aan het MIT. McCarthy en Minsky (die na 55 jaar aan de faculteit blijft) hebben het MIT Artificial Intelligence Laboratory opgericht.

In 1967 was de vooruitgang in de computertechnologie zo snel gegaan dat Minsky, in zijn boek Berekening: eindige en oneindige machines , werd aangemoedigd om te schrijven: Ik ben ervan overtuigd dat binnen een generatie, maar weinig compartimenten van intellect buiten het rijk van de machine zullen blijven - de problemen van het creëren van 'kunstmatige intelligentie' zullen substantieel worden opgelost.

Minsky's voorspelling was natuurlijk te optimistisch. Het blijkt dat winnen bij schaken, dat de vroege AI-onderzoekers beschouwden als de paradigmatische toepassing van intelligentie, een veel eenvoudiger rekenprobleem is dan bijvoorbeeld het onderscheiden van gesproken woorden of het herkennen van gezichten.

In de jaren tachtig en negentig, toen de moeilijkheid om menselijke intelligentie te repliceren duidelijk werd, kreeg AI iets heel anders: praktische computersystemen voor speciale doeleinden, vaak gebaseerd op machine learning, dat statistische analyse toepast op enorme aantallen trainingsvoorbeelden. Dat is de aanpak die ons spraakherkenningssystemen en automatische tekstvertalers heeft opgeleverd.

Nu geloven onderzoekers van MIT dat het tijd is om de grote ambities van AI nieuw leven in te blazen, in de hoop zowel betere therapieën voor neurologische aandoeningen te ontwikkelen als computersystemen die met menselijke intuïtie op onze behoeften kunnen anticiperen. En de National Science Foundation lijkt het daarmee eens te zijn. In september kondigde het een subsidie ​​van $ 25 miljoen aan voor het Center for Brains, Minds, and Machines (CBMM), dat is gevestigd in het McGovern Institute for Brain Research van MIT. MIT levert 12 primaire onderzoekers; zes anderen komen van Harvard en nog vijf van andere instellingen.

CBMM wordt geleid door Tomaso Poggio, hoogleraar hersenwetenschappen en menselijk gedrag en hoofdonderzoeker bij zowel het McGovern Institute als het Computer Science and Artificial Intelligence Laboratory (CSAIL). Zijn dubbele benoemingen illustreren het belangrijkste uitgangspunt achter het nieuwe centrum: dat we veel sneller vooruitgang zullen boeken bij het begrijpen van menselijke intelligentie als computationele, biologische en psychologische benaderingen worden gecombineerd in plaats van afzonderlijk te worden onderzocht.

In plaats van alleen te vertrouwen op computerwetenschap, zoals 50 jaar geleden, is dit centrum echt een gok dat om menselijke intelligentie te repliceren, je meer moet weten over de hersenen en over cognitie, zegt Poggio.

Patrick Winston, hoogleraar bij de vakgroep Elektrotechniek en Informatica en onderzoekscoördinator van CBMM, voegt toe dat de technologieën om het probleem te onderzoeken de afgelopen jaren aanzienlijk zijn verbeterd. Om te beginnen, zegt Winston, is computergebruik gratis: wat voor soort berekening er ook moet worden gedaan, het kan worden gedaan. Ten andere, fMRI is nu routine, zegt hij, verwijzend naar functionele magnetische resonantie beeldvorming, die kan worden gebruikt om hersenactiviteit te bestuderen. Hij wijst ook op technologieën zoals transcraniële magnetische stimulatie, die de activiteit in gerichte hersengebieden tijdens cognitieve tests kan verstoren, en optogenetica, een techniek die licht gebruikt om genetisch gemodificeerde neuronen in de hersenen selectief te activeren of tot zwijgen te brengen. Optogenetics werd ontwikkeld door Ed Boyden '99, MEng '99, een Media Lab-professor die hoofdonderzoeker is bij het McGovern Institute en het nieuwe centrum.

Het onderzoek in het centrum is georganiseerd in verschillende grote thema's, of drijfveren: visuele intelligentie, waarbij visie, taal en motorische vaardigheden worden geïntegreerd; circuits voor intelligentie, die onderzoek in neurobiologie en elektrotechniek zullen omvatten; de ontwikkeling van intelligentie; en sociale intelligentie. Poggio, een van de belangrijkste onderzoekers op het gebied van visuele intelligentie, zal ook leiding geven aan de ontwikkeling van een theoretisch platform dat bedoeld is om het werk op de andere gebieden samen te brengen.

Binnen elke stuwkracht werken CBMM-onderzoekers aan het definiëren van een reeks benchmarkvragen die ze kunnen gebruiken om hun voortgang te beoordelen. Poggio geeft een voorbeeld, dat betrekking heeft op zijn eigen eerdere werk over het visuele systeem. Gepresenteerd met een afbeelding van mensen die met elkaar omgaan, zou een intelligent computersysteem in staat moeten zijn om plausibele antwoorden te geven op vijf vragen, gerangschikt van gemakkelijk naar moeilijk: wat staat er in het beeld? Wie zit erin? Wat zijn de mensen aan het doen? Wie doet wat met wie? En wat gebeurt er daarna?

invarianten
Een theoretisch kader voor het onderzoeken van alle vragen rond menselijke intelligentie is een hele opgave. Maar Poggio's onderzoek naar hoe het brein de eerste vraag op zijn lijst beantwoordt, geeft een schets van hoe zo'n raamwerk eruit zou kunnen zien.

Objectherkenning - het ontwikkelen van computersystemen die de vraag kunnen beantwoorden Wat staat er in het beeld? - is een bloeiend gebied van onderzoek op het gebied van kunstmatige intelligentie. Doorgaans gebruiken objectherkenningssystemen bepaalde soorten machine learning. Mensen labelen voorbeeldafbeeldingen om aan te geven welke objecten waar verschijnen, en het systeem probeert enkele gemeenschappelijke kenmerken te identificeren die alle afbeeldingen van het object delen. Dat is heel wat anders dan leren door mensen of leren van dieren, zegt hij. Als een kind een beer of een leeuw leert herkennen, is het niet zo dat je hem een ​​miljoen keer afbeeldingen van een leeuw en een leeuw en een leeuw moet laten zien. Het is meer twee of drie keer.

Poggio is van mening dat de hersenen, in tegenstelling tot systemen voor machinaal leren, objecten moeten weergeven op een manier die onveranderlijk is: de weergave is hetzelfde, ongeacht hoe groot het object verschijnt, waar het zich in het gezichtsveld bevindt of gedraaid is. En hij gelooft ook dat hij een plausibele theorie heeft over waaruit die representatie zou kunnen bestaan.

De theorie van Poggio vereist dat de hersenen, of een computersysteem dat de hersenen probeert te simuleren, één sjabloon opslaat van een paar objecten die elk type variatie ondergaan: grootte, locatie en rotatie in het vlak. De hersenen kunnen bijvoorbeeld enkele tientallen afbeeldingen opslaan van een menselijk gezicht dat een rotatie van 360 ° volgt.

Een onbekend object zou dan worden weergegeven als een verzameling puntproducten - een standaardberekening in lineaire algebra - tussen zijn afbeelding en de sjablonen. Die verzameling zou hetzelfde blijven, ongeacht de grootte, locatie of oriëntatie van het object.

Een aantrekkingskracht van de theorie is dat het puntproduct de vergelijking van twee complexe datasets, zoals visuele afbeeldingen, tot een enkel getal reduceert. Verzamelingen van puntproducten, zelfs voor meerdere sjablonen, zouden niet veel geheugenruimte in beslag nemen. Een andere aantrekkingskracht, zegt Poggio, is dat puntproducten een van de gemakkelijkste, misschien wel de gemakkelijkste berekeningen zijn voor neuronen.

In experimenten presteert het systeem van Poggio mogelijk niet beter dan machine learning-systemen. Maar het vereist veel minder trainingsvoorbeelden, wat suggereert dat het beter repliceert wat de hersenen doen. En voor de meeste rekentaken blijkt de aanpak van de hersenen meestal beter te zijn.

Poggio is van mening dat collecties van puntproducten ook meer abstracte concepten kunnen verankeren. Sjablonen die verschillende gevormde clusters van objecten bevatten - gerangschikt als stippen op het oppervlak van een dobbelsteen, of in een lijn of in een cirkel - zouden het begrip getal kunnen ondersteunen; een sjabloon van parallelle lijnen bekeken vanuit verschillende perspectieven zou de noties van parallellisme of perspectief kunnen ondersteunen. Er zijn misschien meer interessante dingen te ontdekken, zegt hij.

wazig denken
Net als Poggio is Josh Tenenbaum professor bij de afdeling Hersenen en Cognitieve Wetenschappen (BCS) en hoofdonderzoeker bij CSAIL. Hoewel hij leiding geeft aan de ontwikkelingsstuwkracht van CBMM, die zich concentreert op het intuïtieve begrip van natuurkunde dat zelfs jonge kinderen demonstreren, heeft hij ook onderzoek gedaan dat zou kunnen bijdragen aan het theoretische werk dat Poggio leidt.

Het vroegste AI-onderzoek, legt Tenenbaum uit, was gericht op het bouwen van een wiskundige taal die beweringen kon coderen zoals vogels kunnen vliegen en duiven zijn vogels. Als de taal rigoureus genoeg was, dachten onderzoekers, zouden computeralgoritmen in staat zijn om beweringen die erin zijn geschreven te kammen en alle logisch geldige gevolgtrekkingen te berekenen.

Maar om linguïstische beweringen te begrijpen, bleek veel, veel meer achtergrondinformatie nodig dan verwacht. Niet alle vogels kunnen bijvoorbeeld vliegen. En onder vogels die niet kunnen vliegen, is er een onderscheid tussen een roodborstje in een kooi en een roodborstje met een gebroken vleugel, en een ander onderscheid tussen elk soort roodborstje en een pinguïn. Het handmatig coderen van deze gezond verstandelijke uitzonderingen om zelfs de meest rudimentaire soorten gevolgtrekkingen mogelijk te maken, bleek onbetaalbaar tijdrovend.

Bij machinaal leren daarentegen krijgt een computer veel voorbeelden van iets en wordt het overgelaten om zelf af te leiden wat die voorbeelden gemeen hebben. (Gegeven een miljoen afbeeldingen van een leeuw, kan een machine learning-algoritme zijn eigen gissingen kwantificeren: 77 procent van de afbeeldingen met deze visuele kenmerken zijn afbeeldingen van leeuwen.) Maar hoewel deze benadering redelijk goed kan werken met duidelijk gedefinieerde problemen, bijvoorbeeld het identificeren van afbeeldingen van vogels - het heeft moeite met meer abstracte concepten zoals vliegen, een capaciteit die wordt gedeeld door vogels, helikopters, vliegers en superhelden. En zelfs vluchten is een concreet begrip vergeleken met bijvoorbeeld grammatica of moederschap.

Tenenbaum en zijn studenten hebben een nieuw type tool ontwikkeld, een probabilistische programmeertaal genaamd, die het beste aan oude en nieuwe AI combineert. Net als de vroege AI-talen bevat het ook deductieregels. Maar die regels zijn probabilistisch. Verteld dat de casuaris een vogel is, zou een programma geschreven in de taal van Tenenbaum kunnen concluderen dat casuarissen waarschijnlijk kunnen vliegen. Maar als het programma vervolgens werd verteld dat kasuarissen bijna 200 pond kunnen wegen, zou het zijn kansen naar beneden kunnen herzien.

In de twee eerdere tijdperken van AI was het grootste verschil symbolen versus statistieken, zegt Tenenbaum. Een van de dingen die we aan de wiskundige kant hebben ontdekt, is hoe we deze kunnen combineren, hoe we statistische gevolgtrekkingen en probabilistische redeneringen [met] deze symbolische talen kunnen doen.

mensen lezen
De tweede van Poggio's vijf benchmarkvragen - Wie staat er op de afbeelding? - wordt al lang in verband gebracht met het werk van BCS-professor Nancy Kanwisher, die vooral bekend staat om het gebruik van functionele MRI om een ​​hersengebied te identificeren en te analyseren dat is gewijd aan gezichtsperceptie.

Kanwisher leidt de sociale-inlichtingendienst van de CBMM, die ze ziet als het natuurlijke verlengstuk van haar eerdere werk. Als je naar een gezicht kijkt, ben je geïnteresseerd in meer dan alleen de demografische basisdingen, zoals welke persoon dat is, zijn ze man of vrouw, hoe oud zijn ze, zegt ze. Je kunt niet alleen zien of iemand blij of verdrietig is, maar ook of hij assertief of aarzelend is, of hij uitbundig of passief is - er is een rijke ruimte van dingen die we in een heel korte blik in een gezicht kunnen zien.

Evenzo, zegt Kanwisher, kunnen mensen veel afleiden over de stemmingen, intenties en relaties van mensen met anderen uit lichaamstaal, wat het voordeel heeft dat ze vatbaar zijn voor computationele modellering. Ze wijst ook op het werk van wijlen Nalini Ambady, de sociaal psycholoog van Stanford University die de theorie van dunne-schijfjes oordelen ontwikkelde.

Ze filmde TA's van Harvard-cursussen die aan het begin van het semester lesgaven voor hun lessen, zegt Kanwisher. Daarna liet ze heel korte segmenten van deze video's zien aan proefpersonen in psychologie-experimenten en zei: 'Beoordeel de effectiviteit van deze leraar.' zelfs horen wat ze zeggen. En ze ontdekte dat die beoordelingen sterk gecorreleerd waren met de beoordelingen van de daadwerkelijke studenten van die persoon.

Het eerste project van de sociale intelligentie van de CBMM, zegt Kanwisher, zal zijn om een ​​reeks experimentele taken te ontwerpen waarmee onderzoekers de menselijke sociale perceptie kunnen kwantificeren. Zodra de onderzoekers een baseline hebben vastgesteld, kunnen ze bijvoorbeeld bestuderen hoe de prestaties op de taken zich ontwikkelen tijdens de kindertijd, of hoe de prestaties van autistische kinderen verschillen van die van andere kinderen. Ze konden ook de hersengebieden identificeren die betrokken zijn bij sociale perceptie door fMRI te gebruiken om neurale activiteit te meten of transcraniële magnetische stimulatie om de prestaties te verstoren. En nadat ze al deze gegevens hebben verzameld, zullen ze proberen om computationeel te modelleren wat de hersenen precies doen.

Volg het verhaal
De latere vragen op Poggio's lijst: Wie doet wat met wie? en wat gebeurt er daarna? - fascineren Patrick Winston. Hij gelooft dat het bepalende kenmerk van menselijke intelligentie het vermogen is om verhalen te vertellen en te begrijpen. Dat vermogen speelt zelfs een rol bij het labelen van afbeeldingen. Zoals Winston graag aangeeft, zal een menselijk subject een beeld van een man die een glas aan zijn lippen houdt, identificeren als dat van een drinkende man. Als de man het glas een paar centimeter verder naar voren houdt, is hij aan het roosteren. Maar een mens zal ook een afbeelding herkennen van een kat die zijn kop opdraait om een ​​paar druppels water uit een kraan op te vangen als een voorbeeld van drinken. Je moet nadenken over wat je daar ziet als een verhaal, zegt Winston. Ze krijgen hetzelfde label omdat het hetzelfde verhaal is, niet omdat het er hetzelfde uitziet.

Dat is een reden om een ​​onderzoeksinspanning te wijden aan de integratie van visie, taal en sociale en motorische vaardigheden. Om een ​​andere reden te illustreren, wijst Winston op een experiment dat is uitgevoerd door ontwikkelingspsycholoog Elizabeth Spelke, een voormalig MIT-faculteitslid dat nu op Harvard zit en een van de belangrijkste onderzoekers is in de ontwikkelingsfase. Spelke was geïntrigeerd door experimenten waarbij onderzoekers ratten op een roterend platform in het midden van een kamer hadden geplaatst. Eten werd zichtbaar in een hoek van de kamer geplaatst, maar vervolgens aan het zicht onttrokken. Identieke maskers werden in de andere drie hoeken geplaatst en het platform werd gedraaid. Spelke besloot dat onderzoek uit te breiden naar menselijke kinderen en volwassenen, door speelgoed of een sleutelring te verbergen in plaats van voedsel.

Bij alle dieren, kinderen en volwassenen, zou de proefpersoon, zodra het draaien was gestopt, met gelijke waarschijnlijkheid naar de hoek met het gemaskerde object gaan of naar de hoek met het gemaskerde object, of de hoek er schuin tegenover, die dezelfde relatie tot het onderwerp had. Beide groepen onderzoekers varieerden ook in het experiment en schilderden een andere kleur op een van de muren naast de hoek waar het object was geplaatst. Dieren en kleine kinderen selecteerden nog steeds met gelijke waarschijnlijkheid de juiste hoek of de hoek er tegenover, maar volwassenen konden het object nu betrouwbaar terughalen.

Hier wordt het interessant. Als de volwassenen werd gevraagd naar een tekstpassage te luisteren en deze terug te zeggen voordat ze naar het object gingen, keerden ze terug naar het verwarren van de diametraal tegenovergestelde hoeken. Het horen en reciteren van de tekst kost de menselijke taalprocessor, en dat reduceert ze tot het niveau van een rat, zegt Winston. Daarna zullen ze zeggen: 'Ja, ik kon de blauwe muur zien, maar ik kon hem niet helemaal gebruiken.'

Het beantwoorden van de hoogste vragen op de benchmarklijsten van de CBMM-onderzoekers zal waarschijnlijk veel langer duren dan de vijf jaar van de initiële NSF-subsidie. Maar, zegt Poggio, het is tijd om het opnieuw te proberen. Het is 50 jaar geleden. We weten niet of het deze keer zal lukken. Maar als we het niet proberen, zullen we het ook niet weten.

zich verstoppen