Χαρτογράφηση του εγκεφάλου για την κατασκευή καλύτερων μηχανών

Πάρτε ένα τρίχρονο στον ζωολογικό κήπο και ξέρει διαισθητικά ότι το πλάσμα με το μακρύ λαιμό που τσιμπολογάει τα φύλλα είναι το ίδιο πράγμα με την καμηλοπάρδαλη στο βιβλίο με εικόνες της. Αυτό το επιφανειακά εύκολο κατόρθωμα είναι στην πραγματικότητα αρκετά περίπλοκο. Το σχέδιο κινουμένων σχεδίων είναι μια παγωμένη σιλουέτα απλών γραμμών, ενώ το ζωντανό ζώο είναι γεμάτο χρώμα, υφή, κίνηση και φως. Μπορεί να παραμορφωθεί σε διαφορετικά σχήματα και να φαίνεται διαφορετικό από κάθε γωνία.

Οι άνθρωποι υπερέχουν σε αυτού του είδους τις εργασίες. Μπορούμε να κατανοήσουμε αβίαστα τα πιο σημαντικά χαρακτηριστικά ενός αντικειμένου από μερικά μόνο παραδείγματα και να εφαρμόσουμε αυτά τα χαρακτηριστικά σε άγνωστα. Οι υπολογιστές, από την άλλη πλευρά, συνήθως πρέπει να ταξινομήσουν μια ολόκληρη βάση δεδομένων με καμηλοπαρδάλεις, που εμφανίζονται σε πολλές ρυθμίσεις και από διαφορετικές οπτικές γωνίες, για να μάθουν να αναγνωρίζουν με ακρίβεια το ζώο.

Η οπτική αναγνώριση είναι ένας από τους πολλούς χώρους όπου οι άνθρωποι νικούν τους υπολογιστές. Είμαστε επίσης καλύτεροι στο να βρίσκουμε σχετικές πληροφορίες σε μια πλημμύρα δεδομένων. στην επίλυση μη δομημένων προβλημάτων· και στη μάθηση χωρίς επίβλεψη, όπως ένα μωρό μαθαίνει για τη βαρύτητα όταν παίζει με μπλοκ. «Οι άνθρωποι είναι πολύ, πολύ καλύτεροι γενικοί», είπε ο Tai Sing Lee, επιστήμονας υπολογιστών και νευροεπιστήμονας στο Πανεπιστήμιο Carnegie Mellon στο Πίτσμπουργκ. "Είμαστε ακόμα πιο ευέλικτοι στη σκέψη και μπορούμε να προβλέψουμε, να φανταστούμε και να δημιουργήσουμε μελλοντικά γεγονότα."

Ένα φιλόδοξο νέο πρόγραμμα, που χρηματοδοτείται από το τμήμα πληροφοριών της ομοσπονδιακής κυβέρνησης, στοχεύει να ευθυγραμμίσει περισσότερο την τεχνητή νοημοσύνη με τις δικές μας νοητικές δυνάμεις. Τρεις ομάδες που αποτελούνται από νευροεπιστήμονες και επιστήμονες υπολογιστών θα προσπαθήσουν να καταλάβουν πώς ο εγκέφαλος εκτελεί αυτά τα κατορθώματα της οπτικής αναγνώρισης και στη συνέχεια θα φτιάξουν μηχανές που κάνουν το ίδιο. «Η σημερινή μηχανική μάθηση αποτυγχάνει εκεί όπου οι άνθρωποι διαπρέπουν», δήλωσε ο Jacob Vogelstein, επικεφαλής του προγράμματος στο Intelligence Advanced Research Projects Activity (IARPA). «Θέλουμε να φέρουμε επανάσταση στη μηχανική μάθηση με την αντίστροφη μηχανική των αλγορίθμων και των υπολογισμών του εγκεφάλου».

Ο χρόνος είναι λίγος. Κάθε ομάδα μοντελοποιεί τώρα ένα κομμάτι φλοιού με πρωτοφανή λεπτομέρεια. Σε συνδυασμό, οι ομάδες αναπτύσσουν αλγόριθμους βασισμένους εν μέρει σε αυτά που μαθαίνουν. Μέχρι το επόμενο καλοκαίρι, σε καθέναν από αυτούς τους αλγόριθμους θα δοθεί ένα παράδειγμα ενός ξένου στοιχείου και στη συνέχεια θα απαιτείται να διαλέξει παρουσίες του από χιλιάδες εικόνες σε μια βάση δεδομένων χωρίς ετικέτα. "Είναι ένα πολύ επιθετικό χρονικό πλαίσιο", δήλωσε ο Christof Koch, πρόεδρος και επικεφαλής επιστημονικός υπεύθυνος του Allen Institute for Brain Science στο Σιάτλ, το οποίο συνεργάζεται με μία από τις ομάδες.

Ο Koch και οι συνάδελφοί του δημιουργούν τώρα ένα πλήρες διάγραμμα συνδεσμολογίας ενός μικρού κύβου εγκεφάλου - ένα εκατομμύριο κυβικά μικρά, που αντιστοιχεί συνολικά στο ένα πεντακοστό του όγκου ενός σπόρου παπαρούνας. Αυτό είναι τάξεις μεγέθους μεγαλύτερες από τον πιο εκτεταμένο πλήρη χάρτη καλωδίωσης μέχρι σήμερα, ο οποίος δημοσιεύτηκε τον περασμένο Ιούνιο και χρειάστηκε περίπου έξι χρόνια για να ολοκληρωθεί.

Μέχρι το τέλος του πενταετούς έργου IARPA, που ονομάστηκε Machine Intelligence from Cortical Networks (Microns), οι ερευνητές στοχεύουν να χαρτογραφήσουν ένα κυβικό χιλιοστό φλοιού. Αυτό το μικροσκοπικό τμήμα φιλοξενεί περίπου 100.000 νευρώνες, 3 έως 15 εκατομμύρια νευρωνικές συνδέσεις ή συνάψεις και αρκετή νευρωνική καλωδίωση για να εκτείνεται σε όλο το πλάτος του Μανχάταν, αν ήταν όλα ξεμπερδεμένα και τοποθετημένα από άκρη σε άκρη.

Κανείς δεν έχει επιχειρήσει ακόμη να ανακατασκευάσει ένα κομμάτι εγκεφάλου σε αυτή την κλίμακα. Ωστόσο, προσπάθειες μικρότερης κλίμακας έδειξαν ότι αυτοί οι χάρτες μπορούν να παρέχουν εικόνα για την εσωτερική λειτουργία του φλοιού. Σε μια εργασία που δημοσιεύτηκε στο περιοδικό Nature Τον Μάρτιο, ο Wei-Chung Allen Lee - ένας νευροεπιστήμονας στο Πανεπιστήμιο του Χάρβαρντ που εργάζεται με την ομάδα του Koch - και οι συνεργάτες του χαρτογράφησαν ένα διάγραμμα συνδεσμολογίας 50 νευρώνων και περισσότερων από 1.000 συνεργατών τους. Συνδυάζοντας αυτόν τον χάρτη με πληροφορίες σχετικά με τη δουλειά κάθε νευρώνα στον εγκέφαλο - μερικοί ανταποκρίνονται σε μια οπτική είσοδο κάθετων ράβδων, για παράδειγμα - έβγαλαν έναν απλό κανόνα για τον τρόπο με τον οποίο οι νευρώνες σε αυτό το τμήμα του φλοιού συνδέονται ανατομικά. Διαπίστωσαν ότι οι νευρώνες με παρόμοιες λειτουργίες είναι πιο πιθανό να συνδέονται και να κάνουν μεγαλύτερες συνδέσεις μεταξύ τους από ό,τι με άλλους τύπους νευρώνων.

Ενώ ο σιωπηρός στόχος του έργου Microns είναι τεχνολογικός - η IARPA χρηματοδοτεί έρευνα που θα μπορούσε τελικά να οδηγήσει σε εργαλεία ανάλυσης δεδομένων για την κοινότητα πληροφοριών, μεταξύ άλλων - νέες και βαθιές γνώσεις για τον εγκέφαλο θα πρέπει να έρθουν πρώτα. Ο Ανδρέας Τόλιας, νευροεπιστήμονας στο Baylor College of Medicine, ο οποίος ηγείται της ομάδας του Koch, παρομοιάζει τις τρέχουσες γνώσεις μας για τον φλοιό με μια θολή φωτογραφία. Ελπίζει ότι η άνευ προηγουμένου κλίμακα του έργου Microns θα βοηθήσει να οξύνει αυτή την άποψη, εκθέτοντας πιο εξελιγμένους κανόνες που διέπουν τα νευρωνικά μας κυκλώματα. Χωρίς να γνωρίζει όλα τα συστατικά μέρη, είπε, "ίσως μας λείπει η ομορφιά της δομής."

Οι μονάδες επεξεργασίας του εγκεφάλου

Οι μπερδεμένες πτυχές που καλύπτουν την επιφάνεια του εγκεφάλου σχηματίζουν τον εγκεφαλικό φλοιό, ένα φύλλο ιστού μεγέθους πίτσας που είναι κομμένο για να χωρέσει στο κρανίο μας. Είναι από πολλές απόψεις ο μικροεπεξεργαστής του εγκεφάλου. Το φύλλο, πάχους περίπου τριών χιλιοστών, αποτελείται από μια σειρά επαναλαμβανόμενων μονάδων ή μικροκυκλωμάτων, παρόμοια με τη σειρά λογικών πυλών σε ένα τσιπ υπολογιστή. Κάθε ενότητα αποτελείται από περίπου 100.000 νευρώνες διατεταγμένους σε ένα πολύπλοκο δίκτυο διασυνδεδεμένων κυττάρων. Τα στοιχεία δείχνουν ότι η βασική δομή αυτών των μονάδων είναι περίπου η ίδια σε όλο τον φλοιό. Ωστόσο, οι μονάδες σε διαφορετικές περιοχές του εγκεφάλου είναι εξειδικευμένες για συγκεκριμένους σκοπούς, όπως όραση, κίνηση ή ακοή.

Οι επιστήμονες έχουν μόνο μια πρόχειρη αίσθηση του πώς μοιάζουν αυτές οι ενότητες και πώς λειτουργούν. Έχουν περιοριστεί σε μεγάλο βαθμό στη μελέτη του εγκεφάλου σε μικρότερες κλίμακες:δεκάδες ή εκατοντάδες νευρώνες. Νέες τεχνολογίες που έχουν σχεδιαστεί για την ανίχνευση του σχήματος, της δραστηριότητας και της συνδεσιμότητας χιλιάδων νευρώνων επιτρέπουν επιτέλους στους ερευνητές να αναλύσουν τον τρόπο με τον οποίο τα κύτταρα σε μια ενότητα αλληλεπιδρούν μεταξύ τους. πώς η δραστηριότητα σε ένα μέρος του συστήματος μπορεί να προκαλέσει ή να μειώσει τη δραστηριότητα σε ένα άλλο μέρος. «Για πρώτη φορά στην ιστορία, έχουμε τη δυνατότητα να ανακρίνουμε τις ενότητες αντί να μαντεύουμε απλώς το περιεχόμενο», είπε ο Vogelstein. "Διαφορετικές ομάδες έχουν διαφορετικές εικασίες για το τι υπάρχει μέσα."

Οι ερευνητές θα επικεντρωθούν σε ένα μέρος του φλοιού που επεξεργάζεται την όραση, ένα αισθητήριο σύστημα που οι νευροεπιστήμονες έχουν εξερευνήσει εντατικά και το οποίο οι επιστήμονες υπολογιστών προσπαθούν εδώ και καιρό να μιμηθούν. «Η όραση φαίνεται εύκολη — απλά ανοίξτε τα μάτια σας — αλλά είναι δύσκολο να διδάξετε τους υπολογιστές να κάνουν το ίδιο πράγμα», είπε ο Ντέιβιντ Κοξ, νευροεπιστήμονας στο Χάρβαρντ που ηγείται μιας από τις ομάδες IARPA.

Κάθε ομάδα ξεκινά με την ίδια βασική ιδέα για το πώς λειτουργεί η όραση, μια θεωρία δεκαετιών γνωστή ως ανάλυση-από-σύνθεση. Σύμφωνα με αυτή την ιδέα, ο εγκέφαλος κάνει προβλέψεις για το τι θα συμβεί στο άμεσο μέλλον και στη συνέχεια συμβιβάζει αυτές τις προβλέψεις με αυτό που βλέπει. Η δύναμη αυτής της προσέγγισης έγκειται στην αποτελεσματικότητά της — απαιτεί λιγότερους υπολογισμούς από τη συνεχή αναδημιουργία κάθε στιγμή στο χρόνο.

Ο εγκέφαλος μπορεί να εκτελέσει ανάλυση-σύνθεση με οποιονδήποτε αριθμό διαφορετικών τρόπων, έτσι κάθε ομάδα διερευνά μια διαφορετική πιθανότητα. Η ομάδα του Cox βλέπει τον εγκέφαλο ως ένα είδος φυσικής μηχανής, με υπάρχοντα μοντέλα φυσικής που χρησιμοποιεί για να προσομοιώσει πώς πρέπει να μοιάζει ο κόσμος. Η ομάδα του Tai Sing Lee, με επικεφαλής τον Τζορτζ Τσερτς, θεωρεί ότι ο εγκέφαλος έχει δημιουργήσει μια βιβλιοθήκη εξαρτημάτων - κομμάτια αντικειμένων και ανθρώπων - και μαθαίνει κανόνες για το πώς να συνδυάζει αυτά τα μέρη. Τα φύλλα, για παράδειγμα, τείνουν να εμφανίζονται στα κλαδιά. Η ομάδα του Tolias εργάζεται σε μια προσέγγιση που βασίζεται περισσότερο στα δεδομένα, όπου ο εγκέφαλος δημιουργεί στατιστικές προσδοκίες για τον κόσμο στον οποίο ζει. Η ομάδα του θα δοκιμάσει διάφορες υποθέσεις για το πώς μαθαίνουν να επικοινωνούν διαφορετικά μέρη του κυκλώματος.

Και οι τρεις ομάδες θα παρακολουθούν τη νευρωνική δραστηριότητα από δεκάδες χιλιάδες νευρώνες σε έναν κύβο στόχο του εγκεφάλου. Στη συνέχεια, θα χρησιμοποιήσουν διαφορετικές μεθόδους για να δημιουργήσουν ένα διάγραμμα καλωδίωσης αυτών των κυττάρων. Η ομάδα του Cox, για παράδειγμα, θα κόψει τον εγκεφαλικό ιστό σε στρώματα πιο λεπτά από μια ανθρώπινη τρίχα και θα αναλύσει κάθε φέτα με ηλεκτρονικό μικροσκόπιο. Στη συνέχεια, η ομάδα θα συνδυάσει υπολογιστικά κάθε διατομή για να δημιουργήσει έναν πυκνά συσκευασμένο τρισδιάστατο χάρτη που χαρτογραφεί εκατομμύρια νευρωνικά σύρματα στην περίπλοκη διαδρομή τους μέσω του φλοιού.

Με έναν χάρτη και ένα μοτίβο δραστηριότητας στο χέρι, κάθε ομάδα θα προσπαθήσει να πει μερικούς βασικούς κανόνες που διέπουν το κύκλωμα. Στη συνέχεια, θα προγραμματίσουν αυτούς τους κανόνες σε μια προσομοίωση και θα μετρήσουν πόσο καλά ταιριάζει η προσομοίωση με έναν πραγματικό εγκέφαλο.

Ο Τόλιας και οι συνεργάτες του έχουν ήδη μια γεύση για το τι μπορεί να πετύχει αυτό το είδος προσέγγισης. Σε μια εργασία που δημοσιεύτηκε στο Science Τον Νοέμβριο, χαρτογράφησαν τις συνδέσεις μεταξύ 11.000 ζευγών νευρώνων, αποκαλύπτοντας πέντε νέους τύπους νευρώνων στη διαδικασία. «Δεν έχουμε ακόμη μια πλήρη λίστα με τα μέρη που συνθέτουν τον φλοιό, πώς μοιάζουν τα κύτταρα του ατόμου, πώς συνδέονται», είπε ο Κοχ. "Αυτό έχει αρχίσει να κάνει ο [Τόλιας]."

Μεταξύ αυτών των χιλιάδων νευρωνικών συνδέσεων, η ομάδα του Τόλιας αποκάλυψε τρεις γενικούς κανόνες που διέπουν τον τρόπο σύνδεσης των κυττάρων:Μερικοί μιλούν κυρίως με νευρώνες του δικού τους είδους. Άλλοι αποφεύγουν το δικό τους είδος, επικοινωνώντας κυρίως με άλλες ποικιλίες. και μια τρίτη ομάδα συνομιλεί μόνο με μερικούς άλλους νευρώνες. (Η ομάδα του Tolias όρισε τα κύτταρά τους με βάση τη νευρική ανατομία και όχι τη λειτουργία, κάτι που έκανε η ομάδα του Wei Lee στη μελέτη της.) Χρησιμοποιώντας μόνο αυτούς τους τρεις κανόνες καλωδίωσης, οι ερευνητές μπορούσαν να προσομοιώσουν το κύκλωμα με αρκετά μεγάλη ακρίβεια. «Τώρα η πρόκληση είναι να καταλάβουμε τι σημαίνουν αλγοριθμικά αυτοί οι κανόνες καλωδίωσης», είπε ο Τόλιας. "Τι είδους υπολογισμούς κάνουν;"

Νευρικά δίκτυα βασισμένα σε πραγματικούς νευρώνες

Η τεχνητή νοημοσύνη που μοιάζει με τον εγκέφαλο δεν είναι μια νέα ιδέα. Τα λεγόμενα νευρωνικά δίκτυα, που μιμούνται τη βασική δομή του εγκεφάλου, ήταν εξαιρετικά δημοφιλή τη δεκαετία του 1980. Αλλά εκείνη την εποχή, το πεδίο δεν είχε την υπολογιστική ισχύ και τα δεδομένα εκπαίδευσης που χρειάζονταν οι αλγόριθμοι για να γίνουν πραγματικά αποτελεσματικοί. Εξάλλου, όλες οι εκατομμύρια φωτογραφίες γατών με ετικέτα στο Διαδίκτυο δεν ήταν ακόμη διαθέσιμες. Και παρόλο που τα νευρωνικά δίκτυα γνώρισαν μεγάλη αναγέννηση — τα προγράμματα αναγνώρισης φωνής και προσώπου που έγιναν γρήγορα μέρος της καθημερινής μας ζωής βασίζονται σε αλγόριθμους νευρωνικών δικτύων, όπως και ο AlphaGo, ο υπολογιστής που νίκησε πρόσφατα τον κορυφαίο παίκτη Go στον κόσμο — το Οι κανόνες που χρησιμοποιούν τα τεχνητά νευρωνικά δίκτυα για να αλλάξουν τις συνδέσεις τους είναι σχεδόν σίγουρα διαφορετικοί από αυτούς που χρησιμοποιεί ο εγκέφαλος.

Τα σύγχρονα νευρωνικά δίκτυα «βασίζονται σε όσα γνωρίζαμε για τον εγκέφαλο τη δεκαετία του 1960», είπε ο Terry Sejnowski, ένας υπολογιστικός νευροεπιστήμονας στο Salk Institute στο Σαν Ντιέγκο, ο οποίος ανέπτυξε πρώιμους αλγόριθμους νευρωνικών δικτύων με τον Geoffrey Hinton, έναν επιστήμονα υπολογιστών στο Πανεπιστήμιο του Τορόντο. . "Η γνώση μας για το πώς είναι οργανωμένος ο εγκέφαλος εκρήγνυται."

Για παράδειγμα, τα σημερινά νευρωνικά δίκτυα αποτελούνται από μια αρχιτεκτονική feed-forward, όπου οι πληροφορίες ρέουν από την είσοδο στην έξοδο μέσω μιας σειράς επιπέδων. Κάθε στρώμα είναι εκπαιδευμένο να αναγνωρίζει ορισμένα χαρακτηριστικά, όπως ένα μάτι ή ένα μουστάκι. Αυτή η ανάλυση στη συνέχεια τροφοδοτείται προς τα εμπρός, με κάθε διαδοχικό επίπεδο να εκτελεί όλο και πιο περίπλοκους υπολογισμούς στα δεδομένα. Με αυτόν τον τρόπο, το πρόγραμμα αναγνωρίζει τελικά μια σειρά από έγχρωμα pixel ως γάτα.

Αλλά αυτή η δομή τροφοδοσίας αφήνει έξω ένα ζωτικό συστατικό του βιολογικού συστήματος:την ανάδραση, τόσο μέσα σε μεμονωμένα στρώματα όσο και από στρώματα υψηλότερης τάξης σε στρώματα χαμηλότερης τάξης. Στον πραγματικό εγκέφαλο, οι νευρώνες σε ένα στρώμα του φλοιού συνδέονται με τους γείτονές τους, καθώς και με νευρώνες στα στρώματα πάνω και κάτω από αυτούς, δημιουργώντας ένα περίπλοκο δίκτυο βρόχων. "Οι συνδέσεις ανατροφοδότησης είναι ένα απίστευτα σημαντικό μέρος των δικτύων του φλοιού", είπε ο Sejnowski. "Υπάρχουν τόσα σχόλια όσες και οι συνδέσεις προώθησης."

Οι νευροεπιστήμονες δεν καταλαβαίνουν ακόμη τι ακριβώς κάνουν αυτοί οι βρόχοι ανάδρασης, αν και γνωρίζουν ότι είναι σημαντικοί για την ικανότητά μας να κατευθύνουμε την προσοχή μας. Μας βοηθούν να ακούμε μια φωνή στο τηλέφωνο ενώ συντονίζουμε τους ήχους της πόλης που αποσπούν την προσοχή, για παράδειγμα. Μέρος της ελκυστικότητας της θεωρίας ανάλυσης-σύνθεσης είναι ότι παρέχει έναν λόγο για όλες αυτές τις επαναλαμβανόμενες συνδέσεις. Βοηθούν τον εγκέφαλο να συγκρίνει τις προβλέψεις του με την πραγματικότητα.

Οι ερευνητές Microns στοχεύουν να αποκρυπτογραφήσουν τους κανόνες που διέπουν τους βρόχους ανάδρασης - όπως ποια κύτταρα συνδέονται αυτοί οι βρόχοι, τι ενεργοποιεί τη δραστηριότητά τους και πώς αυτή η δραστηριότητα επηρεάζει την έξοδο του κυκλώματος - και στη συνέχεια μεταφράζουν αυτούς τους κανόνες σε έναν αλγόριθμο. «Αυτό που λείπει από μια μηχανή αυτή τη στιγμή είναι η φαντασία και η ενδοσκόπηση. Πιστεύω ότι το κύκλωμα ανάδρασης μας επιτρέπει να φανταστούμε και να εσωστρεφόμαστε σε πολλά διαφορετικά επίπεδα», είπε ο Tai Sing Lee.

Ίσως το κύκλωμα ανάδρασης μια μέρα να προσδώσει στις μηχανές χαρακτηριστικά που θεωρούμε μοναδικά ανθρώπινα. «Αν μπορούσατε να εφαρμόσετε [κύκλωμα ανάδρασης] σε ένα βαθύ δίκτυο, θα μπορούσατε να μεταβείτε από ένα δίκτυο που έχει μια αντίδραση σπασμωδικού γόνατου - δίνετε είσοδο και λαμβάνετε έξοδο - σε ένα πιο ανακλαστικό, που μπορεί να αρχίσει να σκέφτεται τις εισόδους και τις δοκιμές υποθέσεις», είπε ο Sejnowski, ο οποίος υπηρετεί ως σύμβουλος στην πρωτοβουλία BRAIN Initiative του Προέδρου Ομπάμα 100 εκατομμυρίων δολαρίων, μέρος της οποίας είναι το έργο Microns.

Στοιχεία για τη συνείδηση

Όπως όλα τα προγράμματα IARPA, το έργο Microns είναι υψηλού κινδύνου. Οι τεχνολογίες που χρειάζονται οι ερευνητές για μεγάλης κλίμακας χαρτογράφηση νευρωνικής δραστηριότητας και καλωδίωσης υπάρχουν, αλλά κανείς δεν τις έχει εφαρμόσει σε αυτή την κλίμακα πριν. Μια πρόκληση θα είναι η αντιμετώπιση των τεράστιων ποσοτήτων δεδομένων που παράγει η έρευνα - 1 έως 2 petabytes δεδομένων ανά χιλιοστό κύβο εγκεφάλου. Οι ομάδες πιθανότατα θα χρειαστεί να αναπτύξουν νέα εργαλεία μηχανικής μάθησης για να αναλύσουν όλα αυτά τα δεδομένα, έναν μάλλον ειρωνικό βρόχο ανατροφοδότησης από μόνος του.

Δεν είναι επίσης σαφές εάν τα μαθήματα που αντλήθηκαν από ένα μικρό κομμάτι εγκεφάλου θα αποδειχθούν ενδεικτικά των μεγαλύτερων ταλέντων του εγκεφάλου. «Ο εγκέφαλος δεν είναι απλώς ένα κομμάτι φλοιού», είπε ο Sejnowski. "Ο εγκέφαλος είναι εκατοντάδες συστήματα εξειδικευμένα για διαφορετικές λειτουργίες."

Ο ίδιος ο φλοιός αποτελείται από επαναλαμβανόμενες μονάδες που φαίνονται περίπου ίδιες. Αλλά άλλα μέρη του εγκεφάλου μπορεί να ενεργούν εντελώς διαφορετικά. Η ενισχυτική μάθηση που χρησιμοποιείται στον αλγόριθμο AlphaGo, για παράδειγμα, σχετίζεται με διαδικασίες που λαμβάνουν χώρα στα βασικά γάγγλια, μέρος του εγκεφάλου που εμπλέκεται στον εθισμό. "Αν θέλετε τεχνητή νοημοσύνη που υπερβαίνει την απλή αναγνώριση προτύπων, θα χρειαστείτε πολλά διαφορετικά μέρη", είπε ο Sejnowksi.

Εάν το έργο επιτύχει, ωστόσο, θα κάνει περισσότερα από την ανάλυση δεδομένων πληροφοριών. Ένας επιτυχημένος αλγόριθμος θα αποκαλύψει σημαντικές αλήθειες για το πώς ο εγκέφαλος αντιλαμβάνεται τον κόσμο. Συγκεκριμένα, θα βοηθήσει να επιβεβαιωθεί ότι ο εγκέφαλος λειτουργεί πράγματι μέσω ανάλυσης-σύνθεσης - ότι συγκρίνει τις δικές του προβλέψεις για τον κόσμο με τα εισερχόμενα δεδομένα που ξεπλένουν τις αισθήσεις μας. Θα αποκαλύψει ότι ένα βασικό συστατικό στη συνταγή για τη συνείδηση ​​είναι ένα διαρκώς μεταβαλλόμενο μείγμα φαντασίας και αντίληψης. «Είναι η φαντασία που μας επιτρέπει να προβλέψουμε μελλοντικά γεγονότα και να τη χρησιμοποιήσουμε για να καθοδηγήσουμε τις ενέργειές μας», είπε ο Tai Sing Lee. Κατασκευάζοντας μηχανές που σκέφτονται, αυτοί οι ερευνητές ελπίζουν να αποκαλύψουν τα μυστικά της ίδιας της σκέψης.