Amenez un enfant de trois ans au zoo, et il déterminera intuitivement que l'animal à long cou qui mâche les feuilles est la même girafe du livre d'images de son enfant. Cet exploit simple est en fait assez complexe. Le dessin dans le livre est une silhouette figée de lignes simples et la créature vivante est un chef-d'œuvre de couleur, de texture, de mouvement et de lumière. Il a un aspect différent lorsqu'il est vu sous différents angles et peut changer de forme, de position, de perspective.
En général, les gens réussissent bien dans ce genre de tâches. Nous pouvons facilement comprendre les caractéristiques les plus importantes d'un objet à partir d'exemples simples et appliquer ces connaissances à quelque chose de inconnu. Les ordinateurs, par contre, ont généralement besoin de compiler une base de données complète de girafes, montrées dans différentes positions, à partir de perspectives différentes, afin d'apprendre à reconnaître avec précision un animal.
L'identité visuelle est l'un des nombreux domaines dans lesquels les humains battent facilement les ordinateurs. Nous recherchons également mieux les informations pertinentes dans le flux de données; nous résolvons des problèmes non structurés; Nous apprenons de manière ludique, comme un enfant qui apprend la gravité en jouant avec des blocs.
«Les gens sont beaucoup, beaucoup plus polyvalents», déclare Tai Sing Lee, scientifique et neuroscientifique à l'Université Carnegie Mellon de Pittsburgh. «Nous sommes toujours plus flexibles dans notre réflexion, capables de prévoir, d'imaginer et de créer des événements futurs.»
Mais les États-Unis financent un nouveau programme ambitieux qui vise à mettre l'intelligence artificielle sur un pied d'égalité avec nos propres capacités mentales. Trois équipes de neuroscientifiques et d'informaticiens tentent de comprendre comment le cerveau réalise ces exploits d'identification visuelle, puis construisent des machines qui font de même.
«L'apprentissage automatique moderne échoue là où les humains prospèrent», déclare Jacob Vogelstein, qui dirige le programme à Intelligence Advanced Research Projects Activity (IARPA). "Nous voulons révolutionner l'apprentissage automatique par des algorithmes d'ingénierie inverse et des calculs cérébraux."
Il y a très peu de temps. Chaque groupe modélise actuellement une parcelle d'écorce avec des détails sans précédent. Ensemble, ils développent des algorithmes basés sur ce qu'ils ont appris. D'ici l'été prochain, chacun de ces algorithmes recevra un exemple de chose inconnue à détecter dans des milliers d'images dans la base de données inconnue. «Le calendrier est très serré», a déclaré Christoph Koch, président et chercheur principal à l'Allen Institute for Brain Science à Seattle, qui travaille avec l'une des équipes.
Koch et ses collègues créent un schéma de câblage complet pour un petit cube du cerveau - un million de microns cubes, environ un cinq centième du volume d'une graine de pavot. Et c'est un ordre de grandeur de plus que la carte la plus complète et la plus grande du tissage cérébral à ce jour, qui a été publiée en juin de l'année dernière et qui a pris environ six ans à créer.
Vidéo promotionelle:
À la fin d'un projet IARPA de cinq ans appelé «intelligence artificielle du réseau cortical (microns)», les scientifiques prévoient de cartographier un millimètre cube du cortex. Ce minuscule morceau contient près de 100 000 neurones, 3 à 15 millions de connexions neuronales ou synapses et suffisamment d'enchevêtrements neuronaux pour couvrir une grande ville si elle est démêlée et étirée.
Personne n'a encore tenté de reconstruire une partie du cerveau à une telle échelle. Mais des efforts à plus petite échelle ont montré que de telles cartes peuvent éclairer le fonctionnement interne du cortex cérébral. Dans un article publié dans la revue Nature en mars, Wei-Chung Allen Lee - un neuroscientifique de l'Université Harvard qui travaille avec l'équipe de Koch - et ses collègues ont cartographié les connexions de 50 neurones et de plus de 1000 de leurs partenaires. En combinant cette carte avec des informations sur le fonctionnement de chaque neurone du cerveau - certains répondent à un signal visuel, par exemple - les scientifiques ont déduit une règle simple de la connexion anatomique des neurones dans cette partie du cortex. Et ils ont constaté que les neurones ayant des fonctions similaires sont plus susceptibles de se connecter et de former de grandes connexions les uns avec les autres, et moins susceptibles avec d'autres types de neurones.
Et bien que l'objectif du projet Microns soit assez technologique - l'IARPA finance des recherches qui pourraient conduire à des outils d'analyse de données pour les agences de renseignement, et d'autres, bien sûr - en parallèle, les scientifiques recevront des données sur le travail du cerveau. Andreas Tolias, neurologue au Baylor College of Medicine et l'un des principaux membres de l'équipe de Koch, compare nos connaissances actuelles sur le cortex à une photographie floue. Il espère que l'ampleur sans précédent du projet Microns aidera à affiner cette perspective et à découvrir des règles plus complexes qui régissent nos circuits neuronaux. Sans connaître toutes les parties constitutives, «nous pouvons manquer la beauté de cette structure».
Processeur cérébral
Les plis complexes qui recouvrent la surface du cerveau et forment le cortex cérébral (cortex) sont littéralement coincés dans nos crânes. À bien des égards, c'est le microprocesseur du cerveau. L'intercalaire de trois millimètres d'épaisseur consiste en une série de modules répétitifs, ou microcircuits, comme un réseau de portes logiques dans une puce informatique. Chaque module se compose d'environ 100 000 neurones disposés en un réseau complexe de cellules interconnectées. Il est prouvé que la structure de base de ces modules est approximativement la même dans tout le cortex. Cependant, les modules dans différentes régions du cerveau sont spécialisés à des fins spécifiques telles que la vision, le mouvement et l'audition.
Les scientifiques n'ont qu'une idée approximative de l'apparence de ces modules et de leur fonctionnement. Ils se limitent largement à l'étude du cerveau à la plus petite échelle: des dizaines ou des centaines de neurones. Les nouvelles technologies conçues pour suivre la forme, l'activité et la connectivité de milliers de neurones permettent seulement maintenant aux scientifiques de commencer à analyser comment les cellules d'un module interagissent les unes avec les autres; comment l'activité dans une partie du système peut générer une activité dans une autre partie. «Pour la première fois dans l'histoire, nous avons pu interroger ces modules au lieu de simplement deviner le contenu», déclare Vogelstein. "Différentes équipes ont des suppositions différentes sur ce qu'il y a à l'intérieur."
Les chercheurs se concentreront sur la partie du cortex responsable de la vision. Ce système de sentiments a été activement étudié par les neurophysiologistes, et les spécialistes de la modélisation informatique tentent depuis longtemps de l'imiter. «La vision semble simple - ouvrez simplement les yeux - mais enseigner aux ordinateurs à faire de même est très difficile», déclare David Cox, neuroscientifique à l'Université de Harvard qui dirige l'une des équipes de l'IARPA.
Andreas Tolias (à gauche)
Chaque équipe part de la même idée de base du fonctionnement de la vision: une vieille théorie connue sous le nom d'analyse par synthèse. Selon cette idée, le cerveau fait des prédictions sur ce qui va se passer dans un proche avenir, puis vérifie ces prédictions par rapport à ce qu'il voit. La force de cette approche réside dans son efficacité - elle nécessite moins de calculs que la recréation continue de chaque instant dans le temps.
Le cerveau peut effectuer une analyse par synthèse de différentes manières, de sorte que les scientifiques explorent une autre possibilité. Le groupe de Cox voit dans le cerveau une sorte de moteur physique qui utilise des modèles physiques existants pour simuler le monde tel qu'il devrait ressembler. L'équipe de Tai Sing Lee, avec George Church, suppose que le cerveau a une bibliothèque intégrée de pièces - pièces et pièces d'objets et de personnes - et enseigne les règles pour assembler ces pièces. Les feuilles, par exemple, apparaissent généralement sur les branches. Le groupe de Tolias travaille sur une approche davantage axée sur les données, dans laquelle le cerveau crée des attentes statistiques pour le monde dans lequel il vit. Son groupe testera différentes hypothèses sur la manière dont différentes parties du circuit apprennent à communiquer.
Les trois groupes surveilleront l'activité neuronale de dizaines de milliers de neurones dans le cube cérébral cible. Ensuite, diverses méthodes sont utilisées pour créer un schéma de câblage pour ces cellules. L'équipe de Cox, par exemple, coupera le tissu cérébral en couches plus minces qu'un cheveu humain et analysera chaque tranche en utilisant la microscopie électronique. Les scientifiques collent ensuite chaque coupe transversale sur un ordinateur pour créer une carte 3D dense de la façon dont des millions de fils nerveux traversent le cortex.
Avec la carte et le tableau d'activités en main, chaque équipe tentera de comprendre les règles de base régissant le circuit. Ensuite, ils programment ces règles dans la simulation et mesurent à quel point la simulation correspond au cerveau réel.
Andreas Tolias et ses collègues ont cartographié les connexions de paires de neurones et enregistré leur activité électrique. L'anatomie complexe de cinq neurones (en haut à gauche) peut être résumée dans un simple diagramme schématique (en haut à droite). Si vous faites passer un courant électrique à travers le neurone 2, il est activé, lançant une charge électrique dans deux cellules en bas du parcours, les neurones 1 et 5 (ci-dessous)
Tolias et ses collègues ont déjà goûté à cette approche. Dans un article publié dans Science en novembre, ils ont cartographié les connexions de 11 000 paires de neurones, révélant cinq nouveaux types de neurones. «Nous n'avons toujours pas une liste complète des parties qui composent le cortex, le type de cellules individuelles, leurs connexions», explique Koch. «C'est là que Tolias a commencé.»
Parmi les milliers de connexions neuronales, le groupe Tolias a découvert trois règles générales qui régissent la connexion des cellules: certaines communiquent principalement avec des neurones de leur propre type; d'autres évitent leur propre type, traitant principalement d'autres types; le troisième groupe ne communique qu'avec quelques autres neurones. (Le groupe de Tolias a défini ses cellules en fonction de l'anatomie neurale et non de la fonction, contrairement au groupe de Wei Li.) En utilisant seulement trois de ces règles de communication, les scientifiques ont pu reproduire le circuit assez précisément. «Le défi est maintenant de comprendre ce que signifient ces règles de communication de manière algorithmique», déclare Tolias. "Quel type de calcul font-ils?"
Réseaux de neurones basés sur de vrais neurones
L'intelligence artificielle basée sur le cerveau n'est pas une idée nouvelle. Les soi-disant réseaux neuronaux qui imitent la structure de base du cerveau étaient extrêmement populaires dans les années 1980. Mais à l'époque, les scientifiques du domaine manquaient de puissance de calcul et de données sur la façon de rendre les algorithmes efficaces. Et tous ces millions d'images de chats sur Internet ne l'étaient pas. Et bien que les réseaux de neurones aient connu une renaissance majeure - de nos jours, il est déjà difficile d'imaginer la vie sans programmes de reconnaissance vocale et faciale, et l'ordinateur AlphaGo a récemment battu le meilleur joueur au monde - les règles qui utilisent les réseaux de neurones pour modifier leurs connexions sont presque certainement différentes de celles ce que le cerveau utilise.
Les réseaux de neurones modernes «sont basés sur ce que nous savions du cerveau dans les années 1960», explique Terry Seinowski, neuroscientifique informatique au Salk Institute de San Diego, qui a développé les premiers algorithmes de réseau de neurones avec Jeffrey Hinton, un scientifique à l'Université de Toronto. "Notre connaissance de la façon dont le cerveau est organisé éclate à tous les niveaux."
Par exemple, les réseaux de neurones modernes consistent en une architecture à flux direct, où les informations circulent de l'entrée à la sortie à travers une série de couches. Chaque couche est formée pour reconnaître certaines caractéristiques, comme les yeux ou les moustaches. Ensuite, l'analyse continue et chaque couche effectue des calculs de plus en plus complexes. Finalement, le programme reconnaît un chat dans une série de pixels colorés.
Mais cette structure tournée vers l'avenir manque d'un élément important du système biologique: la rétroaction, à la fois à l'intérieur des couches individuelles et à partir de couches d'un ordre supérieur avec une couche inférieure. Dans un cerveau réel, les neurones d'une couche du cortex sont connectés à leurs voisins, ainsi qu'aux neurones des couches supérieures et inférieures, formant un réseau complexe de boucles. «La rétroaction est une partie extrêmement importante des réseaux corticaux», déclare Seinovski. "Il y a autant de signaux en retour que de connexions par anticipation."
Les neuroscientifiques ne comprennent pas encore pleinement ce que font les boucles de rétroaction, même s'ils savent qu'elles sont essentielles à notre capacité à nous concentrer. Ils nous aident à écouter la voix au téléphone sans être distraits par les bruits de la ville, par exemple. Une partie de la popularité de la théorie de l'analyse par synthèse réside dans le fait qu'elle fournit la base de tous ces composés répétitifs. Ils aident le cerveau à comparer ses prédictions avec la réalité.
Les chercheurs de Microns cherchent à déchiffrer les règles régissant les boucles de rétroaction - par exemple, quelles cellules connectent les boucles, lesquelles activent leur activité et comment cette activité affecte la sortie de données du circuit - puis traduisent ces règles en un algorithme. «La machine manque maintenant d'imagination et d'introspection. Je crois que la boucle de rétroaction nous permettra d'imaginer et de s'auto-analyser à de nombreux niveaux différents », déclare Tai Sing Lee.
Peut-être qu'une boucle de rétroaction dotera un jour les machines de fonctionnalités que nous considérons comme uniques aux humains. «Si vous pouviez implémenter une boucle de rétroaction dans un réseau profond, vous pourriez passer d'un réseau qui n'est capable que d'un réflexe instinctif - fournissant des entrées et des sorties - à un réseau plus réfléchissant qui commence à comprendre ses entrées et à tester ses hypothèses.» dit Sejnowski.
La clé du mystère de la conscience
Comme tous les programmes IARPA, le projet Microns présente un risque élevé. Les technologies dont les scientifiques ont besoin pour cartographier à grande échelle l'activité et les enchevêtrements neuronaux existent, mais personne ne les a appliquées à une telle échelle jusqu'à présent. Les scientifiques doivent gérer d'énormes quantités de données - 1 à 2 pétaoctets de données par millimètre cube de cerveau. Vous devrez probablement développer de nouveaux outils d'apprentissage automatique pour analyser toutes ces données, ce qui est assez ironique.
Il est également difficile de savoir si les leçons tirées de la petite morsure du cerveau peuvent faire allusion à de plus grands talents cérébraux. «Le cerveau n'est pas seulement un morceau d'écorce», dit Sejnowski. "Le cerveau, ce sont des centaines de systèmes spécialisés pour différentes fonctions."
Le cortex cérébral lui-même est composé de liens répétitifs qui se ressemblent à peu près. Mais d'autres parties du cerveau peuvent fonctionner de manière très différente. «Si vous voulez une IA qui va au-delà de la simple reconnaissance de formes, vous aurez besoin de nombreuses pièces différentes», explique Seinowski.
Si le projet réussit, cependant, il fera plus qu'analyser les données du renseignement. Un algorithme réussi révélera des vérités importantes sur la façon dont le cerveau donne un sens à ce monde. En particulier, cela aidera à confirmer si le cerveau fonctionne vraiment par analyse par synthèse - qu'il compare ses prédictions sur le monde avec les données entrantes de nos sens. Cela montrera qu'un ingrédient clé de la recette de la conscience est un mélange en constante évolution d'imagination et de perception. En construisant une machine capable de penser, les scientifiques espèrent découvrir les secrets de la pensée elle-même.
