litbaza книги онлайнДомашняяКоннектом. Как мозг делает нас тем, что мы есть - Себастьян Сеунг

Шрифт:

-
+

Интервал:

-
+

Закладка:

Сделать
1 ... 47 48 49 50 51 52 53 54 55 ... 116
Перейти на страницу:

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.

Коннектом. Как мозг делает нас тем, что мы есть

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.

1 ... 47 48 49 50 51 52 53 54 55 ... 116
Перейти на страницу:

Комментарии
Минимальная длина комментария - 20 знаков. Уважайте себя и других!
Комментариев еще нет. Хотите быть первым?