Innerhalb der Moonshot-Bemühungen, endlich das Gehirn herauszufinden

„Hier liegt das Problem der heutigen künstlichen Intelligenz“, sagt David Cox. Ja, es ist erstaunlich gut geworden, von der nahezu perfekten Gesichtserkennung bis hin zu fahrerlosen Autos und weltmeisterlichen Go-Spielautomaten. Und es stimmt, manche KI-Anwendungen müssen nicht einmal mehr programmiert werden: Sie basieren auf Architekturen, die es ihnen ermöglichen, aus Erfahrungen zu lernen.

Dennoch hat es etwas Unbeholfenes und Brutale-Force, sagt Cox, ein Neurowissenschaftler in Harvard. Um einen Hundedetektor zu bauen, müssen Sie dem Programm Tausende von Dingen zeigen, die Hunde sind, und Tausende, die keine Hunde sind, sagt er. Meine Tochter musste nur einen Hund sehen – und zeigt seitdem gerne Welpen. Und das Wissen, das die heutige KI aus all diesen Daten extrahieren kann, kann seltsam zerbrechlich sein. Fügen Sie einem Bild ein kunstvolles Rauschen hinzu – Geräusche, die ein Mensch nicht einmal bemerken würde – und der Computer verwechselt möglicherweise einen Hund mit einem Müllcontainer. Das ist nicht gut, wenn Menschen die Gesichtserkennung beispielsweise für die Sicherheit auf Smartphones verwenden (siehe Is AI Riding a One-Trick Pony? ).

Postdoktorand Abhinav Grama beobachtet das Gehirn.

Nach dem Test wurde das Gehirn des Tieres entfernt.

Diese Geschichte war Teil unserer Ausgabe vom November 2017

• Siehe den Rest des Problems
• Abonnieren

Um solche Einschränkungen zu überwinden, haben sich Cox und Dutzende anderer Neurowissenschaftler und Experten für maschinelles Lernen im vergangenen Jahr für die Machine Intelligence from Cortical Networks (MICrONS) zusammengeschlossen. Initiative : ein 100-Millionen-Dollar-Aufwand, um das Gehirn zurückzuentwickeln. Es wird das neurowissenschaftliche Äquivalent eines Mondschusses sein, sagt Jacob Vogelstein, der MICrONS konzipiert und gestartet hat, als er Programmbeauftragter der Intelligence Advanced Research Projects Agency, der Forschungsabteilung der US-Geheimdienste, war. (Er ist jetzt bei der Risikokapitalgesellschaft Camden Partners in Baltimore.) MICrONS-Forscher versuchen, die Funktion und Struktur jedes Details in einem kleinen Stück Nagetierrinde zu kartieren.

Es ist ein Beweis für die Komplexität des Gehirns, dass ein Mondschuss benötigt wird, um selbst dieses winzige Stück Kortex zu kartieren, einen Würfel mit einer Seitenlänge von einem Millimeter – der Größe eines groben Sandkorns. Aber dieser Würfel ist tausendmal größer als jeder Brocken Gehirn, den irgendjemand zu detaillieren versucht hat. Es wird ungefähr 100.000 Neuronen und etwa eine Milliarde Synapsen enthalten, die Verbindungen, die es Nervenimpulsen ermöglichen, von einem Neuron zum nächsten zu springen.

Ein Rattenhirn in einer Schüssel.

Es ist ein Ehrgeiz, der andere Neurowissenschaftler ehrfürchtig zurücklässt. Ich denke, was sie tun, ist heldenhaft, sagt Eve Marder, die ihre gesamte Karriere damit verbracht hat, viel kleinere neuronale Schaltkreise an der Brandeis University zu studieren. Es gehört zu den aufregendsten Dingen, die in der Neurowissenschaft passieren, sagt Konrad Kording, der an der University of Pennsylvania Computermodellierung des Gehirns durchführt.

Das Gehirn wird vor dem Scannen auf eine Platte geklebt.

Die endgültige Auszahlung werden die neuronalen Geheimnisse sein, die aus den Projektdaten gewonnen werden – Prinzipien, die das bilden sollten, was Vogelstein die Rechenbausteine ​​für die nächste Generation von KI nennt. Schließlich, sagt er, basieren die heutigen neuronalen Netze auf einer jahrzehntealten Architektur und einer ziemlich vereinfachten Vorstellung davon, wie das Gehirn funktioniert. Im Wesentlichen verbreiten diese Systeme Wissen über Tausende von dicht miteinander verbundenen Knoten, analog zu den Neuronen des Gehirns. Die Systeme verbessern ihre Leistung, indem sie die Stärke der Verbindungen anpassen. Aber in den meisten neuronalen Computernetzwerken kaskadieren die Signale immer vorwärts, von einem Knotensatz zum nächsten. Das echte Gehirn ist voller Rückkopplungen: Für jedes Nervenfaserbündel, das Signale von einer Region zur nächsten überträgt, gibt es eine gleiche oder größere Anzahl von Fasern, die in die andere Richtung zurückkommen. Aber wieso? Sind diese Feedback-Fasern das Geheimnis des One-Shot-Lernens und so vieler anderer Aspekte der immensen Leistungsfähigkeit des Gehirns? Geht noch was?

MICrONS sollte zumindest einige der Antworten liefern, sagt der Neurowissenschaftler Sebastian Seung von der Princeton University, der eine Schlüsselrolle bei der Kartierung spielt. Tatsächlich, sagt er, glaube ich nicht, dass wir diese Fragen ohne ein Projekt wie dieses beantworten können.

Bild 1: Der kleine Würfel oben links ist der Teil des Gehirns, der kartiert wird. Bild 2: Dieses Stück des Gehirns wird in Acryl eingeschlossen, um darauf vorbereitet zu werden, extrem dünn geschnitten zu werden.

Heranzoomen

Die MICrONS-Teams – eines unter der Leitung von Cox, eines mit Sitz bei Reis Universität und das Baylor College of Medicine und ein drittes an der Carnegie Mellon – verfolgen jeweils etwas, das bemerkenswert umfassend ist: eine Rekonstruktion aller Zellen in einem Kubikmillimeter eines Rattengehirns, plus ein Schaltbild – ein Konnektom – das zeigt, wie jede Zelle funktioniert mit jeder anderen Zelle verbunden ist, und Daten, die genau zeigen, in welchen Situationen Neuronen feuern und andere Neuronen beeinflussen.

Der erste Schritt besteht darin, in die Gehirne der Ratten zu schauen und herauszufinden, was Neuronen in diesem Kubikmillimeter tatsächlich tun. Wenn dem Tier ein bestimmter visueller Reiz gegeben wird, beispielsweise eine Linie, die in einer bestimmten Richtung ausgerichtet ist, welche Neuronen fangen plötzlich an, Impulse abzufeuern, und welche Nachbarn reagieren?

Noch vor einem Jahrzehnt war die Erfassung dieser Art von Daten schwierig bis unmöglich: Die Tools gab es einfach nie, sagt Vogelstein. Es ist wahr, dass Forscher ultradünne Drähte in das Gehirn schieben und schöne Aufzeichnungen der elektrischen Aktivität in einzelnen Neuronen erhalten konnten. Aber sie konnten nicht mehr als ein paar Dutzend auf einmal aufnehmen, weil die Zellen so dicht aneinander gepackt sind. Die Forscher könnten auch die Gesamtgeographie der neuronalen Aktivität kartieren, indem sie Menschen und andere Tiere in MRT-Geräte setzen. Einzelne Neuronen konnten die Forscher so aber nicht überwachen: Die räumliche Auflösung lag bestenfalls bei etwa einem Millimeter.

Die geschnittenen Gehirnscheiben kleben an einem Plastikband.

Das Band, an dem Gehirnproben befestigt sind, wird zugeschnitten und auf eine Objektträgerplatte gelegt, die in eine riesige Scanmaschine eingesetzt wird.

Was diese Sackgasse durchbrach, war die Entwicklung von Techniken, um Neuronen zum Leuchten zu bringen, wenn sie in einem lebenden Gehirn feuern. Dazu impfen Wissenschaftler die Neuronen normalerweise mit fluoreszierenden Proteinen, die in Gegenwart von Kalziumionen leuchten, die bei jedem Feuer einer Zelle in Hülle und Fülle aufsteigen. Die Proteine ​​können chemisch in das Gehirn eines Nagetiers eingefügt, von einem gutartigen Virus eingeschleppt oder sogar in das Genom der Neuronen kodiert werden. Die Fluoreszenz kann dann auf verschiedene Arten ausgelöst werden – am nützlichsten vielleicht durch ein Laserpaar, das Infrarotlicht durch ein in den Schädel eingelassenes Fenster in die Ratte pumpt. Die Infrarotfrequenzen lassen die Photonen das vergleichsweise undurchsichtige Nervengewebe durchdringen, ohne etwas zu beschädigen, bevor sie von den fluoreszierenden Proteinen absorbiert werden. Die Proteine ​​wiederum kombinieren die Energie von zwei der Infrarotphotonen und setzen sie als einzelnes sichtbares Lichtphoton frei, das unter einem gewöhnlichen Mikroskop gesehen werden kann, wenn das Tier etwas betrachtet oder eine Reihe anderer Aktionen ausführt.

Laut Andreas Tolias, der einen Teil des Teams bei Baylor leitet, ist das revolutionär, weil man von jedem einzelnen Neuron aufnehmen kann, sogar von denen, die direkt nebeneinander liegen.

Sobald ein Team in Cox’ Labor die neuronale Aktivität einer Ratte kartiert hat, wird das Tier getötet und sein Gehirn mit dem Schwermetall Osmium infundiert. Dann schneidet ein Team unter der Leitung des Harvard-Biologen Jeff Lichtman das Gehirn in Scheiben und findet heraus, wie genau die Neuronen organisiert und verbunden sind.

Dieser Prozess beginnt in einem Labor im Keller mit einer Desktop-Maschine, die wie eine Wurstschneidemaschine für Wurstwaren funktioniert. Eine kleine Metallplatte hebt und senkt sich, schneidet methodisch die Spitze einer scheinbar bernsteinfarbenen Kreide ab und klebt die Scheiben auf ein Förderband aus Plastikband. Der Unterschied besteht darin, dass die Salami eigentlich eine Röhre aus hartem Harz ist, die das zerbrechliche Gehirngewebe umhüllt und stützt, die sich bewegende Platte eine unglaublich scharfe Diamantklinge enthält und die Scheiben etwa 30 Nanometer dick sind.

Scans von Gehirnschnitten werden von einem Algorithmus zusammengefügt.

Links ist ein Mehrstrahl-Sichtfeld zu sehen, das aus 61 vom Elektronenmikroskop aufgenommenen Bildern besteht; Rechts sind 14 Multibeam-Sichtfelder kombiniert.

Scans werden zu einem Würfel zusammengesetzt und koloriert.

Als nächstes werden in einem anderen Labor am Ende des Flurs Bänder mit mehreren Gehirnscheiben auf Siliziumwafer montiert und in etwas platziert, das wie ein großer industrieller Kühlschrank aussieht. Das Gerät ist ein Elektronenmikroskop: Es verwendet 61 Elektronenstrahlen, um gleichzeitig 61 Bereiche des Gehirngewebes mit einer Auflösung von vier Nanometern zu scannen.

Das Scannen jedes Wafers dauert etwa 26 Stunden. Monitore neben dem Mikroskop zeigen die resultierenden Bilder, während sie sich in beeindruckenden Details aufbauen – Zellmembranen, Mitochondrien, mit Neurotransmittern gefüllte Vesikel, die sich an den Synapsen drängen. Es ist, als würde man in ein Fraktal hineinzoomen: Je genauer man hinschaut, desto mehr Komplexität sieht man.

Das Schneiden ist noch lange nicht das Ende der Geschichte. Selbst wenn die Scans aus dem Mikroskop strömen – man dreht quasi einen Film, in dem jede Schicht tiefer ist, sagt Lichtman – werden sie an ein Team unter der Leitung des Harvard-Informatikers Hanspeter Pfister weitergeleitet. Unsere Aufgabe ist es, die Bilder aufzunehmen und so viele Informationen wie möglich zu extrahieren, sagt Pfister.

Das bedeutet, all diese dreidimensionalen Neuronen – mit all ihren Organellen, Synapsen und anderen Merkmalen – aus einem Stapel von 2-D-Schnitten zu rekonstruieren. Menschen könnten es mit Papier und Bleistift machen, aber das wäre hoffnungslos langsam, sagt Pfister. Also haben er und sein Team neuronale Netze darauf trainiert, die echten Neuronen zu verfolgen. Sie sind viel besser als alle anderen Methoden, die wir verwendet haben, sagt er.

Jedes Neuron, unabhängig von seiner Größe, erzeugt einen Wald von Ranken, die als Dendriten bekannt sind, und jedes hat eine weitere lange, dünne Faser, die als Axon bezeichnet wird, um Nervenimpulse über große Entfernungen zu übertragen – in extremen Fällen vollständig oder sogar über das ganze Gehirn Weg das Rückenmark hinunter. Aber indem sie einen Kubikmillimeter abbilden, wie es MICrONS tut, können die Forscher die meisten dieser Fasern von Anfang bis Ende verfolgen und so einen vollständigen neuronalen Schaltkreis sehen. Ich denke, wir werden Dinge entdecken, sagt Pfister. Wahrscheinlich ungeahnte Strukturen und völlig neue Einblicke in die Verkabelung.

Die Kraft der Vorfreude

Zu den Fragen, die die MICrONS-Teams zu beantworten hoffen, gehören: Was sind die Algorithmen des Gehirns? Wie funktionieren all diese neuronalen Schaltkreise eigentlich? Und vor allem, was macht all dieses Feedback?

Viele der heutigen KI-Anwendungen verwenden kein Feedback. Elektronische Signale in den meisten neuronalen Netzwerken kaskadieren von einer Knotenschicht zur nächsten, aber im Allgemeinen nicht rückwärts. (Lassen Sie sich nicht von dem Begriff Backpropagation werfen, der eine Möglichkeit ist Zug neuronale Netze.) Das ist keine feste Regel: Wiederkehrende neuronale Netze haben Verbindungen, die rückwärts gehen, was ihnen hilft, mit Eingaben umzugehen, die sich mit der Zeit ändern. Aber keiner von ihnen verwendet Feedback auf der Skala des Gehirns. In einem gut untersuchten Teil des visuellen Kortex, sagt Tai Sing Lee an Carnegie Mellon , hören nur 5 bis 10 Prozent der Synapsen auf den Input der Augen. Der Rest hört auf Feedback von höheren Ebenen im Gehirn.

Die kolorierten Würfel sind nützlich für 3-D-Darstellungen verschiedener neuronaler Strukturen und Prozesse und geben Wissenschaftlern die bisher detaillierteste Karte dessen, was tatsächlich im Gehirn passiert.

Es gibt zwei allgemeine Theorien darüber, wofür das Feedback gut ist, sagt Cox, und eine ist die Vorstellung, dass das Gehirn ständig versucht, seine eigenen Eingaben vorherzusagen. Während der sensorische Kortex verarbeitet Dies Frame des Films, sozusagen, die höheren Ebenen des Gehirns versuchen, das zu antizipieren nächste Rahmen und leiten ihre besten Vermutungen durch die Feedback-Fasern zurück nach unten.

Nur so kann das Gehirn mit einer schnelllebigen Umgebung umgehen. Neuronen sind wirklich langsam, sagt Cox. Vom Auftreffen des Lichts auf der Netzhaut über alle Verarbeitungsstufen bis hin zur bewussten Wahrnehmung können 170 bis 200 Millisekunden vergehen. In dieser Zeit legt der Tennisaufschlag von Serena Williams neun Meter zurück. Jeder, der es schafft, diesen Aufschlag zu retournieren, muss seinen Schläger auf der Grundlage von Vorhersagen schwingen.

Und wenn Sie ständig versuchen, die Zukunft vorherzusagen, sagt Cox, dann können Sie sich anpassen, wenn die wirkliche Zukunft kommt, um Ihre nächste Vorhersage besser zu machen. Das passt gut zu der zweiten großen Theorie, die untersucht wird: dass die Feedback-Verbindungen des Gehirns dazu da sind, das Lernen zu steuern. Tatsächlich zeigen Computersimulationen, dass der Kampf um Verbesserung jedes System dazu zwingt, immer bessere Modelle der Welt zu bauen. Zum Beispiel, sagt Cox, muss man herausfinden, wie ein Gesicht aussieht, wenn es sich dreht. Und das, sagt er, könnte sich als entscheidender Teil des One-Shot-Learning-Puzzles herausstellen.

Als meine Tochter zum ersten Mal einen Hund sah, sagte Cox, musste sie nicht lernen, wie Schatten funktionieren oder wie Licht von Oberflächen reflektiert wird. Sie hatte bereits ein reiches Reservoir an Erfahrungen über solche Dinge aufgebaut, allein durch das Leben in der Welt. Wenn sie also zu etwas wie „Das ist ein Hund“ kam, konnte sie diese Informationen zu einem riesigen Wissensschatz hinzufügen.

Wenn diese Vorstellungen über das Feedback des Gehirns richtig sind, könnten sie in der detaillierten Karte von MICrONS von Form und Funktion eines Gehirns auftauchen. Die Karte könnte zeigen, mit welchen Tricks die neuronalen Schaltkreise Vorhersagen und Lernen implementieren. Schließlich könnten neue KI-Anwendungen diesen Prozess nachahmen.

Aber auch dann werden wir noch lange nicht alle Fragen rund um das Gehirn beantwortet haben. Die Kenntnis neuronaler Schaltkreise wird uns nicht alles beibringen. Es gibt Formen der Kommunikation von Zelle zu Zelle, die nicht über die Synapsen verlaufen, einschließlich einiger, die von Hormonen und Neurotransmittern durchgeführt werden, die in den Zwischenräumen zwischen den Neuronen schweben. Es gibt auch das Problem der Skalierung. So groß der Sprung von MICrONS auch sein mag, es wird immer noch nur auf einem winzigen Stück Kortex nach Hinweisen darauf gesucht, was für die Berechnung relevant ist. Und der Kortex ist nur die dünne äußere Schicht des Gehirns. Kritische Befehls- und Kontrollfunktionen werden auch von tiefen Hirnstrukturen wie dem Thalamus und den Basalganglien ausgeführt.

Die gute Nachricht ist, dass MICrONS bereits den Weg für zukünftige Projekte ebnet, die größere Bereiche des Gehirns kartieren.

Ein Großteil der 100 Millionen US-Dollar, sagt Vogelstein, wird für Datenerfassungstechnologien ausgegeben, die nicht neu erfunden werden müssen. Gleichzeitig entwickeln die MICrONS-Teams schnellere Scantechniken, darunter eine, die das Schneiden von Gewebe überflüssig macht. Teams in Harvard, MIT und dem Cold Spring Harbor Laboratory haben eine Möglichkeit entwickelt, jedes Neuron eindeutig mit einem Strichcodierungsschema zu kennzeichnen und die Zellen dann im Detail zu betrachten, indem sie sie mit einem speziellen Gel sättigen, das sie sehr sanft auf Dutzende oder mehr aufbläst das Hundertfache ihrer normalen Größe.

Der erste Kubikmillimeter wird also schwer zu sammeln sein, sagt Vogelstein, aber der nächste wird viel einfacher.

M. Mitchell Waldrop ist ein freiberuflicher Autor in Washington, D.C. Er ist der Autor von Komplexität und die Traummaschine und war früher Redakteur bei Natur .

verbergen