Καθώς οι μηχανές γίνονται εξυπνότερες, αποδεικνύεται ότι μαθαίνουν όπως εμείς

Ο εγκέφαλος εκτελεί το κανονικό του έργο - τη μάθηση - τροποποιώντας τις μυριάδες συνδέσεις του σύμφωνα με ένα μυστικό σύνολο κανόνων. Για να ξεκλειδώσουν αυτά τα μυστικά, οι επιστήμονες άρχισαν πριν από 30 χρόνια να αναπτύσσουν μοντέλα υπολογιστών που προσπαθούν να αναπαράγουν τη διαδικασία μάθησης. Τώρα, ένας αυξανόμενος αριθμός πειραμάτων αποκαλύπτει ότι αυτά τα μοντέλα συμπεριφέρονται εντυπωσιακά παρόμοια με τους πραγματικούς εγκεφάλους όταν εκτελούν ορισμένες εργασίες. Οι ερευνητές λένε ότι οι ομοιότητες υποδηλώνουν μια βασική αντιστοιχία μεταξύ των υποκείμενων αλγορίθμων μάθησης του εγκεφάλου και των υπολογιστών.

Ο αλγόριθμος που χρησιμοποιείται από ένα μοντέλο υπολογιστή που ονομάζεται μηχανή Boltzmann, που εφευρέθηκε από τους Geoffrey Hinton και Terry Sejnowski το 1983, φαίνεται ιδιαίτερα πολλά υποσχόμενος ως μια απλή θεωρητική εξήγηση μιας σειράς εγκεφαλικών διεργασιών, συμπεριλαμβανομένης της ανάπτυξης, του σχηματισμού μνήμης, της αναγνώρισης αντικειμένων και ήχου και κύκλος ύπνου-αφύπνισης.

«Είναι η καλύτερη δυνατότητα που έχουμε πραγματικά για να κατανοήσουμε τον εγκέφαλο αυτή τη στιγμή», δήλωσε η Σου Μπέκερ, καθηγήτρια ψυχολογίας, νευροεπιστήμης και συμπεριφοράς στο Πανεπιστήμιο McMaster στο Χάμιλτον του Οντάριο. "Δεν γνωρίζω μοντέλο που να εξηγεί ένα ευρύτερο φάσμα φαινομένων όσον αφορά τη μάθηση και τη δομή του εγκεφάλου."

Ο Hinton, πρωτοπόρος στον τομέα της τεχνητής νοημοσύνης, ήθελε πάντα να κατανοήσει τους κανόνες που διέπουν πότε ο εγκέφαλος ενισχύει μια σύνδεση και πότε μειώνει τη σύνδεση - εν ολίγοις, τον αλγόριθμο για το πώς μαθαίνουμε. «Μου φάνηκε ότι αν θέλεις να καταλάβεις κάτι, πρέπει να μπορείς να το φτιάξεις», είπε. Ακολουθώντας τη μειωτική προσέγγιση της φυσικής, το σχέδιό του ήταν να κατασκευάσει απλά μοντέλα υπολογιστή του εγκεφάλου που χρησιμοποιούσαν μια ποικιλία αλγορίθμων μάθησης και «να δούμε ποιοι λειτουργούν», είπε ο Hinton, ο οποίος μοιράζει το χρόνο του στο Πανεπιστήμιο του Τορόντο, όπου είναι καθηγητής επιστήμης υπολογιστών και της Google.

Κατά τη διάρκεια των δεκαετιών του 1980 και του 1990, ο Hinton - ο δισέγγονος του λογικού του 19ου αιώνα George Boole, του οποίου το έργο είναι το θεμέλιο της σύγχρονης επιστήμης των υπολογιστών - εφηύρε ή συνεφηύρε μια συλλογή αλγορίθμων μηχανικής μάθησης. Οι αλγόριθμοι, που λένε στους υπολογιστές πώς να μαθαίνουν από δεδομένα, χρησιμοποιούνται σε μοντέλα υπολογιστών που ονομάζονται τεχνητά νευρωνικά δίκτυα - ιστοί διασυνδεδεμένων εικονικών νευρώνων που μεταδίδουν σήματα στους γείτονές τους ενεργοποιώντας και απενεργοποιώντας ή «πυροδοτώντας». Όταν τα δεδομένα τροφοδοτούνται στο δίκτυο, ξεκινώντας έναν καταρράκτη δραστηριότητας πυροδότησης, ο αλγόριθμος καθορίζει με βάση τα μοτίβα πυροδότησης εάν θα αυξήσει ή να μειώσει το βάρος της σύνδεσης ή της σύναψης μεταξύ κάθε ζεύγους νευρώνων.

Για δεκαετίες, πολλά από τα μοντέλα υπολογιστών του Hinton μαράζωναν. Αλλά χάρη στην πρόοδο στην υπολογιστική ισχύ, την κατανόηση των επιστημόνων για τον εγκέφαλο και τους ίδιους τους αλγόριθμους, τα νευρωνικά δίκτυα διαδραματίζουν όλο και πιο σημαντικό ρόλο στη νευροεπιστήμη. Ο Sejnowski, επικεφαλής του Εργαστηρίου Υπολογιστικής Νευροβιολογίας στο Ινστιτούτο Βιολογικών Μελετών Salk στη La Jolla της Καλιφόρνια, είπε:«Πριν από τριάντα χρόνια, είχαμε πολύ ωμές ιδέες. τώρα αρχίζουμε να δοκιμάζουμε μερικές από αυτές τις ιδέες."

Μηχανήματα εγκεφάλου

Οι πρώτες προσπάθειες του Hinton για την αναπαραγωγή του εγκεφάλου ήταν περιορισμένες. Οι υπολογιστές θα μπορούσαν να εκτελέσουν τους αλγόριθμους εκμάθησής του σε μικρά νευρωνικά δίκτυα, αλλά η κλιμάκωση των μοντέλων γρήγορα κατέκλυσε τους επεξεργαστές. Το 2005, ο Hinton ανακάλυψε ότι αν τεμάχιζε τα νευρωνικά του δίκτυα σε στρώματα και έτρεχε τους αλγόριθμους σε αυτά ένα στρώμα τη φορά, κάτι που προσεγγίζει τη δομή και την ανάπτυξη του εγκεφάλου, η διαδικασία γινόταν πιο αποτελεσματική.

Αν και ο Hinton δημοσίευσε την ανακάλυψή του σε δύο κορυφαία περιοδικά, τα νευρωνικά δίκτυα είχαν χάσει την εύνοια μέχρι τότε και «αγωνιζόταν να κάνει τους ανθρώπους να ενδιαφέρονται», είπε ο Λι Ντενγκ, κύριος ερευνητής της Microsoft Research στην πολιτεία της Ουάσιγκτον. Ο Ντενγκ, ωστόσο, γνώριζε τον Hinton και αποφάσισε να δοκιμάσει τη μέθοδο «deep learning» του το 2009, βλέποντας γρήγορα τις δυνατότητές της. Στα χρόνια που πέρασαν, οι αλγόριθμοι θεωρητικής μάθησης έχουν τεθεί σε πρακτική χρήση σε έναν αυξανόμενο αριθμό εφαρμογών, όπως ο προσωπικός βοηθός Google Now και η λειτουργία φωνητικής αναζήτησης σε τηλέφωνα Microsoft Windows.

Ένας από τους πιο πολλά υποσχόμενους από αυτούς τους αλγόριθμους, η μηχανή Boltzmann, φέρει το όνομα του Αυστριακού φυσικού του 19ου αιώνα Ludwig Boltzmann, ο οποίος ανέπτυξε τον κλάδο της φυσικής που ασχολείται με μεγάλους αριθμούς σωματιδίων, γνωστός ως στατιστική μηχανική. Ο Boltzmann ανακάλυψε μια εξίσωση που δίνει την πιθανότητα ένα αέριο μορίων να έχει μια συγκεκριμένη ενέργεια όταν φτάσει σε ισορροπία. Αντικαταστήστε τα μόρια με νευρώνες και η μηχανή Boltzmann, καθώς πυροδοτείται, συγκλίνει ακριβώς στην ίδια εξίσωση.

Οι συνάψεις στο δίκτυο ξεκινούν με μια τυχαία κατανομή βαρών και τα βάρη τροποποιούνται σταδιακά σύμφωνα με μια εξαιρετικά απλή διαδικασία:Το μοτίβο νευρικής πυροδότησης που δημιουργείται ενώ η μηχανή τροφοδοτείται δεδομένα (όπως εικόνες ή ήχοι) συγκρίνεται με τυχαία δραστηριότητα πυροδότησης που λαμβάνει χώρα ενώ η είσοδος είναι απενεργοποιημένη.

Κάθε εικονική σύναψη παρακολουθεί και τα δύο σετ στατιστικών. Εάν οι νευρώνες που συνδέει τη φωτιά σε στενή αλληλουχία πιο συχνά όταν οδηγούνται από δεδομένα παρά όταν πυροδοτούν τυχαία, το βάρος της σύναψης αυξάνεται κατά ένα ποσό ανάλογο με τη διαφορά. Ωστόσο, εάν δύο νευρώνες πυροδοτούνται πιο συχνά μαζί κατά τη διάρκεια τυχαίας πυροδότησης από την πυροδότηση βάσει δεδομένων, η σύναψη που τους συνδέει είναι πολύ παχιά και κατά συνέπεια εξασθενεί.

Η πιο συχνά χρησιμοποιούμενη έκδοση της μηχανής Boltzmann λειτουργεί καλύτερα όταν είναι «εκπαιδευμένη» ή τροφοδοτείται με χιλιάδες παραδείγματα δεδομένων, ένα επίπεδο τη φορά. Πρώτον, το κατώτερο στρώμα του δικτύου λαμβάνει ακατέργαστα δεδομένα που αντιπροσωπεύουν εικόνες με pixel ή πολυτονικούς ήχους, και όπως τα κύτταρα του αμφιβληστροειδούς, οι νευρώνες πυροδοτούνται εάν ανιχνεύσουν αντιθέσεις στο κομμάτι των δεδομένων τους, όπως μια αλλαγή από το φως στο σκοτάδι. Η πυροδότηση μπορεί επίσης να πυροδοτήσει τους συνδεδεμένους νευρώνες, ανάλογα με το βάρος της συνάψεως μεταξύ τους. Καθώς η πυροδότηση ζευγών εικονικών νευρώνων συγκρίνεται επανειλημμένα με στατιστικές πυροδότησης παρασκηνίου, οι ουσιαστικές σχέσεις μεταξύ των νευρώνων σταδιακά καθιερώνονται και ενισχύονται. Τα βάρη των συνάψεων ακονίζονται και οι κατηγορίες εικόνας ή ήχου εδραιώνονται στις συνδέσεις. Κάθε επόμενο επίπεδο εκπαιδεύεται με τον ίδιο τρόπο, χρησιμοποιώντας δεδομένα εισόδου από το παρακάτω επίπεδο.

Εάν μια εικόνα ενός αυτοκινήτου τροφοδοτηθεί σε ένα νευρωνικό δίκτυο εκπαιδευμένο να ανιχνεύει συγκεκριμένα αντικείμενα σε εικόνες, το κατώτερο στρώμα ενεργοποιείται εάν ανιχνεύσει μια αντίθεση, η οποία θα υποδείκνυε μια άκρη ή ένα τελικό σημείο. Τα σήματα αυτών των νευρώνων ταξιδεύουν σε νευρώνες υψηλού επιπέδου, οι οποίοι ανιχνεύουν γωνίες, μέρη τροχών και ούτω καθεξής. Στο επάνω στρώμα, υπάρχουν νευρώνες που ενεργοποιούνται μόνο εάν η εικόνα περιέχει αυτοκίνητο.

«Το μαγικό πράγμα που συμβαίνει είναι ότι μπορεί να γενικεύσει», δήλωσε ο Yann LeCun, διευθυντής του Κέντρου Επιστήμης Δεδομένων στο Πανεπιστήμιο της Νέας Υόρκης. "Αν του δείξετε ένα αυτοκίνητο που δεν έχει ξαναδεί, εάν έχει κάποιο κοινό σχήμα ή πτυχή σε όλα τα αυτοκίνητα που το δείξατε κατά τη διάρκεια της προπόνησης, μπορεί να καθορίσει ότι είναι αυτοκίνητο."

Τα νευρωνικά δίκτυα σημείωσαν πρόσφατα άνοδο χάρη στο πρόγραμμα εκπαίδευσης στρώμα-προς-στρώμα του Hinton, τη χρήση τσιπ υπολογιστών υψηλής ταχύτητας που ονομάζονται μονάδες γραφικής επεξεργασίας και την εκρηκτική αύξηση του αριθμού των εικόνων και της εγγεγραμμένης ομιλίας που διατίθενται για χρήση στην εκπαίδευση. Τα δίκτυα μπορούν τώρα να αναγνωρίσουν σωστά περίπου το 88 τοις εκατό των λέξεων που λέγονται σε κανονικές, ανθρώπινες, αγγλόφωνες συνομιλίες, σε σύγκριση με περίπου 96 τοις εκατό για έναν μέσο άνθρωπο ακροατή. Μπορούν να αναγνωρίσουν αυτοκίνητα και χιλιάδες άλλα αντικείμενα σε εικόνες με παρόμοια ακρίβεια και τα τελευταία τρία χρόνια έχουν κυριαρχήσει σε διαγωνισμούς μηχανικής εκμάθησης.

Build-a-Brain

Κανείς δεν ξέρει πώς να εξακριβώσει άμεσα τους κανόνες μάθησης του εγκεφάλου, αλλά υπάρχουν πολλές άκρως υποδηλωτικές ομοιότητες μεταξύ της συμπεριφοράς του εγκεφάλου και της συμπεριφοράς της μηχανής Boltzmann.

Και οι δύο μαθαίνουν χωρίς επίβλεψη εκτός από τα μοτίβα που υπάρχουν φυσικά στα δεδομένα. «Δεν λαμβάνετε εκατομμύρια παραδείγματα της μητέρας σας να σας λέει τι υπάρχει σε μια εικόνα», είπε ο Hinton. «Πρέπει να μάθεις να αναγνωρίζεις πράγματα χωρίς να σου λέει κανείς ποια είναι τα πράγματα. Στη συνέχεια, αφού μάθετε τις κατηγορίες, οι άνθρωποι σας λένε τα ονόματα αυτών των κατηγοριών. Έτσι τα παιδιά μαθαίνουν για τους σκύλους και τις γάτες και μετά μαθαίνουν ότι οι σκύλοι ονομάζονται «σκύλοι» και οι γάτες ονομάζονται «γάτες».

Οι εγκέφαλοι των ενηλίκων είναι λιγότερο εύπλαστοι από τους ανήλικους, όπως μια μηχανή Boltzmann που έχει εκπαιδευτεί με 100.000 εικόνες αυτοκινήτου δεν θα αλλάξει πολύ όταν δει ένα άλλο:οι συνάψεις του έχουν ήδη τα σωστά βάρη για να κατηγοριοποιήσουν ένα αυτοκίνητο. Κι όμως, η μάθηση δεν τελειώνει ποτέ. Οι νέες πληροφορίες μπορούν ακόμα να ενσωματωθούν στη δομή τόσο του εγκεφάλου όσο και των μηχανών Boltzmann.

Τα τελευταία πέντε έως δέκα χρόνια, μελέτες της εγκεφαλικής δραστηριότητας κατά τη διάρκεια του ύπνου έδωσαν μερικές από τις πρώτες άμεσες ενδείξεις ότι ο εγκέφαλος χρησιμοποιεί έναν αλγόριθμο μάθησης τύπου Boltzmann προκειμένου να ενσωματώσει νέες πληροφορίες και μνήμες στη δομή του. Οι νευροεπιστήμονες γνώριζαν εδώ και καιρό ότι ο ύπνος παίζει σημαντικό ρόλο στην εδραίωση της μνήμης, βοηθώντας στην ενσωμάτωση νέων πληροφοριών. Το 1995, ο Hinton και οι συνεργάτες του πρότειναν ότι ο ύπνος εξυπηρετεί την ίδια λειτουργία με τη βασική συνιστώσα του αλγορίθμου, τον ρυθμό νευρωνικής δραστηριότητας απουσία εισόδου.

«Αυτό που κάνετε κατά τη διάρκεια του ύπνου είναι ότι απλά υπολογίζετε το βασικό ρυθμό», είπε ο Hinton. «Καταλαβαίνετε πόσο συσχετισμένοι θα ήταν αυτοί οι νευρώνες αν το σύστημα λειτουργούσε μόνο του. Και τότε, αν οι νευρώνες συσχετίζονται περισσότερο από αυτό, αυξήστε το βάρος μεταξύ τους. Και αν συσχετίζονται λιγότερο από αυτό, μειώστε το βάρος μεταξύ τους."

Στο επίπεδο των συνάψεων, «αυτός ο αλγόριθμος μπορεί να εφαρμοστεί με πολλούς διαφορετικούς τρόπους», είπε ο Sejnowski, ο οποίος νωρίτερα φέτος έγινε σύμβουλος στη νέα πρωτοβουλία BRAIN Initiative της κυβέρνησης Ομπάμα, μια ερευνητική προσπάθεια 100 εκατομμυρίων δολαρίων για την ανάπτυξη νέων τεχνικών για τη μελέτη του εγκεφάλου. .

Ο ευκολότερος τρόπος για τον εγκέφαλο να τρέξει τον αλγόριθμο Boltzmann, είπε, είναι να μεταβεί από την αύξηση των συνάψεων κατά τη διάρκεια της ημέρας στη μείωση τους κατά τη διάρκεια της νύχτας. Ο Giulio Tononi, επικεφαλής του Κέντρου Ύπνου και Συνείδησης στο Πανεπιστήμιο του Wisconsin-Madison, ανακάλυψε ότι η γονιδιακή έκφραση μέσα στις συνάψεις αλλάζει με τρόπο που υποστηρίζει αυτήν την υπόθεση:Τα γονίδια που εμπλέκονται στη συναπτική ανάπτυξη είναι πιο ενεργά κατά τη διάρκεια της ημέρας και στο συναπτικό κλάδεμα είναι πιο ενεργοί κατά τη διάρκεια του ύπνου.

Εναλλακτικά, «η βασική γραμμή θα μπορούσε να υπολογιστεί κατά τη διάρκεια του ύπνου και να γίνουν αλλαγές σε σχέση με αυτήν κατά τη διάρκεια της ημέρας», είπε ο Sejnowski. Το εργαστήριό του κατασκευάζει λεπτομερή υπολογιστικά μοντέλα των συνάψεων και των δικτύων που διατηρούν, προκειμένου να προσδιορίσει πώς συλλέγουν στατιστικά στοιχεία πυροδότησης κατά τη διάρκεια της εγρήγορσης και του ύπνου και πότε αλλάζουν τις συναπτικές δυνάμεις για να αντικατοπτρίζουν τη διαφορά.

Επιπλοκές του εγκεφάλου

Ένας αλγόριθμος τύπου Boltzmann μπορεί να είναι μόνο ένας από τους πολλούς που χρησιμοποιεί ο εγκέφαλος για να τροποποιήσει τις συνάψεις του. Στη δεκαετία του 1990, αρκετές ανεξάρτητες ομάδες ανέπτυξαν ένα θεωρητικό μοντέλο για το πώς το οπτικό σύστημα κωδικοποιεί αποτελεσματικά την πλημμύρα πληροφοριών που χτυπά τον αμφιβληστροειδή. Η θεωρία υποστήριζε ότι μια διαδικασία παρόμοια με τη συμπίεση εικόνας που ονομάζεται "αραιή κωδικοποίηση" έλαβε χώρα στα χαμηλότερα στρώματα του οπτικού φλοιού, καθιστώντας τα μεταγενέστερα στάδια του οπτικού συστήματος πιο αποτελεσματικά.

Οι προβλέψεις του μοντέλου περνούν σταδιακά όλο και πιο αυστηρές πειραματικές δοκιμές. Σε μια εργασία που δημοσιεύθηκε στο PLOS Computational Biology τον Μάιο, υπολογιστικοί νευροεπιστήμονες στο Ηνωμένο Βασίλειο και την Αυστραλία διαπίστωσαν ότι όταν τα νευρωνικά δίκτυα που χρησιμοποιούν έναν αλγόριθμο αραιής κωδικοποίησης που ονομάζεται Products of Experts, που εφευρέθηκε από τον Hinton το 2002, εκτίθενται στα ίδια μη φυσιολογικά οπτικά δεδομένα όπως ζωντανές γάτες (για παράδειγμα, οι γάτες και τα νευρωνικά δίκτυα βλέπουν και τα δύο μόνο εικόνες με ρίγες), οι νευρώνες τους αναπτύσσουν σχεδόν ακριβώς τις ίδιες ανωμαλίες.

«Όταν οι πληροφορίες φτάσουν στον οπτικό φλοιό, πιστεύουμε ότι ο εγκέφαλος τον αντιπροσωπεύει ως έναν αραιό κώδικα», δήλωσε ο Bruno Olshausen, ένας υπολογιστικός νευροεπιστήμονας και διευθυντής του Redwood Center for Theoretical Neuroscience στο Πανεπιστήμιο της Καλιφόρνια-Μπέρκλεϊ, ο οποίος βοήθησε στην ανάπτυξη της θεωρίας της αραιής κωδικοποίησης. "Έτσι είναι σαν να έχετε μια μηχανή Boltzmann να κάθεται εκεί στο πίσω μέρος του κεφαλιού σας προσπαθώντας να μάθετε τις σχέσεις μεταξύ των στοιχείων του αραιού κώδικα."

Ο Olshausen και η ερευνητική του ομάδα χρησιμοποίησαν πρόσφατα μοντέλα νευρωνικών δικτύων υψηλότερων στρωμάτων του οπτικού φλοιού για να δείξουν πώς οι εγκέφαλοι είναι σε θέση να δημιουργήσουν σταθερές αντιλήψεις των οπτικών εισροών παρά την κίνηση της εικόνας. Σε μια άλλη πρόσφατη μελέτη, διαπίστωσαν ότι η δραστηριότητα πυροδότησης νευρώνων σε όλο τον οπτικό φλοιό των γατών που παρακολουθούσαν μια ασπρόμαυρη ταινία περιγράφηκε καλά από μια μηχανή Boltzmann.

Μια πιθανή εφαρμογή αυτής της εργασίας είναι στην κατασκευή νευρικής πρόθεσης, όπως ένας τεχνητός αμφιβληστροειδής. Με την κατανόηση της "μορφοποίησης των πληροφοριών στον εγκέφαλο, θα ξέρετε πώς να διεγείρετε τον εγκέφαλο για να κάνετε κάποιον να πιστεύει ότι βλέπει μια εικόνα", είπε ο Olshausen.

Ο Sejnowski λέει ότι η κατανόηση των αλγορίθμων με τους οποίους οι συνάψεις μεγαλώνουν και συρρικνώνονται θα επιτρέψει στους ερευνητές να τις τροποποιήσουν για να μελετήσουν πώς καταρρέουν οι λειτουργίες του δικτύου. «Τότε μπορείτε να το συγκρίνετε με γνωστά προβλήματα που έχουν οι άνθρωποι», είπε. «Σχεδόν όλες οι ψυχικές διαταραχές μπορούν να εντοπιστούν σε προβλήματα στις συνάψεις. Έτσι, αν μπορούμε να κατανοήσουμε λίγο καλύτερα τις συνάψεις, θα μπορέσουμε να κατανοήσουμε τη φυσιολογική λειτουργία του εγκεφάλου, πώς επεξεργάζεται τις πληροφορίες, πώς μαθαίνει και τι πάει στραβά όταν έχετε, ας πούμε, σχιζοφρένεια».>

Η προσέγγιση του νευρωνικού δικτύου για την κατανόηση του εγκεφάλου έρχεται σε έντονη αντίθεση με αυτή του Human Brain Project, του πολυδιαφημισμένου σχεδίου του Ελβετού νευροεπιστήμονα Henry Markram να δημιουργήσει μια ακριβή προσομοίωση ενός ανθρώπινου εγκεφάλου χρησιμοποιώντας έναν υπερυπολογιστή. Σε αντίθεση με την προσέγγιση του Hinton να ξεκινά με ένα εξαιρετικά απλοποιημένο μοντέλο και να το κάνει σταδιακά πιο περίπλοκο, ο Markram θέλει να συμπεριλάβει όσο το δυνατόν περισσότερες λεπτομέρειες από την αρχή, μέχρι μεμονωμένα μόρια, με την ελπίδα ότι θα προκύψει πλήρης λειτουργικότητα και συνείδηση.

Το έργο έλαβε χρηματοδότηση 1,3 δισεκατομμυρίων δολαρίων από την Ευρωπαϊκή Επιτροπή τον Ιανουάριο, αλλά ο Hinton πιστεύει ότι η μεγα-προσομοίωση θα αποτύχει, βουλωμένη από πάρα πολλά κινούμενα μέρη που κανείς δεν έχει καταλάβει ακόμη. (Ο Markram δεν απάντησε σε αιτήματα για σχόλια.)

Γενικότερα, ο Hinton δεν πιστεύει ότι η λειτουργία του εγκεφάλου μπορεί να συναχθεί αποκλειστικά από τις λεπτομέρειες των μελετών απεικόνισης εγκεφάλου. Αντίθετα, αυτά τα δεδομένα θα πρέπει να χρησιμοποιούνται για τη δημιουργία και τη βελτίωση αλγορίθμων. «Πρέπει να σκέφτεστε θεωρητικά και να εξερευνάτε το χώρο των αλγορίθμων εκμάθησης για να καταλήξετε σε μια θεωρία όπως» η μηχανή Boltzmann, είπε. Για τον Hinton, το επόμενο βήμα είναι να αναπτύξει αλγόριθμους για την εκπαίδευση ακόμη περισσότερων νευρωνικών δικτύων που μοιάζουν με τον εγκέφαλο, όπως αυτά που έχουν συνάψεις που συνδέουν νευρώνες εντός, όχι μόνο μεταξύ, των επιπέδων. "Ένας κύριος στόχος είναι να κατανοήσετε τι κερδίζετε υπολογιστικά έχοντας πιο περίπλοκους υπολογισμούς σε κάθε στάδιο", είπε.

Η υπόθεση είναι ότι η περισσότερη διασύνδεση επιτρέπει ισχυρότερους βρόχους ανάδρασης, οι οποίοι, σύμφωνα με τον Olshausen, είναι πιθανώς ο τρόπος με τον οποίο ο εγκέφαλος επιτυγχάνει «αντιληπτική πλήρωση», όπου τα υψηλότερα στρώματα βγάζουν συμπεράσματα για το τι ανιχνεύουν τα κατώτερα στρώματα με βάση μερικές πληροφορίες. «Αυτό είναι στενά συνδεδεμένο με τη συνείδηση», είπε.

Ο ανθρώπινος εγκέφαλος, φυσικά, παραμένει πολύ πιο περίπλοκος από οποιοδήποτε από τα μοντέλα. είναι μεγαλύτερο, πιο πυκνό, πιο αποτελεσματικό, πιο διασυνδεδεμένο, έχει πιο πολύπλοκους νευρώνες - και ταχυδακτυλουργεί πολλούς αλγόριθμους ταυτόχρονα. Ο Olshausen έχει υπολογίσει ότι κατανοούμε μόνο το 15 τοις εκατό της δραστηριότητας στον οπτικό φλοιό. Αν και τα μοντέλα σημειώνουν πρόοδο, η νευροεπιστήμη εξακολουθεί να είναι «λίγο σαν τη φυσική πριν από τον Νεύτωνα», είπε. Ωστόσο, είναι βέβαιος ότι η διαδικασία της οικοδόμησης αυτών των αλγορίθμων μπορεί μια μέρα να εξηγήσει τον απόλυτο γρίφο του εγκεφάλου - πώς τα αισθητηριακά δεδομένα μετατρέπονται σε μια υποκειμενική επίγνωση της πραγματικότητας. Η συνείδηση, είπε ο Olshausen, «είναι κάτι που προκύπτει από μια πραγματικά πολύπλοκη μηχανή Boltzmann».