 |
딥마인드(DeepMind)의 Demis Hassabis는 한때 인간의 두뇌로 인간과 같은 지능으로 인공 지능을 구축하는 데 가장 큰 영감을 주었다. 그는 유일한 사람이 아니다. 딥 러닝의 성공은 메모리, 학습, 의사 결정, 비전과 같은 신경 과학의 통찰력이 인지 능력의 그림자로 실리콘 마인드를 부여하는 알고리즘으로 어떻게 증류 될 수 있는지를 보여준다.
그러나 다른 방법은 어떨까?
이 달에 저명한 저널 네이처 (Nature)는 신경 과학과 AI 사이의 공생적 성장을 강조한 전체 시리즈를 발표했다. 오랫동안 왔다. 핵심은 두 분야 모두 동일한 중심 문제 (지능)를 해결하지만 다른 각도와 다른 추상화 수준에서 비롯된다. 인공 지능에서 과학자들은 기계 언어를 사용하여 효율적이고 효과적인 학습의 수수께끼를 수학적으로 해결하려고 한다. 신경 과학에서, 우리는 귀 사이에 3 파운드 지방 덩어리의 내부와 외부를 해부하고, 문제를 해결할 수 있다는 기존의 유일한 증거를 보고 지능을 이해하려고 노력한다. 우리는 AI가 가능하다는 살아있는 증거이다.
기계 신호를 제어하기 위해 뇌 신호를 파싱하는 애틀랜타 조지아 테크 (Georgia Tech)의 생체 의학 엔지니어인 Chethan Pandarinath 박사는 신경 -AI 연결이 완전히 이루어지게 하고 있다.
인공 지능은 두 가지 주요 방법으로 신경 과학에서 귀중한 도구로 빠르게 자리 잡고 있다. 하나는 기술적인 것이다. 사치스러운 양의 데이터를 통해 패턴을 찾기 때문에 AI는 뇌 활동을 관리하고 이해하는 방법에 점점 더 많이 채택되고 있다.
두 번째는 아마도 더욱 흥미로울 것이다. 알고리즘이 점점 두뇌와 같은 결과물로 발전함에 따라, 신경 과학의 기본적이고 중요한 아이디어를 테스트하기 위한 핫 베드가 된다. 어떤 경우에는 알고리즘이 알고리즘 계산 방식이 우리와 크게 다르더라도 AI가 두뇌가 생각하는 것에 대한 높은 수준의 개념을 추상화한다.
우리는 이전에 신경 과학이 AI를 고무시키는 방법에 대해 많은 이야기를 했다. AI가 돌려주는 세 가지 방법이 있다.
1. 랭글링 데이터
수학적 방정식이 신경 과학의 시작에 구애되었지만, 실험 분야는 항상 뇌의 신비를 해결하기 위해 생물학적 작용자 (수용체, 신경 전달 물질, 신호 분자)를 관찰하는 데 의존해 왔다.
그런 다음 빅 데이터 시대가 왔다.
신경 과학자들은 개별 단백질과 뇌 영역을 연구하기 보다는 유전자 수준에서 단일 뉴런을 프로파일링하거나 신경 연결의 거대한 부분을 디지털 방식으로 재구성하는 도구를 가지고 있었다. 예를 들어 생화학에서 특정 수준의 생물학, 즉 유전학, 후생학, 대사체학, 우리는 곧 프로파일-옴 믹스에 대한 뇌 전체 연구인 "옴 믹스"가 등장한다. 신경 연결을 매핑하기 위해 뉴런이 물리적으로 어떻게 연결되는지 자세히 설명하는 것이 구식이 되고 있다. 요령은 점점 더 긴 타임 스케일에 걸쳐 뇌 아틀라스와 뇌 전체 유전자 발현과 같은 다른 기능적 지도와의 상관 관계를 더하는 것이다. 신경 신호를 분석하려고 시도하고 특정 활성화 패턴을 감각, 운동 또는 특정 기억에 연결하는 시도는 수백 개의 뉴런 규모에서 발생한다.
로봇 팔을 제어하기 위해 뇌 임플란트를 가져 가지라. 예를 들어, Pandarinath는 팔의 움직임을 제어하는 1 억에서 1 억의 풀에서 200 개 정도의 뉴런에서 측정 된 신호를 이해하려고 노력한다. AI가 등장하는 곳: 알고리즘은 노이즈에 묻혀 있어도 데이터의 기본 구조를 식별하여 특정 미세한 동작과 관련된 전기 지문을 추출 할 수 있다. 컴퓨터는 또한 이러한 활성화 패턴이 시간이 지남에 따라 어떻게 변하는지 알아내어 팔을 제어하기 위한 세분화 된 사용 설명서를 생성한다.
마찬가지로 AI는 뇌 매핑 프로젝트 또는 기능적 뇌 이미징에 대한 연구 속도를 크게 향상시켜 처리, 재구성 및 주석이 필요한 테라 바이트의 이미지 파일을 쉽게 처리한다. 컴퓨터 비전은 신경 사망 또는 단백질 수준을 검사하는 소규모이지만 대용량 이미지를 분석하는 데 도움이 된다. 연구자들은 생각 없는 작업에 우스꽝스러운 작업 시간을 소비하지 않고 보다 정확한 결과로 문제를 해결하는 데 중요한 것에 집중할 수 있다.
현재, 신경 과학의 대부분의 데이터 세트는 로컬 하드 드라이브에 묻혀있는 비표준, 독점 형태이다. 뇌-기계 인터페이스 개척자인 UCSF의 Loren Frank 박사가 부분적으로 시작한 Neurodata Without Borders (NWB)와 같은 프로젝트가 데이터 아키텍처를 표준화하기 위해 증기를 확보하면 더 많은 데이터가 기계 학습에 적합한 레이블로 클라우드에 업로드 된다. 변형? 더 많은 AI 생성 뇌 통찰력이 있을 것이다.
2. 감각과 운동 해결
현대의 딥 러닝은 1960 년대로 거슬러 올라가는 비전 경로를 연구하는 연구에 뿌리를 두고 있다. 신경 과학자들이 인공 지능을 사용하여 뇌가 감각과 움직임을 어떻게 처리하는지에 대한 아이디어를 재검토하고 있다는 것은 놀라운 일이 아니다.
예를 들어, Margaret Livingstone 박사가 이끄는 하버드 팀은 생물학적 기반 알고리즘인 XDREAM을 만들어 일종의 신비한 시각 세포의“시각적 알파벳”을 이해했다. 이 알고리즘은 결국 격자와 추상 모양을 가진 얼굴을 이전에 알려지지 않은 셀룰러 언어로 뭉친 수많은 이미지를 만들어내어 연구원에게 추가 테스트를 위한 확실한 아이디어를 제공했다. 나선형의 뉴럴 네트워크를 사용한 또 다른 최근의 연구에 따르면 대중의 신념과는 달리 인간의 시각 시스템은 자연스럽게 감정에 대한 정보를 포함한다.
이 연구는 단지 이론적인 것이 아니다. 우리의 두뇌가 감각과 움직임을 처리하는 방법을 이해하는 것은 보다 생생하고 마음으로 통제되는 보철물을 만드는 데 중요하다. 스탠포드 대학교의 Daniel Yamins 박사는 Livingstone과 마찬가지로 비전을 다루었지만 객체 인식의 기본이 되는 신경망 활동을 이해한다는 목표를 가지고 있었다. 그는 시각 시스템의 구조에 대한 우리의 현재 이해에 따라 깊은 신경망을 구축하고 훈련했으며, 네트워크의 신경 활동은 비슷한 물체 식별 작업을 수행 할 때 원숭이가 기록한 생물학적 활동과 일치 함을 발견했다. 몇 년 후, 그는 청각 피질에도 똑같이 했다.
시력 또는 청각을 모방 한 알고리즘은 두뇌가 이러한 과제를 해결하는 방법에 대한 아이디어를 자극 할 수 있다. 구글 뇌의 전산 신경 과학자인 데이비드 수실로 (David Sussillo) 박사는 “뉴럴 네트워크를 훈련시킬 수 있다면 네트워크 기능을 이해하고 이를 이용해 생물학적 데이터를 이해할 수 있다”고 말했다.
다시 말해 AI 모델은 가상의 두뇌 역할을 하여 가설과 실험을 안내한다. AI 모델은 동물에 대한 가설을 즉시 테스트하는 대신 뇌 활동의 기본 표현을 포착하는 중간 스탠드 역할을 할 수 있다. 이러한 뇌 시뮬레이션을 통해 "건조한 동작"으로 신경 활동을 교란시키고 전극을 사람에게 부착하지 않고도 발생하는 상황을 관찰 할 수 있다. 아직 초기 단계는 아니지만 이 아이디어는 활발 해지고 있으며 이미 상업적으로 추구되고 있다.
결과는 스마트 보철과 뇌를 연결하는 다리 역할을 한다: 마음과 로봇 팔다리 또는 외골격, 시각과 청각 보철은 눈과 귀를 우회하여 관련 뇌 영역을 직접 활성화시킨다. 지난 주 UCSF는 Facebook의 자금으로 뇌파를 판독하여 정확하게 음성을 해독 할 수 있는 시스템을 공개했다.
3. 신경 코드 크래킹
훨씬 더 복잡하지만, 감각과 움직임을 해결하기 위한 동일한 전략은 더 추상적인 뇌 기능을 분해하는 데 도움이 될 수 있다. 예를 들어, 컴퓨터 칩의 메모리 기반 신경 회로를 모방하면 메모리 나 기타 높은 인지 프로세스를 "메모리 패치"로 오프로드 하여 노년기 또는 뇌 손상 후 다시 전달할 수 있다. DARPA는 이러한 실험을 진행하고 있다. 다른 실험적 뇌 보철물은 임박한 간질 또는 우울증의 징후에 대한 신경 활동을 측정하여 발병 전 이러한 에피소드에 대처하기 위해 적절한 시간에 한 ZAP을 전달하는 스마트 임플란트를 포함한다.
두 경우 모두 인공 지능은 신경 과학자가 신경 코드, 즉 생각이나 행동의 기초가 되는 개별 뉴런 그룹의 활성화 패턴을 해독하는 데 도움을 줍니다. 뇌 임플란트는 수십 년 동안 사용되어 왔지만 최신 AI 주입은 전기적 활동 스파이크 식별과 같은 내부 프로세스를 훨씬 더 효과적으로 만들고 있다.
마지막으로, 논란의 여지가 있는 또 하나의 접근법은 인공 지능에서 인간과 같은 성과를 이끌어 내고 두뇌에도 존재하는지 묻는 수학 아이디어를 찾는 것이다. 인지 과학자들은 기존 아이디어에 증거를 통합하는 수학적 방법인 베이지안 추론이 우리가 세상을 인식하거나 결정하는 방법에 영향을 미치는지 오랫동안 궁금해 해 왔다. AI가 정리에서 영감을 얻은 것으로 때때로 인간의 인식을 모방 할 수 있다는 관찰은 그 논쟁을 다시 시작하고 있다.
물론 AI 출력이 두뇌와 유사하다고 해서 이것이 두뇌가 작동하는 방식을 의미하는 것은 아니다. 기계 지능과는 달리 우리의 두뇌는 진화 압력의 결과이다. 우리가 효율적으로 배우는 방식의 측면은 인공 지능 모델이 포착 할 수 없는 생존 본능과 밀접한 관련이 있을 수 있다.
AI는 뇌의 신비에 즉각적인 답변을 제공하기보다는 신경 과학자가 실험적으로 확인할 수 있는 하나 이상의 솔루션을 제공 할 가능성이 높다. 그럼에도 불구하고, 그들의 영향은 이미 근본적으로 신경 과학 생태계를 변화시키고 있으며 계속 성장할 것이다.
Sussillo는 “본인은 그 일에 참여하고 싶다.”라고 말한다.
이미지 출처 : GiroScience / Shutterstock.com
