Dentro lo sforzo di Moonshot per capire finalmente il cervello

'Ecco il problema con l'intelligenza artificiale oggi', afferma David Cox. Sì, è diventato sorprendentemente buono, dal riconoscimento facciale quasi perfetto alle auto senza conducente e alle macchine Go-playing dei campioni del mondo. Ed è vero che alcune applicazioni di intelligenza artificiale non hanno nemmeno più bisogno di essere programmate: si basano su architetture che consentono loro di imparare dall'esperienza.

Eppure c'è ancora qualcosa di goffo e di forza bruta, dice Cox, neuroscienziato ad Harvard. Per costruire un rilevatore di cani, devi mostrare al programma migliaia di cose che sono cani e migliaia che non sono cani, dice. Mia figlia ha dovuto vedere solo un cane e da allora ha felicemente indicato i cuccioli. E la consapevolezza che l'IA di oggi riesce a estrarre da tutti quei dati può essere stranamente fragile. Aggiungi un po' di statica artificiosa a un'immagine, un rumore che un essere umano non noterebbe nemmeno, e il computer potrebbe semplicemente scambiare un cane per un cassonetto. Non va bene se le persone usano il riconoscimento facciale, ad esempio, per la sicurezza sugli smartphone (vedi L'IA sta cavalcando un pony con un trucco?).

Lo studioso post-dottorato Abhinav Grama osserva il cervello.

Dopo il test, il cervello dell'animale è stato rimosso.

Questa storia faceva parte del nostro numero di novembre 2017

• Vedi il resto del problema
• sottoscrivi

Per superare tali limiti, Cox e dozzine di altri neuroscienziati ed esperti di apprendimento automatico hanno unito le forze l'anno scorso per la Machine Intelligence di Cortical Networks (MICrONS) iniziativa : uno sforzo da 100 milioni di dollari per decodificare il cervello. Sarà l'equivalente neuroscientifico di un colpo di luna, afferma Jacob Vogelstein, che ha ideato e lanciato MICrONS quando era un responsabile del programma per l'Intelligence Advanced Research Projects Agency, il braccio di ricerca della comunità di intelligence degli Stati Uniti. (Ora lavora presso la società di venture capital Camden Partners a Baltimora.) I ricercatori della MICRONS stanno tentando di tracciare un grafico della funzione e della struttura di ogni dettaglio in un piccolo pezzo di corteccia di roditore.

È una testimonianza della complessità del cervello che un colpo di luna è necessario per mappare anche questo minuscolo pezzo di corteccia, un cubo che misura un millimetro di lato, le dimensioni di un granello di sabbia grossolano. Ma questo cubo è migliaia di volte più grande di qualsiasi pezzo di cervello che qualcuno abbia cercato di dettagliare. Conterrà circa 100.000 neuroni e qualcosa come un miliardo di sinapsi, le giunzioni che consentono agli impulsi nervosi di saltare da un neurone all'altro.

Un cervello di topo in un piatto.

È un'ambizione che lascia sbalorditi altri neuroscienziati. Penso che quello che stanno facendo sia eroico, dice Eve Marder, che ha trascorso l'intera carriera studiando circuiti neurali molto più piccoli alla Brandeis University. È una delle cose più eccitanti che accadono nelle neuroscienze, afferma Konrad Kording, che si occupa di modellazione computazionale del cervello presso l'Università della Pennsylvania.

Il cervello è incollato a una piastra prima di essere scansionato.

Il risultato finale saranno i segreti neurali estratti dai dati del progetto, principi che dovrebbero formare ciò che Vogelstein chiama i mattoni computazionali per la prossima generazione di intelligenza artificiale. Dopotutto, dice, le reti neurali di oggi si basano su un'architettura vecchia di decenni e su un'idea abbastanza semplicistica di come funziona il cervello. In sostanza, questi sistemi diffondono la conoscenza attraverso migliaia di nodi densamente interconnessi, analogamente ai neuroni del cervello. I sistemi migliorano le loro prestazioni regolando la forza delle connessioni. Ma nella maggior parte delle reti neurali dei computer i segnali si riversano sempre in cascata, da un insieme di nodi all'altro. Il vero cervello è pieno di feedback: per ogni fascio di fibre nervose che trasportano segnali da una regione all'altra, c'è un numero uguale o maggiore di fibre che ritornano dall'altra parte. Ma perché? Queste fibre di feedback sono il segreto dell'apprendimento immediato e di tanti altri aspetti dell'immenso potere del cervello? Sta succedendo qualcos'altro?

I MICRONS dovrebbero fornire almeno alcune delle risposte, afferma il neuroscienziato dell'Università di Princeton Sebastian Seung, che sta svolgendo un ruolo chiave nello sforzo di mappatura. Infatti, dice, non credo si possa rispondere a queste domande senza un progetto come questo.

Immagine 1: Il piccolo cubo in alto a sinistra è la porzione del cervello che verrà mappata. Immagine 2: Quel pezzo di cervello è racchiuso in acrilico in preparazione per essere affettato estremamente sottile.

Zoom avanti

I team MICRONS, uno guidato da Cox, uno con sede a Università del Riso e il Baylor College of Medicine, e un terzo al Carnegie Mellon, perseguono ciascuno qualcosa di straordinariamente completo: una ricostruzione di tutte le cellule in un millimetro cubo di cervello di topo, più uno schema elettrico, un connettoma, che mostra come ogni cellula è collegato a ogni altra cellula e i dati mostrano esattamente quali situazioni fanno attivare i neuroni e influenzano altri neuroni.

Il primo passo è esaminare il cervello dei topi e capire cosa stanno effettivamente facendo i neuroni in quel millimetro cubo. Quando all'animale viene dato uno stimolo visivo specifico, come una linea orientata in un certo modo, quali neuroni iniziano improvvisamente a emettere impulsi e quali vicini rispondono?

Non più di un decennio fa, l'acquisizione di questo tipo di dati variava da difficile a impossibile: gli strumenti non sono mai esistiti, afferma Vogelstein. È vero che i ricercatori potrebbero far scorrere fili ultrasottili nel cervello e ottenere bellissime registrazioni dell'attività elettrica nei singoli neuroni. Ma non potevano registrare da più di poche dozzine alla volta perché le celle sono imballate così strettamente insieme. I ricercatori potrebbero anche mappare la geografia complessiva dell'attività neurale inserendo esseri umani e altri animali in macchine per la risonanza magnetica. Ma i ricercatori non potevano monitorare i singoli neuroni in quel modo: la risoluzione spaziale era al massimo di circa un millimetro.

Le fette di cervello tagliate si attaccano a un nastro di plastica.

Il nastro, con i campioni di cervello attaccati, viene tagliato e posizionato su una lastra scorrevole che andrà in un'enorme macchina di scansione.

Ciò che ha rotto quell'impasse è stato lo sviluppo di tecniche per far accendere i neuroni quando si attivano in un cervello vivente. Per farlo, gli scienziati in genere inseminano i neuroni con proteine ​​fluorescenti che brillano in presenza di ioni calcio, che aumentano in abbondanza ogni volta che una cellula si attiva. Le proteine ​​possono essere inserite chimicamente nel cervello di un roditore, trasportate da un virus benigno o addirittura codificate nel genoma dei neuroni. La fluorescenza può quindi essere attivata in diversi modi, forse in modo più utile, da una coppia di laser che pompano luce infrarossa nel topo attraverso una finestra incastonata nel suo cranio. Le frequenze infrarosse consentono ai fotoni di penetrare nel tessuto neurale relativamente opaco senza danneggiare nulla, prima di essere assorbiti dalle proteine ​​fluorescenti. Le proteine, a loro volta, combinano l'energia di due dei fotoni infrarossi e la rilasciano come un unico fotone di luce visibile che può essere visto al microscopio ordinario mentre l'animale osserva qualcosa o esegue un numero qualsiasi di altre azioni.

Andreas Tolias, che guida parte del team di Baylor, dice che questo è rivoluzionario perché puoi registrare da ogni singolo neurone, anche quelli che sono uno accanto all'altro.

Una volta che una squadra nel laboratorio di Cox ha mappato l'attività neurale di un topo, l'animale viene ucciso e il suo cervello viene infuso con l'osmio di metallo pesante. Quindi un team guidato dal biologo di Harvard Jeff Lichtman taglia il cervello a fette e scopre esattamente come sono organizzati e collegati i neuroni.

Questo processo inizia in un laboratorio seminterrato con una macchina desktop che funziona come un'affettatrice per salumi. Una piccola lastra di metallo sale e scende, ritagliando metodicamente la punta di quello che sembra essere un pastello color ambra e facendo aderire le fette a un nastro trasportatore fatto di nastro di plastica. La differenza è che il salame è in realtà un tubo di resina dura che racchiude e sostiene il fragile tessuto cerebrale, la piastra mobile contiene una lama diamantata incredibilmente affilata e le fette hanno uno spessore di circa 30 nanometri.

Le scansioni di fette di cervello sono cucite insieme da un algoritmo.

A sinistra si vede un campo visivo multibeam, composto da 61 immagini riprese al microscopio elettronico; 14 campi visivi multibeam sono combinati a destra.

Le scansioni vengono assemblate in un cubo e colorate.

Successivamente, in un altro laboratorio in fondo al corridoio, strisce di nastro contenenti diverse fette di cervello ciascuna sono montate su wafer di silicio e collocate all'interno di quello che sembra un grande frigorifero industriale. Il dispositivo è un microscopio elettronico: utilizza 61 fasci di elettroni per scansionare 61 chiazze di tessuto cerebrale contemporaneamente a una risoluzione di quattro nanometri.

Ogni wafer impiega circa 26 ore per la scansione. I monitor accanto al microscopio mostrano le immagini risultanti mentre si accumulano con dettagli maestosi: membrane cellulari, mitocondri, vescicole piene di neurotrasmettitori che si affollano alle sinapsi. È come ingrandire un frattale: più guardi da vicino, maggiore è la complessità che vedi.

Affettare non è certo la fine della storia. Anche se le scansioni escono dal microscopio (stai girando un film in cui ogni fetta è più profonda, dice Lichtman) vengono inoltrate a un team guidato dallo scienziato informatico di Harvard Hanspeter Pfister. Il nostro ruolo è quello di acquisire le immagini ed estrarre quante più informazioni possibili, afferma Pfister.

Ciò significa ricostruire tutti quei neuroni tridimensionali, con tutti i loro organelli, sinapsi e altre caratteristiche, da una pila di sezioni 2-D. Gli esseri umani potrebbero farlo con carta e matita, ma sarebbe irrimediabilmente lento, dice Pfister. Quindi lui e il suo team hanno addestrato le reti neurali per tracciare i veri neuroni. Funzionano molto meglio di tutti gli altri metodi che abbiamo usato, dice.

Ogni neurone, indipendentemente dalle sue dimensioni, emette una foresta di viticci conosciuti come dendriti, e ciascuno ha un'altra fibra lunga e sottile chiamata assone per trasmettere gli impulsi nervosi su lunghe distanze - completamente attraverso il cervello, in casi estremi, o anche tutte le lungo il midollo spinale. Ma mappando un millimetro cubo come sta facendo MICRONS, i ricercatori possono seguire la maggior parte di queste fibre dall'inizio alla fine e quindi vedere un circuito neurale completo. Penso che scopriremo cose, dice Pfister. Probabilmente strutture che non abbiamo mai sospettato e intuizioni completamente nuove sul cablaggio.

Il potere dell'anticipo

Tra le domande a cui i team di MICRONS sperano di iniziare a rispondere: quali sono gli algoritmi del cervello? Come funzionano effettivamente tutti quei circuiti neurali? E in particolare, cosa fa tutto quel feedback?

Molte delle odierne applicazioni di intelligenza artificiale non utilizzano il feedback. I segnali elettronici nella maggior parte delle reti neurali passano da uno strato di nodi all'altro, ma generalmente non all'indietro. (Non lasciarti ingannare dal termine backpropagation, che è un modo per farlo treno reti neurali.) Questa non è una regola rigida: le reti neurali ricorrenti hanno connessioni che vanno all'indietro, il che le aiuta a gestire input che cambiano nel tempo. Ma nessuno di loro usa il feedback su qualcosa di simile alla scala del cervello. In una parte ben studiata della corteccia visiva, dice Tai Sing Lee a Carnegie Mellon , solo dal 5 al 10 percento delle sinapsi ascolta l'input dagli occhi. Il resto sta ascoltando il feedback dai livelli più alti nel cervello.

I cubi colorati sono utili nelle illustrazioni 3D di varie strutture e processi neuronali, fornendo agli scienziati la loro mappa più dettagliata di ciò che effettivamente accade nel cervello.

Ci sono due grandi teorie su a cosa serva il feedback, dice Cox, e una è l'idea che il cervello cerchi costantemente di prevedere i propri input. Mentre la corteccia sensoriale è in elaborazione questo fotogramma del film, per così dire, i livelli superiori del cervello stanno cercando di anticipare il prossimo frame e ritrasmettendo le loro migliori ipotesi attraverso le fibre di feedback.

Questo è l'unico modo in cui il cervello può affrontare un ambiente in rapido movimento. I neuroni sono molto lenti, dice Cox. Possono essere necessari da 170 a 200 millisecondi per passare dalla luce che colpisce la retina attraverso tutte le fasi dell'elaborazione fino al livello di percezione cosciente. In quel tempo, il servizio di tennis di Serena Williams percorre nove metri. Quindi chiunque riesca a restituire quel servizio deve oscillare la sua racchetta sulla base della previsione.

E se cerchi costantemente di prevedere il futuro, dice Cox, quando arriva il vero futuro, puoi adattarti per migliorare la tua prossima previsione. Ciò si sposa bene con la seconda grande teoria esplorata: che le connessioni di feedback del cervello sono lì per guidare l'apprendimento. In effetti, le simulazioni al computer mostrano che una lotta per il miglioramento costringe qualsiasi sistema a costruire modelli del mondo sempre migliori. Ad esempio, dice Cox, devi capire come apparirà una faccia se si gira. E questo, dice, potrebbe rivelarsi un pezzo fondamentale del puzzle di apprendimento one-shot.

Quando mia figlia ha visto per la prima volta un cane, dice Cox, non ha dovuto imparare come funzionano le ombre o come la luce rimbalza sulle superfici. Aveva già accumulato un ricco serbatoio di esperienze su queste cose, solo vivendo nel mondo. Quindi, quando arrivava a qualcosa del tipo 'Questo è un cane', dice, poteva aggiungere quell'informazione a un enorme corpo di conoscenze.

Se queste idee sul feedback del cervello sono corrette, potrebbero apparire nella mappa dettagliata di MICRONS della forma e della funzione di un cervello. La mappa potrebbe dimostrare quali trucchi utilizzano i circuiti neurali per implementare la previsione e l'apprendimento. Alla fine, le nuove applicazioni di intelligenza artificiale potrebbero imitare quel processo.

Anche allora, però, rimarremo lontani dal rispondere a tutte le domande sul cervello. Conoscere i circuiti neurali non ci insegnerà tutto. Esistono forme di comunicazione cellula-cellula che non passano attraverso le sinapsi, comprese alcune eseguite da ormoni e neurotrasmettitori che fluttuano negli spazi tra i neuroni. C'è anche il problema della scala. Per quanto possa essere un grande balzo MICRONS, sta ancora solo guardando un minuscolo pezzo di corteccia per trovare indizi su ciò che è rilevante per il calcolo. E la corteccia è solo il sottile strato esterno del cervello. Le funzioni critiche di comando e controllo sono svolte anche da strutture cerebrali profonde come il talamo e i gangli della base.

La buona notizia è che MICRONS sta già aprendo la strada a progetti futuri che mappano sezioni più grandi del cervello.

Gran parte dei 100 milioni di dollari, dice Vogelstein, viene speso per tecnologie di raccolta dati che non dovranno essere inventate di nuovo. Allo stesso tempo, i team di MICRONS stanno sviluppando tecniche di scansione più veloci, inclusa una che elimina la necessità di affettare il tessuto. I team di Harvard, del MIT e del Cold Spring Harbor Laboratory hanno escogitato un modo per etichettare in modo univoco ogni neurone con uno schema di codici a barre e quindi visualizzare le cellule in grande dettaglio saturandole con un gel speciale che le gonfia molto delicatamente a dozzine o centinaia di volte la loro dimensione normale.

Quindi il primo millimetro cubo sarà difficile da raccogliere, dice Vogelstein, ma il prossimo sarà molto più facile.

M. Mitchell Waldrop è uno scrittore freelance a Washington, DC. È autore di La complessità e la macchina dei sogni ed è stato in precedenza un editore presso Natura .

nascondere