Pensare in silicio

Immagina una persona che legge queste parole su un laptop in un bar. La macchina fatta di metallo, plastica e silicio consuma circa 50 watt di potenza mentre traduce bit di informazioni, una lunga serie di uno sabbia 0 s: in uno schema di punti su uno schermo. Nel frattempo, all'interno del cranio di quella persona, un ammasso appiccicoso di proteine, sale e acqua usa una frazione di quel potere non solo per riconoscere quegli schemi come lettere, parole e frasi, ma per riconoscere la canzone che suona alla radio.

Questo chip per computer, realizzato da IBM nel 2011, presenta componenti che fungono da 256 neuroni e 262.144 sinapsi.

I computer sono incredibilmente inefficienti in molte attività facili anche per i cervelli più semplici, come riconoscere immagini e navigare in spazi sconosciuti. Le macchine trovate nei laboratori di ricerca o nei vasti data center possono svolgere tali compiti, ma sono enormi e affamate di energia e necessitano di una programmazione specializzata. Google ha recentemente fatto notizia con un software in grado di riconoscere in modo affidabile gatti e volti umani nei video clip, ma questo risultato ha richiesto non meno di 16.000 potenti processori.

Questa storia faceva parte del nostro numero di gennaio 2014

• Vedi il resto del problema
• sottoscrivi

Una nuova generazione di chip per computer che funzionano più come il cervello potrebbe essere in procinto di restringere il divario tra calcolo artificiale e naturale, tra circuiti che elaborano operazioni logiche a velocità vertiginosa e un meccanismo affinato dall'evoluzione per elaborare e agire sull'input sensoriale dal mondo reale. I progressi nelle neuroscienze e nella tecnologia dei chip hanno reso pratico costruire dispositivi che, almeno su piccola scala, elaborano i dati come fa il cervello di un mammifero. Questi chip neuromorfici potrebbero essere il pezzo mancante di molti progetti promettenti ma incompiuti nell'intelligenza artificiale, come le auto che si guidano in modo affidabile in tutte le condizioni e gli smartphone che fungono da assistenti conversazionali competenti.

I computer moderni sono ereditati dai calcolatori, ottimi per macinare numeri, afferma Dharmendra Modha, ricercatore senior presso IBM Research ad Almaden, in California. I cervelli si sono evoluti nel mondo reale. Modha guida uno dei due gruppi che hanno costruito chip per computer con un'architettura di base copiata dal cervello dei mammiferi nell'ambito di un progetto da 100 milioni di dollari chiamato Sinapsi , finanziato dalla Defense Advanced Research Projects Agency del Pentagono.

I prototipi hanno già mostrato le prime scintille di intelligenza, elaborando le immagini in modo molto efficiente e acquisendo nuove abilità in un modo che ricorda l'apprendimento biologico. IBM ha creato strumenti per consentire agli ingegneri del software di programmare questi chip ispirati al cervello; l'altro prototipo, presso i Laboratori HRL di Malibu, California, sarà presto installato all'interno di un minuscolo aereo robotico, dal quale imparerà a riconoscere l'ambiente circostante.

L'evoluzione dei chip ispirati al cervello è iniziata nei primi anni '80 con Carver Mead, professore al California Institute of Technology e uno dei padri dell'informatica moderna. Mead si era fatto un nome aiutando a sviluppare un modo di progettare chip per computer chiamato integrazione su larga scala, o VLSI, che consentiva ai produttori di creare microprocessori molto più complessi. Ciò ha innescato una crescita esplosiva della potenza di calcolo: i computer sembravano destinati a diventare mainstream, persino onnipresenti. Ma l'industria sembrava felice di costruirli attorno a un progetto, risalente al 1945. L'architettura von Neumann, dal nome del matematico di origine ungherese John von Neumann, è progettata per eseguire sequenze lineari di istruzioni. Tutti i computer di oggi, dagli smartphone ai supercomputer, hanno solo due componenti principali: un'unità centrale di elaborazione, o CPU, per manipolare i dati, e un blocco di memoria ad accesso casuale, o RAM, per archiviare i dati e le istruzioni su come manipolarli . La CPU inizia recuperando la sua prima istruzione dalla memoria, seguita dai dati necessari per eseguirla; dopo che l'istruzione è stata eseguita, il risultato viene rimandato in memoria e il ciclo si ripete. Anche i chip multicore che gestiscono i dati in parallelo sono limitati a pochi processi lineari simultanei.

Questo approccio si è sviluppato naturalmente dalla matematica e dalla logica teoriche, in cui i problemi vengono risolti con catene di ragionamento lineari. Eppure non era adatto per elaborare e apprendere da grandi quantità di dati, in particolare input sensoriali come immagini o suoni. Inoltre presentava limitazioni intrinseche: per rendere i computer più potenti, l'industria si era incaricata di costruire chip sempre più complessi in grado di eseguire operazioni sequenziali sempre più velocemente, ma questo ha messo gli ingegneri sulla buona strada per maggiori problemi di efficienza e raffreddamento, perché più veloci i chip producono più calore di scarto. Mead, ora 79enne e professore emerito, intuiva già allora che poteva esserci un modo migliore. Più ci pensavo, più mi sentivo a disagio, dice, seduto nell'ufficio che mantiene al Caltech. Ha iniziato a sognare chip che elaborassero molte istruzioni, forse milioni, in parallelo. Un tale chip potrebbe svolgere nuovi compiti, gestendo in modo efficiente grandi quantità di informazioni non strutturate come video o suoni. Potrebbe essere più compatto e utilizzare la potenza in modo più efficiente, anche se fosse più specializzato per particolari tipi di compiti. La prova che ciò fosse possibile si poteva trovare volando, scorrazzando e camminando tutt'intorno. Gli unici esempi che abbiamo avuto di una cosa massicciamente parallela erano nel cervello degli animali, dice Mead.

I cervelli calcolano in parallelo mentre le cellule elettricamente attive al loro interno, chiamate neuroni, operano simultaneamente e incessantemente. Legati in intricate reti da appendici filiformi, i neuroni influenzano gli impulsi elettrici l'uno dell'altro tramite connessioni chiamate sinapsi. Quando le informazioni fluiscono attraverso un cervello, elabora i dati come una raffica di picchi che si diffondono attraverso i suoi neuroni e sinapsi. Riconosci le parole in questo paragrafo, ad esempio, grazie a un particolare schema di attività elettrica nel tuo cervello innescato da un input dai tuoi occhi. Fondamentalmente, anche l'hardware neurale è flessibile: nuovi input possono far sì che le sinapsi si adattino in modo da dare ad alcuni neuroni più o meno influenza su altri, un processo che è alla base dell'apprendimento. In termini informatici, è un sistema massicciamente parallelo che può riprogrammarsi.

Ironia della sorte, sebbene abbia ispirato i progetti convenzionali che resistono oggi, von Neumann aveva anche intuito il potenziale dell'informatica ispirata al cervello. Nel libro incompiuto Il computer e il cervello , pubblicato un anno dopo la sua morte nel 1957, si meravigliò delle dimensioni, dell'efficienza e della potenza dei cervelli rispetto ai computer. Uno studio matematico più approfondito del sistema nervoso... può alterare il modo in cui guardiamo alla matematica e alla logica, ha affermato. Quando Mead arrivò alla stessa conclusione più di due decenni dopo, scoprì che nessuno aveva provato a creare un computer ispirato dal cervello. Nessuno in quel momento stava pensando: 'Come faccio a costruirne uno?' dice Mead. Non avevamo idea di come funzionasse.

Mead ha finalmente costruito i suoi primi chip neuromorfici, come ha battezzato i suoi dispositivi ispirati al cervello, a metà degli anni '80, dopo aver collaborato con neuroscienziati per studiare come i neuroni elaborano i dati. Facendo funzionare i normali transistor a tensioni insolitamente basse, poteva organizzarli in reti di feedback che sembravano molto diverse dalle raccolte di neuroni ma funzionavano in modo simile. Ha usato quel trucco per emulare i circuiti di elaborazione dati nella retina e nella coclea, costruendo chip che eseguivano trucchi come rilevare i bordi di oggetti e caratteristiche in un segnale audio. Ma era difficile lavorare con i chip e lo sforzo era limitato dalla tecnologia di produzione dei chip. Con il calcolo neuromorfo ancora solo una curiosità, Mead è passato ad altri progetti. È stato più difficile di quanto pensassi entrare, riflette. Il cervello di una mosca non sembra così complicato, ma fa cose che ancora oggi non possiamo fare. Questo ti sta dicendo qualcosa.

Neuroni dentro

Il laboratorio IBM di Almaden, vicino a San Jose, si trova vicino ma separato dalla Silicon Valley, forse il luogo ideale da cui ripensare alle fondamenta del settore informatico. Per arrivarci bisogna guidare verso una strada fiancheggiata da magnolie ai margini della città e salire due miglia di curve. Il laboratorio si trova in mezzo a 2.317 acri protetti di dolci colline. All'interno, i ricercatori percorrono corridoi lunghi, ampi e silenziosi e rimuginano sui problemi. Qui, Modha guida il più grande dei due team che DARPA ha reclutato per rompere la dipendenza da von Neumann dell'industria informatica. L'approccio di base è simile a quello di Mead: costruire chip di silicio con elementi che funzionano come neuroni. Ma ha il vantaggio dei progressi nelle neuroscienze e nella produzione di chip. Il tempismo è tutto; non era del tutto giusto per Carver, dice Modha, che ha l'abitudine di chiudere gli occhi per pensare, respirare e riflettere prima di parlare.

IBM produce chip neuromorfici utilizzando raccolte di 6.000 transistor per emulare il comportamento di picchi elettrici di un neurone e quindi collegando insieme quei neuroni di silicio. La strategia di Modha per combinarli per costruire un sistema simile al cervello si ispira agli studi sulla corteccia del cervello, lo strato esterno rugoso. Sebbene diverse parti della corteccia abbiano funzioni diverse, come il controllo del linguaggio o del movimento, sono tutte costituite dalle cosiddette microcolonne, che ripetono gruppi da 100 a 250 neuroni. Modha ha presentato la sua versione di una microcolonna nel 2011. Un granello di silicio poco più grande di una capocchia di spillo, conteneva 256 neuroni di silicio e un blocco di memoria che definisce le proprietà di un massimo di 262.000 connessioni sinaptiche tra di loro. Programmare correttamente queste sinapsi può creare una rete che elabora e reagisce alle informazioni proprio come fanno i neuroni di un vero cervello.

Impostare quel chip per lavorare su un problema implica la programmazione di una simulazione del chip su un computer convenzionale e quindi il trasferimento della configurazione al chip reale. In un esperimento, il chip è stato in grado di riconoscere le cifre scritte a mano da 0 a 9, prevedendo persino quale numero qualcuno stava iniziando a tracciare con uno stilo digitale. In un altro, la rete del chip era programmata per riprodurre una versione del videogioco Pong. In un terzo, ha diretto un piccolo veicolo aereo senza equipaggio a seguire la doppia linea gialla sulla strada che si avvicina al laboratorio di IBM. Nessuna di queste imprese è al di fuori della portata del software convenzionale, ma sono state ottenute utilizzando una frazione del codice, della potenza e dell'hardware normalmente richiesti.

Modha sta testando le prime versioni di un chip più complesso, costituito da una griglia di nuclei neurosinaptici affiancati in una sorta di corteccia rudimentale, oltre un milione di neuroni in tutto. L'estate scorsa, IBM ha anche annunciato un'architettura di programmazione neuromorfa basata su blocchi modulari di codice chiamati corelets. L'intenzione è che i programmatori combinino e modifichino i corelet da un menu preesistente, per salvarli dalla lotta con sinapsi e neuroni di silicio. Sono già stati progettati oltre 150 corelet, per compiti che vanno dal riconoscimento delle persone nei video alla distinzione della musica di Beethoven e Bach.

Macchine per l'apprendimento

Su un'altra collina della California 300 miglia a sud, l'altra parte del progetto DARPA mira a realizzare chip che imitano ancora più da vicino il cervello. HRL, che si affaccia su Malibu dalle pendici delle montagne di Santa Monica, è stata fondata da Hughes Aircraft e ora opera come una joint venture di General Motors e Boeing. Con uno stagno di koi, palme e piante di banane, l'ingresso ricorda un hotel dell'epoca d'oro di Hollywood. Vanta anche una targa che commemora il primo laser funzionante, costruito nel 1960 in quelli che allora si chiamavano Hughes Research Labs.

Un microchip sviluppato da HRL apprende come un cervello biologico rafforzando o indebolendo le connessioni sinapsi.

Su una panchina in un laboratorio senza finestre, il chip di Narayan Srinivasa si trova al centro di un groviglio di fili. L'attività dei suoi 576 neuroni artificiali appare sullo schermo di un computer come una sfilata di picchi, un EEG per un cervello di silicio. Il chip HRL ha neuroni e sinapsi molto simili a quelli di IBM. Ma come i neuroni nel tuo cervello, quelli sul chip di HRL regolano le loro connessioni sinaptiche quando vengono esposti a nuovi dati. In altre parole, il chip impara attraverso l'esperienza.

Il chip HRL imita due fenomeni di apprendimento nel cervello. Uno è che i neuroni diventano più o meno sensibili ai segnali di un altro neurone a seconda della frequenza con cui arrivano quei segnali. L'altro è più complesso: un processo che si ritiene supporti l'apprendimento e la memoria, noto come plasticità dipendente dal tempo di picco. Ciò fa sì che i neuroni diventino più reattivi ad altri neuroni che in passato tendevano a corrispondere strettamente alla propria attività di segnalazione. Se gruppi di neuroni lavorano insieme in modo costruttivo, le connessioni tra di loro si rafforzano, mentre le connessioni meno utili cadono inattive.

I risultati degli esperimenti con versioni simulate del chip sono impressionanti. Il chip ha giocato un gioco virtuale di Pong, proprio come ha fatto il chip di IBM. Ma a differenza del chip IBM, quello di HRL non era programmato per giocare, ma solo per muovere la racchetta, sentire la palla e ricevere feedback che premiavano un tiro riuscito o punivano un errore. Un sistema di 120 neuroni ha iniziato a dimenarsi, ma in circa cinque round è diventato un giocatore abile. Non lo programmi, dice Srinivasa. Dici solo 'Buon lavoro', 'Pessimo lavoro' e capisce cosa dovrebbe fare. Se vengono aggiunti palloni, palette o avversari extra, la rete si adatta rapidamente ai cambiamenti.

Questo approccio potrebbe alla fine consentire agli ingegneri di creare un robot che inciampa in una sorta di infanzia, scoprendo come muoversi e navigare. Non puoi catturare la ricchezza di tutte le cose che accadono nell'ambiente del mondo reale, quindi dovresti fare in modo che il sistema se ne occupi direttamente, dice Srinivasa. Macchine identiche potrebbero quindi incorporare tutto ciò che l'originale ha appreso. Ma anche lasciare ai robot una certa capacità di apprendere dopo quel punto potrebbe essere utile. In questo modo potrebbero adattarsi se danneggiati o adattare la loro andatura a diversi tipi di terreno.

Il primo vero test di questa visione per il calcolo neuromorfico arriverà la prossima estate, quando il chip HRL è programmato per sfuggire al suo banco di laboratorio e prendere il volo in un aereo delle dimensioni di un palmo con ali battenti, chiamato Snipe. Mentre un essere umano pilota a distanza l'imbarcazione attraverso una serie di stanze, il chip acquisirà i dati dalla fotocamera dell'imbarcazione e da altri sensori. Ad un certo punto il chip riceverà un segnale che significa Prestare attenzione qui. La prossima volta che il Beccaccino visita quella stanza, il chip dovrebbe accendere una luce per segnalare che ricorda. L'esecuzione di questo tipo di riconoscimento richiederebbe normalmente troppa potenza elettrica e di calcolo per un'imbarcazione così piccola.

Intelligenza aliena

Nonostante i modesti ma significativi successi dei chip Synapse, non è ancora chiaro se l'aumento di questi chip produrrà macchine con facoltà cerebrali più sofisticate. E alcuni critici dubitano che sarà mai possibile per gli ingegneri copiare la biologia abbastanza da vicino per catturare queste capacità.

IBM ha utilizzato questa simulazione di percorsi neurali a lungo raggio in un macaco per guidare la progettazione di chip neuromorfici.

Il neuroscienziato Henry Markram, che ha scoperto la plasticità dipendente dal tempo di picco, ha attaccato il lavoro di Modha su reti di neuroni simulati, dicendo che il loro comportamento è troppo semplicistico. Crede che emulare con successo le facoltà del cervello richieda la copia delle sinapsi su scala molecolare; il comportamento dei neuroni è influenzato dalle interazioni di dozzine di canali ionici e migliaia di proteine, osserva, e ci sono numerosi tipi di sinapsi, che si comportano tutti in modi non lineari o caotici. Secondo Markram, catturare le capacità di un vero cervello richiederebbe agli scienziati di incorporare tutte queste caratteristiche.

I team della DARPA ribattono che non devono catturare l'intera complessità del cervello per fare cose utili e che ci si può aspettare che le generazioni successive dei loro chip si avvicinino a rappresentare la biologia. HRL spera di migliorare i suoi chip consentendo ai neuroni di silicio di regolare la propria frequenza di scarica come fanno quelli nel cervello, e IBM sta cablando le connessioni tra i core del suo ultimo chip neuromorfico in un modo nuovo, utilizzando le intuizioni delle simulazioni delle connessioni tra i diversi regioni della corteccia di un macaco.

Modha ritiene che queste connessioni potrebbero essere importanti per il funzionamento del cervello di livello superiore. Eppure, anche dopo tali miglioramenti, questi chip saranno ancora lontani dalla realtà disordinata e complessa dei cervelli. Sembra improbabile che i microchip possano mai eguagliare il cervello nell'inserire 10 miliardi di connessioni sinaptiche in un singolo centimetro quadrato, anche se HRL sta sperimentando una forma di memoria più densa basata su dispositivi esotici noti come memristori.

Allo stesso tempo, i progetti neuromorfici sono ancora molto lontani dalla maggior parte dei computer che abbiamo oggi. Forse è meglio riconoscere questi chip come qualcosa di completamente separato: una nuova forma di intelligenza aliena.

L'approccio tradizionale consiste nell'aggiungere più capacità computazionali e algoritmi più potenti, ma questo non è più scalabile.

Potrebbero essere alieni, ma il capo della strategia di ricerca di IBM, Zachary Lemnios, prevede che vorremo familiarizzare con loro abbastanza presto. Molte grandi aziende sentono già la necessità di un nuovo tipo di intelligenza computazionale, afferma: L'approccio tradizionale consiste nell'aggiungere più capacità computazionali e algoritmi più potenti, ma questo semplicemente non è scalabile, e lo stiamo vedendo. Come esempi, cita l'assistente personale Siri di Apple e le auto a guida autonoma di Google. Queste tecnologie non sono molto sofisticate nel modo in cui comprendono il mondo che le circonda, dice Lemnios; Le auto di Google fanno molto affidamento sui dati cartografici precaricati per navigare, mentre Siri attinge a server cloud distanti per il riconoscimento vocale e l'elaborazione del linguaggio, causando notevoli ritardi.

Oggi l'avanguardia del software di intelligenza artificiale è una disciplina conosciuta come deep learning, abbracciata da Google e Facebook, tra gli altri. Implica l'uso di software per simulare reti di neuroni di base su una normale architettura di computer (vedi 10 Breakthrough Technologies: Deep Learning, maggio/giugno 2013). Ma questo approccio, che ha prodotto il software di rilevamento dei gatti di Google, si basa su vasti cluster di computer per eseguire le reti neurali simulate e fornire loro i dati. Le macchine neuromorfe dovrebbero consentire di confezionare tali facoltà in dispositivi compatti ed efficienti per situazioni in cui non è pratico connettersi a un data center distante. IBM sta già parlando con clienti interessati all'utilizzo di sistemi neuromorfici. L'elaborazione dei video di sicurezza e la previsione delle frodi finanziarie sono in prima linea, poiché entrambi richiedono un apprendimento complesso e il riconoscimento dei modelli in tempo reale.

Ogni volta che e comunque verranno utilizzati chip neuromorfici, molto probabilmente sarà in collaborazione con le macchine di von Neumann. I numeri dovranno ancora essere macinati, e anche nei sistemi che devono affrontare problemi come l'analisi delle immagini, sarà più facile ed efficiente avere un computer convenzionale al comando. I chip neuromorfici potrebbero quindi essere utilizzati per compiti particolari, proprio come un cervello fa affidamento su diverse regioni specializzate per svolgere lavori diversi.

Come è sempre avvenuto nella storia dell'informatica, i primi sistemi di questo tipo saranno probabilmente impiegati al servizio delle forze armate statunitensi. Non è mistico o magico, dice Gill Pratt, che gestisce il progetto Synapse alla DARPA, del calcolo neuromorfo. È una differenza architettonica che porta a un diverso compromesso tra energia e prestazioni. Pratt afferma che gli UAV, in particolare, potrebbero utilizzare l'approccio. I chip neuromorfici potrebbero riconoscere punti di riferimento o obiettivi senza gli ingombranti trasferimenti di dati e i potenti computer convenzionali ora necessari per elaborare le immagini. Invece di inviare video di un gruppo di ragazzi, direbbe: 'C'è una persona in ciascuna di queste posizioni, sembra che stiano correndo', dice.

Questa visione di un nuovo tipo di chip per computer è sicuramente riconosciuta sia da Mead che da von Neumann.

nascondere