На лабораторном столе — обычная с виду микросхема, соединенная тоненькими проводами с электронным микроскопом. На самом деле это биоподобный чип, воспроизводящий участок нейронной сети головного мозга. «А по проводам он передает сигналы, и так происходит общение в системе», — объясняет Вячеслав Александрович Демин, директор-координатор по направлению «Природоподобные технологии» НИЦ «Курчатовский институт». В этих стенах, по сути, рождается искусственный интеллект нового поколения. Зачем это нужно, какие уже есть результаты и какие ожидаются?
Вячеслав Александрович, ваша тема звучит очень загадочно — новые биоподобные принципы импульсных архитектур. Что это такое?
Дело в том,. что искусственный интеллект все глубже внедряется в каждодневную деятельность людей. Поэтому нужно все больше усилий для создания специализированных нейроморфных (то есть построенных на принципах организации мозга) вычислительных устройств, адаптированных под искусственный интеллект, ведь современные вычислительные системы крайне неэффективны с точки зрения потребления энергии при реализации интеллектуальных алгоритмов. Потребление энергии на традиционных компьютерах, где память и процесс разделены, весьма велико. При этом скорость нейроморфных вычислений на таких устройствах оставляет желать лучшего. Поэтому нужны специализированные устройства, разработкой которых мы здесь и занимаемся.
Сейчас уже есть два поколения нейроморфных процессоров. Первое — полностью на цифровых элементах— транзисторах, триггерах, из которых состоит обычный компьютер. Единственное, в чем отличие от так называемой архитектуры фон Неймана, где память и процессор разделены и общаются между собой через специальную шину электродов, по которой данные бегают туда и обратно, — это особая многоядерная архитектура.
Во всех гаджетах сегодня появляется несколько ядер — три, четыре, пять, иногда восемь. Но когда мы говорим про нейроморфные архитектуры, речь идет о сотнях и тысячах ядер на одном чипе, на одном кристалле. Именно такое количество дает принципиально иной способ обработки информации, более энергоэффективный — с меньшим энергопотреблением и с большей скоростью. При этом внутреннее устройство каждого ядра проще, чем универсального процессора, но за счет количества ядер, специальной архитектуры связей между ними и параллельной обработки информации мы получаем новое качество — нейроморфные вычисления. По сути, мы стараемся скопировать нейросетевую организацию нейронов живого мозга.
Итак, первое поколение полностью построено на цифровых элементах. Второе поколение использует аналоговые элементы, потому что мозг — это принципиально аналоговое устройство. Это значит. что сигналы могут принимать не только значения нуля (отсутствие сигнала) или единицы (присутствие сигнала), но также и промежуточные значения.
Есть аналоговые элементы и принципы обработки аналоговых сигналов типа величин активностей нейронов и связей между ними, которые сейчас внедряются в архитектуры нейроморфных вычислительных устройств. Мы же работаем над третьим поколением, в котором используются не только аналоговые и цифровые элементы, но еще и импульсная архитектура нейросетей.
Что это означает?
Это значит, что каждый нейрон генерирует не просто какой-то статичный сигнал на выходе — ноль, один либо какое-то промежуточное значение,— а импульсы, причем специальной формы. Иногда импульсными нейросетевыми архитектурами называют устройства, генерирующие обычные прямоугольные импульсы, с помощью которых общаются любые, в том числе и цифровые устройства. Это некорректно сточки зрения биоподобности таких архитектур. Биоподобными мы можем называть только те устройства, которые используют более сложные формы импульсов, а главное — применяют их для изменения синаптических связей между нейронами, то есть для обучения всей системы.
А чем лучше биоподобные импульсные архитектуры, чем все прочие?
Дело в том, что они могут самообучаться. Обычные архитектуры так называемых формальных искусственных нейронных сетей, которые сейчас массово распространяются во всех отраслях, — не самообучаемые. Для того чтобы их обучить, мы используем некие специально подготовленные данные. Вот пример распознавания зрительных образов. Скажем, у нас есть два класса изображений — столы и стулья. Мы берем изображения стульев — допустим, тысячу или лучше десять тысяч, — и на каждом из этих изображений человек-эксперт обводит соответствующий объект рамкой и помечает: это стул. Берет другую тысячу и более изображений и размечает: а вот это стол. То есть вешаем метку: стол, стул. Накапливаем все эти изображения, собираем в большую базу данных, а потом подаем на вход нейросетевого алгоритма, чтобы он самонастроил внутри себя так называемые синаптические связи между искусственными нейронами. Дальше он сам может тысяча первое изображение стула или тысяча первое изображение стола, не присутствующее в собранной базе данных, распознать автоматически, то есть указать его класс правильно. Это называется генерализацией распознавания. Он как бы обобщает ту информацию, которую в него закладывает человек. Это так называемое обучение с учителем.
А вы делаете систему, где учитель не нужен?
Мы хотим разработать систему, которая само- обучалась бы или делала это на гораздо меньшем количестве примеров— так, как это делает человек. Мама сказала ребенку, что это стул, а это стол, и через небольшое количество повторений он запоминает эти объекты. Конечно, мы не говорим сейчас о сложных когнитивных процессах, которые доступны даже ребенку. Например, он понимает, что стул — это то. на чем сидят, а стол — то, за чем едят. Вот эти вещи (семантические ассоциации между объектами и действиями) воспроизвести в искусственных системах пока весьма сложно.
Ясно, зачем это нужно ребенку. Зачем это нужно в данном случае?
Для того чтобы внедрять искусственный интеллект в различные отрасли, под каждую мелкую техническую задачу нужны огромные базы данных— так называемые обучающие выборки, размеченные людьми-экспертами. Это самый сложный и дорогой процесс, потому что нужно нанять большое количество экспертов, которые будут размечать и аннотировать эти изображения. Это занимает 70-95% стоимости в разработке нейросетевых интеллектуальных алгоритмов. Если мы снизим хотя бы на порядок количество необходимых примеров для обучения таких алгоритмов, эта часть работы будет стоить в десять раз дешевле. Понятно, что тем самым мы сделаем возможным более быстрое и широкое распространение этих алгоритмов в коммерческих приложениях.
Однако речь здесь не только о прикладной стороне вопроса, но и о фундаментальной. Чтобы отличать импульсные или, как мы их называем, спайковые архитектуры от ложноимпульсных, используют совершенно оригинальные биоподобные принципы обучения таких сетей. В чем разница? Допустим, искусственная нейронная сеть получает обучающий пример с изображением стола, а на выходе выдает ошибку, потому что срабатывает не тот нейрон, который отвечает за столы, а тот, что реагирует на стулья. Эту ошибку мы возвращаем по сети назад во все более мелкие слои, ближние ко входу сети, и исправляем веса (величины) связей. Это называется методом обратного распространения ошибки. Чтобы его реализовать, нужны размеченные примеры данных, о которых мы говорили.
А импульсные архитектуры обучаются по- другому — на основе так называемых локальных правил. Каждый нейрон «знает» вокруг себя только ближайшее окружение, то есть те нейроны, с которыми он связан и, следовательно, взаимодействует. Соответственно, в каждый момент времени он обладает информацией об их активности, о величинах связей с этими нейронами. Этой информации ему достаточно, чтобы правильно настраивать свои веса с соседями. Таким образом, вся сеть обучается сама собой, потому что каждый нейрон обучается только на информации, доступной локально, а не глобально, как в случае метода обратного распространения ошибки. Корректно размеченные примеры все равно могут понадобиться, чтобы инициализировать правильность процесса обучения, как и в случае с мамой и ребенком, но, как показывают первые эксперименты, таких данных нужно значительно меньше, чем в случае формальных нейронных сетей. Спайковые архитектуры на это и нацелены — снижать размер обучающей выборки, необходимой для настройки весов нейросетевого алгоритма.
Насколько уникальна работа, которую вы проводите?
Спайковыми архитектурами сейчас активно занимаются в мире. Я могу назвать два десятка основных групп. Но дело в том, что импульсные архитектуры неотъемлемы от аппаратного обеспечения. от самих нейроморфных систем, железа, которое их исполняет, потому что сегодня моделирование импульсных архитектур на традиционном компьютере или даже суперкомпьютере крайне затратно с вычислительной и энергетической точек зрения. Поэтому нужны специализированные ускорители вычислений под импульсные архитектуры. И количество групп, которые занимаются одновременно импульсными алгоритмами и аппаратными реализациями под них, гораздо меньше. Я пока могу их пересчитать на пальцах одной руки. Мы себя относим к одной из таких групп.
Наш подход уникален еще и тем, что некоторые принципы для локальных правил обучения нейронов мы черпаем не просто из литературы, а из натурных экспериментов. В нашем комплексе НБИКС-природоподобных технологий есть лаборатория нейронаук, которая работает с живыми нейронами — как в мозгах бодрствующих животных (в основном, мышей), так и в культурах живых клеток in vitro.
Вы подглядываете за их поведением и используете в своих разработках?
Именно так. Используя данные из биологических экспериментов, мы закладываем эти принципы в наши модельные системы и пытаемся их реализовать искусственно сначала в алгоритмах, а потом и в аппаратном обеспечении.
А почему так важно биоподобие?
Это серьезный вопрос. Почему важно воспроизводить системы, которые наблюдаются в живых организмах, в частности, в биологических нейронных сетях? Нам не обязательно воспроизводить все типы нейронов, да это и невозможно. В мозге на сегодня идентифицируют более 100 типов нейронов. И это только структурно, а функционально еще больше. Количество подтипов нейромедиаторов — химических посредников, с помощью которых нейроны общаются в мозге, — сейчас зашкаливает за тысячу найденных. Всю эту сложность воспроизвести ни алгоритмически, ни аппаратно просто невозможно. Поэтому мы сейчас пытаемся найти минимальный набор правил, структурных и функциональных элементов сети, которые бы обеспечивали условие успешной сходимости алгоритмов, то есть их обучения. В принципе, не столь важно, насколько это будет похоже на биологический прототип. Приведу пример. Птица крыльями машет, а у самолета они фиксированы, как у парящего орла. Тем не менее это работает.
Почему мы смотрим на природу? А где еще черпать примеры, подсказки, если не там? И ведь многое срабатывает. Например, одно из локальных правил обучения нейронов называется spike timing dependent plasticity— это значит пластичность (то есть способность к изменению) синапсов, зависящая от временных задержек между импульсами, приходящими на этот синапс. Оно полностью вдохновлено экспериментами на биологических сетях. В 1998 г. американские ученые китайского происхождения поставили такой эксперимент по изучению пластичности отдельной связи между двумя нейронами. И начиная с этого, казалось бы, простого, но базового эксперимента развилось целое направление — моделирование пластичности в искусственных нейросетевых системах. Сейчас показано, что подобного рода пластичность приводит к сходимости обучения многих алгоритмов на основе импульсных нейронных сетей.
Биоподобие важно с точки зрения реализации в искусственных системах-копиях функциональных характеристик, которые пока недоступны человеку технологически, но крайне привлекательны сточки зрения создания природоподобной ресурсосберегающей техносферы. К таким характеристикам в области искусственных нейронных сетей относятся энергоэффективность, скорость обработки информации, эргономичность, стабильность функционирования, устойчивость к возмущениям и физическим повреждениям, адаптивность к изменяющимся условиям, обучаемость и самообучаемость и т.п.
Расскажите об аппаратном обеспечении вашей работы.
Для того, чтобы импульсные архитектуры реализовывать аппаратно, необходима специализированная компонентная база. Некоторые исследовательские группы пытаются делать импульсные архитектуры полностью на цифровых элементах. Например, делать цифровыми синапсы — ячейки памяти — с бинарными значениями, чтобы у них были только состояния, связанные с нулем и с единицей.
Но, как я уже говорил, мозг— это аналоговое устройство. Численное моделирование показывает, что аналоговость элементов, в частности синапсов, крайне важна. Поэтому мы начали искать аналоговые элементы и обратили внимание на так называемые мемристоры — электрические сопротивления с эффектом памяти, которые как раз могут принимать наряду с крайними значениями некие промежуточные состояния и тем самым моделировать свойство синаптической пластичности, наблюдаемой в реальных биологических нейронных сетях. Эти элементы необходимо собирать на чипе с высокой плотностью, потому что количество синапсов в искусственных системах превышает количество нейронов примерно на два- три порядка, то есть на каждый нейрон приходится около тысячи контактов с другими нейронами (в биологических еще больше). Если нейронов в мозге человека около 100 млрд, значит, синапсов должно быть минимум 100 трлн. Это огромная величина.
Но мы не претендуем на возможности мозга человека.
Однако даже у мыши 100 млн нейронов и на три порядка большее количество синаптических контактов. Поэтому мемристоров как аналогов синапсов должно быть очень много — с высокой плотностью размещения на чипе, с высокой воспроизводимостью характеристик. В настоящее время началась разработка, с одной стороны, третьего поколения нейронных сетей, которая идет по пути коэволюции алгоритмов, потому что нам нужно подобрать локальные правила обучения для сходимости таких алгоритмов, с другой стороны— аппаратных нейроморфных систем, на которых эти правила можно реализовывать. Если мы их не совместим, то ничего не получится.
Вы их уже совместили?
На элементарных системах мы уже проводим такие эксперименты. У нас есть аппаратные нейроны, которые представляют собой достаточно крупную схему размером в несколько сантиметров. Конечно, каждая из этих схем может быть мини- атюризирована до десятков микрометров, а то и меньше. Мемристорные элементы у нас тоже уже существуют в виде микросхемы с архитектурой так называемого кроссбара, когда на пересечении электродов строк и столбцов находятся элементарные мемристивные ячейки. Их размер также может быть уменьшен вплоть до 10х10 нм, при которых становится возможным то количество элементов на отдельном чипе, о котором я говорил.
Глядя на коробочку в вашей руке, трудно вообразить, что это некое подобие живого существа. А вдруг оно однажды скажет вам: «Привет»? Что вы почувствуете?
Радость. Огромную радость.
Какие вы видите практические приложения вашей работы?
Их несчетное количество. Самое простое — то, с чем уже сейчас работают нейросетевые алгоритмы: распознавание визуальных образов от различных видов транспорта до лиц и отпечатков пальцев. Это нужно в беспилотном транспорте, технологиях идентификации личности, криминалистике, обеспечении безопасности на социальных объектах — в аэропортах, детских садах, школах, медучреждениях— для идентификации людей. Причем не только по лицам, но и, например, по типу походки, при этом с высокой точностью. Сейчас нейронные сети справляются с этим лучше, чем человек. Это огромная отрасль, причем образы могут быть не только визуальные, но и звуковые, когда, например, мы распознаем мелодию по определенному фрагменту аудиофайла.
Угадай мелодию?
Примерно так. Вот я напеваю, допустим, «В лесу родилась елочка», даже просто мелодию без слов, и вы сразу угадываете, что я пою. А тут сам гаджет сможет выдать название этой песни, хотя исполнение при этом, очевидно, может быть крайне далеко от оригинала. Сейчас уже появляются работы, которые могут по такому субъективному аудиоисполнению узнавать достаточно сложные песни и музыкальные произведения.
Это может быть и химическое распознавание любых сигналов произвольной модальности — даже вкусовых и обонятельных, когда искусственный интеллект с использованием хемосенсоров на определенные компоненты и вещества может не просто идентифицировать молекулы, но и распознавать сложный запах или вкус. Допустим, по совокупности простых сигналов система сможет вычислить, что именно вы готовите — жареную курицу или говяжий стейк.
Наверняка это нужно не только на кухне, но и в системах пищевой и продовольственной безопасности.
Абсолютно точно. Есть также приложения, связанные с распознаванием речи, с ее синтезом. когда по текстам необходимо сгенерировать речевое воспроизведение. Например, можно воспроизводить произвольные тексты людям, которые слабо видят. С переводом с одного языка на другой это тоже актуально.
Мечта любого журналиста — перевод речи в текст без помощи специальных людей, которые сидят и расшифровывают интервью.
Такие приложения уже существуют, хотя их качество пока не дотягивает до нужного уровня. Но, думаю, еще год-другой — и все это станет доступно. Более того, возможно, искусственная интеллектуальная система научится исправлять текст, чтобы убирать повторы, слова-паразиты, шлифовать и немного редактировать.
И журналист будет не нужен.
Технический журналист будет не нужен. А журналист творческий, который может обеспечить постановку проблемы, будет, конечно, востребован.
Мы подходим к важной теме. Человек будет нужен всегда? Не случится ли так, что эти умные системы однажды скажут: а зачем нам этот несовершенный, абсолютно никчемный человек? Мы и без него вполне справимся со всеми задачами, стоящими на этой планете.
Думаю, такого не произойдет. По крайней мере, могу прогнозировать на ближайшие 50 лет, поскольку знаю, как развивается отрасль. В ближайшие полвека человек точно будет нужен во многих отраслях, которые не связаны с рутинной обработкой информации, с какими-то простыми, но не детерминированными процессами, исполнение которых можно поручить искусственным агентам.
А через 50 лет?
Этого я не знаю. Кто-то говорит, что уже к 2050 г. настанет технологическая сингулярность, когда искусственный интеллект превзойдет человека во всех отраслях. Но в это слабо верится. Дело ведь не только в сложности системы, а еще в акте творчества. Все, что я делаю, я пропускаю через свое сознание. Что такое сознание? Неформализуемое понятие, философское, психологическое.
Не алгоритмическое.
Совершенно верно. Его сейчас невозможно никак смоделировать. Поэтому сказать, что нас полностью заменят, думаю, нельзя. Да, уже используется термин «коботинг», означающий взаимодействие человека с роботом. Но речь идет также о взаимодействии с интеллектуальными алгоритмами, программами. Допустим, архитектор знает, что мост должен обладать соответствующими техническими характеристиками, прочностью на разрыв и растяжение, чтобы выдерживать такую-то нагрузку. Закладывает эти параметры одновременно со стилистикой архитектуры, которую он сам набросал, но пока не брал в расчет техпараметры. А искусственный интеллект все это сводит воедино и в этой же стилистике выдает конструкцию, которая обеспечивает соответствующие характеристики.
Насколько важную роль играет то, что все это происходит в стенах НИЦ «Курчатовский институт»?
Я уже говорил о совмещении различных знаний при разработке этих систем. В России такое и в таких масштабах возможно, насколько мне известно, только в стенах Курчатовского института, потому что нашим президентом М.В. Ковальчуком еще в 2009 г. создано уникальное подразделение — Курчатовский комплекс НБИКС-природоподобных технологий, в котором совмещаются подходы из разных дисциплин: нано-, био-, информационных, когнитивных и даже социогуманитарных технологий. Это важно, потому что, когда мы разрабатываем технологию искусственного интеллекта, внедрение в жизнь должно происходить через обсуждение социальной психологии, этики, прав, юрисдикции и других вопросов, связанных с взаимодействием новых технологий с человеком. Здесь без социогуманитарных подходов определенно не обойтись.
Второй аспект связан с тем, что деятельность человека, которая ранее считалась исключительно гуманитарной, сейчас объективизируется. Например, вас могут проанализировать в МРТ-томографе, понять, какие зоны мозга возбуждаются при том или ином запросе, увидеть вашу реакцию на те или иные стимулы, то есть, по сути, считать ваши эмоции и даже мысли, причем, может быть, даже быстрее, чем это осознает сам человек. Объективизация гуманитарных областей, безусловно, ведет за собой социогуманитарную составляющую во все технологии, связанные с конвергенцией научных знаний. Это настоящая революция во всех сферах жизни, и мы рады, что находимся в ее авангарде.
■
Беседовала Наталия Лескова
Вячеслав Демин, директор-координатор по направлению «Природоподобные технологии» НИЦ «Курчатовский институт».
