EKSPERIMENTI

Jelena Marjanović

„Mozak u činiji“

Između košmara i nagrade

Kada je sredinom 2023. godine australijsko ministarstvo odbrane odobrilo sredstva za finansiranje projekta pod nazivom dishbrain (mozak u činiji), u kojem se ukrštaju pravi, ljudski neuroni sa kompjuterskim čipom, vest je zagolicala pažnju javnosti, izazivajući čitav spektar reakcija. Nije lako zamisliti: splet velikog broja živih neurona (čovečjih i mišjih) povezano na mikro elektrode (a sve to nekako smešteno u činiju, jer tako mu ime kaže)  igra igru „pong“. Prilično bizarna slika u kojoj na prvi pogled ima mnogo pogrešnog. Zato je bitno da se razume sve ono stvarno važno i korisno što ovaj eksperiment donosi.  

Pođimo od najjednostavnijeg pitanja: šta je igra „pong“?
Ova jednostavna igra nastala je u osvit ere personalnih računara: dve crtice, po jedna na svakoj strani ekrana, koje igrači preko tastature pomeraju kao rekete, i loptica koju treba pogoditi i prebaciti na drugu stranu. Kod nas je ta igra bila poznata kao kompjuterski tenis. Jednostavna video igra koju je dishbrain trebalo da nauči da igra pomoću podsticaja koje je dobio preko elektroda. Začudo, trebalo mu je svega 5 minuta da nauči šta treba da radi!
E sad, nije dishbrain za 5 minuta postao Đoković u kompjuterskom tenisu. Ustvari, samo je malo porasla verovatnoća da će povući ispravan potez. Znači da je samo malo češće donosio ispravnu odluku nego pogrešnu. Ali ono što je istraživačima bilo važno je da je do te statističke promene došlo. I to je dobra startna pozicija. 
Dishbrain je značajan zbog svog doprinosa u dve naučne oblasti, od kojih se prva trudi da što bolje iskopira drugu: veštačka inteligencija i neuronauka.

Zašto biočip?

Neuronska mreža koja se koristi u najznačajnijim modelima veštačke inteligencije je softver (algoritam) osmišljen davne 1949. godine, po ugledu na mrežu neurona u mozgu. Razlog što ovaj algoritam tek danas daje tako moćne rezultate je što, tek u skorije vreme, imamo potrebnu kompjutersku snagu za njegovo izvršenje. Današnji računarski centri koji se koriste za treniranje AI modela objedinjuju rad hiljada pa i desetina hiljada izuzetno moćnih procesora, zauzimaju ogroman prostor i imaju još veću potrošnju. Najveći superkompjuter danas, a od decembra 2023. i najbrži na svetu, Oak Ridge Frontier u Tenesiju, SAD, koštao je 600 miliona dolara, zauzima prostoriju od 680 m2  i ima potrošnju od 20 MW (poređenja radi, toliku snagu proizvodi jedna od 10 turbina HE „ Đerdap 2“). Ovaj prvi exacomputer uspeva da u sekundi obavi isto onoliko operacija koliko i naš mozak - 1 exaflop operacija u sekundi (prefiks exa označava broj sa 18 nula). Bitna razlika je što naš mozak toliko operacija u sekundi obavlja sa potrošnjom milion puta manjom, trošeći svega 20 W i na prostoru… pa pogledajte se u ogledalo da shvatite kolikom.

Znači da nije sve samo u algoritmu i softveru, mora da ima nešto i u hardveru. Tako je počela potraga za novim procesorima koji bi omogućili da se ovi algoritmi na njima brže i efikasnije izvršavaju. Brzo se javila potreba da se napusti sadašnja struktura računara (takozvana Fon Nojmanova) i da se pribegne nekom potpuno drugačijem rešenju. Cilj je dobiti mali uređaj, koji malo troši i koji može da radi samostalno. Danas koristiti već postojeći model veštačke inteligencije u nekoj aplikaciji, po pravilu znači preko svog uređaja, vezanog na internet, poslati upit nekom centru negde u svetu, na kojem se model izvršava i šalje povratnu informaciju, odgovor, nazad do vašeg uređaja. To nije dobro rešenje ako nam treba da uređaj koji koristi odgovor AI modela bude autonoman ili da, u zavisnosti od odgovora, reaguje u deliću sekunde, kao na primer kod vozila bez vozača. Ili ako se nalazi na nepristupačnom terenu gde nema signala i interneta, što bi mogao da bude slučaj drona koji treba da uoči i alarmira pojavu šumskog požara. 

Nedostatak AI modela je što, kad se jednom istrenira, kad se jednom izračunaju svi njegovi parametri (a njihov broj ide do skoro 2 biliona kod trenutno najvećeg GPT-4 modela) oni ostaju fiksirani. Znači da nema naknadnog usavršavanja modela tokom svakodnevne upotrebe, jer bi to značilo nastaviti sa skupim treniranjem. Sa druge strane, negativna osobina savremenih računara, koja je prisutna i kod računara budućnosti - kvantnih računara, je što se podaci drže u memoriji koja je odvojena od procesorske jedinice. To znači da je potrebno dovesti ih do nje preko nekog transportnog sistema i učitavati parče po parče, obraditi, pa zatim rezultat vraćati nazad u memoriju - a za sve to su potrebne vreme i energija. 

Tu se istraživači ponovo okreću imitiranju najboljeg rešenja u prirodi - ljudskom mozgu. Tako nastaju neuromorfne strukture, u koje spada i dishbrain. 

Šta mozak radi u činiji?

Nastao je u laboratoriji Cortical Labs u Australiji; 800.000 neurona je kultivisano (izraslo) preko pinova silicijumskog čipa, u rastvoru nutrijenta koji ih “hrani i čini srećnima”, kako to tvrde njegovi tvrorci. Oni rastu, adaptiraju se i uče. Kao i svi ljudski neuroni, izuzetno su fleksibilni, samoprogramirajući, proizvod milijardi godina evolutivnog usavršavanja, sa mogućnostima još uvek za nas nedokučivim. Daleko od toga da ovo gomila neuronskih ćelija može da se poredi sa organom tako kompleksnim kao što je mozak. To je samo uzorak, koji nam omogućava da steknemo uvid u neke od procesa koji se odvijaju u živom neuronu, na kojem može da se eksperimentiše. Preko  pinova silicijumskog čipa na koje su povezani, do njih se dovode strujni impulsi, kao što bi se do mozga dovodili impulsi iz naših čula, i tako napravila veza sa spoljnim svetom, u ovom slučaju digitalnim. Podstaknuta ovim impulsima, neuronska struktura bi se sama organizovala i reagovala, dala odgovor kroz generisanje novih impulsa koje bi pinovi preuzeli i njima delovali na digitalni svet - pokretali crtice-rekete u igri „pong“. 

Postavlja se pitanje: kako nedefinisanoj gomili neurona objasniti šta se od nje očekuje? Kako ukazati šta je dobar a šta loš potez i kako ih navesti da nauče nešto određeno? Za to je, kao u svakoj dresuri, potrebna nagrada. U mozgu bi se koristio mehanizam za nagrađivanje baziran na hormonu sreće, neurotransmiteru dopaminu. Međutim to u ovom slučaju nije bilo primenljivo. Zato je iskorišćeno jedno drugo svojstvo nervnih struktura. 

Modelovanje sveta

Princip slobodne energije je teorija koja pokušava da objasni na koji način mozak procesira informacije koje stižu do njega. Po toj teoriji, mozak neprestano pravi modele sveta oko nas, na osnovu senzornih signala koji dolaze iz naših čula i predviđa njegovo stanje u sledećem trenutku. Zatim proverava tačnost svoje predikcije tako što je poredi sa senzornim signalima koje dobija iz čula u sledećem trenutku i računa razliku između predviđenog i stvarnog. Onda se koriguje, pravi novi model sa ciljem da se bolje približi stvarnom svetu, o kojem mu govore čula. I tako neprestano. Prema ovoj teoriji razlika između predviđenog (zamišljenog) modela i stvarnog sveta naziva se  “slobodna energija”. Mozak se trudi da tu slobodnu energiju minimizuje i svede na nulu. Onda će se, u teoriji, senzorni signali iz čula o svetu oko nas savršeno poklopiti sa onima koje je mozak predvideo u svom poslednjem modelu. Ispostavilo se da su predvidljivost i nepromenljivost nešto što bezlični splet neurona, razapetih preko metalnih iglica, prosto obožava i delaće u pravcu da eliminiše nepredvidljive pojave. To je iskorišćeno kao mehanizam nagrade. Kada bi reket pokrenuo u pravcu loptice, dishbrain bi bio nagrađen lepom predvidljivom stimulacijom. Kada bi ga pokrenuo u pogrešnu stranu, dobio bi četiri sekunde potpunog košmara u vidu nepredvidljivih impulsa. Već posle pet minuta učenja videli su se rezultati i ostali zapamćeni u memoriji neurona, na istom mestu gde se proces učenja odvijao. 

Dok su se prvi izveštaji o ovom eksperimentu uglavnom zadržali na talasu hajpa vezanog za veštačku inteligenciju i njegov značaj za razvoj bržih i efikasnijih procesora, od njegovih dizajnera iz  Cortico Labs stiže nešto drugačiji pogled na zadatak DishBrain-a: uvid u mehanizme kojima mozak procesira podatke i neprestano uči. U njemu ne postoji softver, osim onog upisanog u samu srž svakog neurona, u njegovu DNK. Istražiti kako se neuroni organizuju da nauče novi zadatak, kako se lako i brzo preusmeravaju na sledeći, koje su njihove stvarne mogućnosti kojih nismo ni svesni a koje svi nosimo u sebi - to su samo neke od nepoznanica u koje će pokušati da proniknu. 

Na kraju, a nikako manje važno, mozak u činiji predstavlja jedinstvenu mogućnost za istraživanje bolesti mozga. Eksperimetnisanje na neuronima, a da pri tome ne morate da radite na mozgu žive životinje, otvara nove mogućnosti u dijagnostici i pronalaženju tretmana za čitav niz bolesnih stanja, od epilepsije do demencije. 
Ovako osvetljena sa više strana, predstava mozga u činiji deluje mnogo prihvatljivije.

Jelena Marjanović

Kompletni tekstove sa slikama i prilozima potražite u magazinu
"PLANETA" - štampano izdanje ili u ON LINE prodaji Elektronskog izdanja
"Novinarnica"