Arko Oleski intervjuud Randal Koene ja Anders Sandbergiga

Mõne aja eest Tallinnas toimunud TEDxile olid kutsutud mitmed huvitavad tegelased, kes muuhulgas mõtisklevad ka ajuteaduse ulmelisemate rakenduste üle. Teadusajakirjanik Arko Olesk püüdiski intervjuude jaoks kinni Randal Koene, kes sooviks saavutada ainest sõltumatut vaimse olemist, ja Anders Sandbergi, kes mõtiskleb inimmõistuse täiendamise ja täiustamise peale. Head lugemist!

Ühe mehe neuroteadus

Hermann Cuntz on noor ajuteadlane, kes on oma üsna originaalse lähenemisega jõudnud kiiresti huvitavate tulemusteni, mida on märgatud juhtivate ajuteadlaste poolt. Ta töötab Frankfurdis ja sai aasta eest iseseisva grupi juhiks, et edasi uurida üksikute neuronite ühenduste seaduspärasid. Kui ta oma tööst räägib, siis tal silmad põlevad peas ning kuulaja võib kiiresti veenduda, et see teadustöö, mis ta teeb, on tõepoolest üsna põnev: kuidas saab määratud üksikute neuronite dendriitide kuju ja struktuur? Hermanni ja teiste artikkel näitab muuhulgas, kuidas oleks lihtsate matemaatiliste printsiipide abil võimalik järele aimata neuronite kuju ja seega annab vihjeid selle kohta, kuidas tehislikult luua pärisneuronitega sarnaseid sünteetilisi neuroneid. Ja sellest on muidugi kinni haaranud need, kes tegelevad tehisintellektiga ja üritavad luua nutikaid masinaid. Alljärgnev videoklipp selgitab seda täpsemalt:

Videoloengud Singularity Summitilt

Christof Koch on juhtiv teadvuseteadlane ja tema loeng Singularity Summitil on kahtlemata üks viimase aja parimaid loenguid teadvusest:

Muuseas, samal üritusel andis väga paeluva loengu ka üks eestlane – Jaan Tallinn.

Rääkivad robotid ja intellekti loomine: osa 2

Peeter jätkab oma kaheosalist lugu tehisintellektist:

Osa II

Kirjeldatud uuemas tehisintellektis, mis rõhub intellekti paigutatusele kehasse ja konteksti, tasub eraldi välja tuua erijuht, kus keskkond ise luuakse juba suuresti osaluse kaudu. Selles punktis puutub tehisintellekt kokku sotsiaalteadlaste ühe põhiprobleemiga üksikisiku ja terviku vastastiksuhetest, kus üksikisiku teod mõjutavad otse ja kaudselt nii teisi üksikisikuid kui ka süsteemi tervikuna, mis omakorda võib viia süsteemi püsimise või muutumiseni, aga ka selle täieliku kollapsini. Osalusintellekti juures toetub süsteemi liikmete võimekus üsna suures ulatuses väljakujunenud käitumiskorrale või süsteemile. Ehkki süsteem ei ole nähtav ühegi konkreetse indiviidi juures, toimib ta suures plaanis nende toimimisele nii piiraja kui ka võimaldajana. Selle järgi, kuidas intellekt antud juhul toimib peamiselt süsteemi najal, mille keerdudesse üksikagendid mähitud on, võiks vastavat intellekti erivormi nimetada eestikeeli veidi hellitavalt ehk mähisintellektiks.

Sellist mähisintellekti võivad pakkuda näiteks feromoonid, mille mahajätmisel sipelgad üsna tihedaid ja kindlaid radu moodustavad. Mitte ükski sipelgatest ei näe tervet rada, ent ometi süsteem toimib ja sipelgapesa moodustab ühe hästiorganiseeritud terviku. Rada aga ei tohiks pidada pelgalt epifenomeniks, kuna loomine ja kinnistumine mõjutab täiesti põhjuslikult sipelgate käitumist. Sellist jälgede jätmist kirjeldatakse ka stigmergia mõiste abil. Mähisintellekti võib lugeda selliste sipelgaradade üldistuseks: hulga üksiktegude tagajärjel arenenud emergentseks nähtuseks, mis lisab kogukonnale enneolematu, ent vajaliku kvaliteedi. Sipelgate intelligentsust võib küll tavainimene külma rahuga pidada funktsionaalselt suure ‘pesaorganismi’ nõudmisi täitvaks, kus pikemas perspektiivis pärandub edasi täiesti ühetasandiliselt pesa kui terviküksus oma elutsükliga. Mööndustega võiks aga arvata, et sarnase loogikaga võib jõuda ka kõrgema taseme kultuuride arenguni.

Ühe suunana tehisintellektis tegutsetakse agentidevaheliste kommunikatsiooni-süsteemide arendamise ja esilekutsumisega. Ühelt poolt katsetatakse minimaalsete tingimustega teatud süsteemiomaduste esilekutsumiseks (ning siis mängitakse eelsätetega). Selles vallas tegelevad eri etappidega inimkeele arengus näiteks S. Kirby, S. Harnad ja A. Cangelosi. Kirby-lt (2000) võib tuua esile tuua näiteks järgnevad tingimused inimliku keelekogukonna arendamiseks. Sealsed osalevad agendid peaksid olema surelikud, mis tähendab, et kõnekogukond peaks olema pidevalt uuenev. Teatud aja tagant tuleks lisada „süütuid“ kõnelejaid, kes süsteemist midagi ei tea. Õppimine peaks toimima vaatluse põhimõttel (kuigi eeldustel, et esialgne intentsioon on enamasti kuidagi tuvastatav) ning agendid ei tohiks omavahel vägivallatseda (indiviidide selektsioon on suvaline). Indiviididele antakse oskus siduda suvaline semantiline ühik (vektor) suvalise vormijadaga (string), ning neid seatakse vastakuti hunniku võimalike tähenduskomplektidega. Et loodud süsteem oleks tõesti juhuslik, alustavad indiviidid 0-teadmistega, ent vastavad aeg-ajalt tundmatule olukorrale uusleiutisega. Esialgu nad vaikivad suurema osa ajast, kuna ei oska leitud tähendusi väljendada, ent üksteise käitumisest õppides tekib aja jooksul arvestatav ühine keeleruum, mis lõpuks muutub üsna kõikvõimsaks, ent samas vormide koguhulga poolest üsna väikseks. Katset kirjeldab järgmine graafik.

Graafiku pealt on võimalik välja lugeda isendite keelesüsteemi arengut holistlikust leksikonist (kus on väljendeid rohkem kui tähendusi, mida saab nendega väljendada) kompositsioonilise leksikonini (kus väheste elementide kombineerimisel on võimalik väljendada piiratud tähendusruumi kõiki võimalikke tähendusi, kusjuures süsteem püsib lõpuks üsna stabiilne ka uute isendite lisamisel). Ka sellisel keelesüsteemi arengul võib kasutada stigmergia mõistet, kus vestluspartnerite poolt nähtavad lausumised moodustavad teatud ümbruskonna kihi, mis seab kõnelejate isiklikke grammatikaid muutma ning seejärel omakorda keskkonda uuesti muutma. Täiesti struktureerimata (kultuuri)keskkonnast jõuavad isendid nõnda täielikult struktureeritud keskkonnani. Seda mudelit võib pidada küll väga lihtsustatuks ja piiratuks, ent sama põhimõtet on võimalik üsna kaugele edasi arendada. Antud simulatsioon näitab hästi, kuidas keeleteaduses palju kõmu tekitavad keeleuniversaalid ei pea olema tekkinud geneetiliste eelduste läbi (ega ei pruugi isegi nende poolt toetatud olla), vaid võivad olla põhjustatud puhtalt süsteemi enese arengu iseärasustest, funktsionaalsetest survetest ja pudelikaeladest, mis selle käigus võivad ilmneda.

Tehisintelligentsi huviliste jaoks ehk olulisem on mainida, et sel alal tegeletakse ka täisautonoomsete iseliikurite väljaarendamisega (nii kaugele, et nad oskavad iseendal seinast akut laadida! ). Seda, kas vajalikuks peetakse käitumist päris masinatesse panna, sõltub uurimiseesmärkidest, aga suuresti ka uurimisgrupi rahakotist. Siin tuleb esirinnas seisvaks pidada Sony laboratooriumite juures töötavat Luc Steelsi uurimisrühma, kes üritavad viimasel ajal iseseisvaid humanoidroboteid vastastikku sotsialiseerida. Kui Kirby püüdis võimaldada agentidel üksikuid kõnelemise sarnaseid tegusid sooritada, siis Steels püüab (aegade jooksul paranevate muude parameetritega) robotitesse juba tervet kommunikatsioonitsüklit asetada. Soodustades „uue TI“ meetodil kohanemist ja õppimisvõimet, alustavad nemadki minimaalsest vajalikust eelseatusest ning nullteadmisest. Grupis on leitud, et üsna mõistlik ja ka täiesti toimiv on süsteem, kus agendid kordamööda üksteist korrigeerivad, vingemates versioonides täiesti foneetilist süsteemi välja arendades, enamasti aga lihtsamalt etteantud silbistikku kasutama õppides. Sarnaselt Kirby eksperimentidele, leiavad nad stabiilse tempoga nii adekvaatse sõnavara kui ka ühtse keelekogukonna. (Näidisgraafikud erinevatest eksperimentidest).

Mudeli erivõimekuseks võib pidada (lisaks muljetavaldava suhtlussüsteemi väljaarenemisele) seda, et nii, kuidas nihkub leksikon silbilt silbile (väga lihtsustatult kirjeldades), on võimelised arenema ka agentide semantika ehk tähendussüsteemid etteantud 2d-kaardil (näiteks värvikaardil) või juba keerukamalt ruumis paiknevate objektide hulgas. Asetades paar neist robotitest keerulisele pinnasele saavad nad, tingimusel et neid „tasustatakse“ ühise mõistmise puhul, omavahel välja arendada üsna keerulise sõnavara asjadele ja probleemolukordadele viitamiseks (esialgu seda kõike küll potentsiaalselt, kuna praegu üritavad nad hakkama saada veel siiski üsna lihtsate objektikogude ja lühikeste ajaskaaladega), mis püsib ka paindlik ja muutumisvõimeline. Samal põhimõttel nagu Kirby simulatsioonides loodi stigmergia abil toimiv suhtlussüsteem, loovad need robotid oma enda käitumissüsteemi, ehk täielikult kohastatud (siin: grounded, temaatiline viide: Symbol grounding problem) ja kehastatud suhtlussüsteemi. Seda, et stiimulite ja objektide keskkonda, millesse see suhtlussüsteem on paigutatud, võib pidada neil isekeskis moodustatuks ning ka üsna suvaliseks, tuleks siin mõista selgelt vastava võtte tugevusena. Ehkki esialgu tegelevad nad küll puhtalt ühetasandilise arusaamise leidmisega, ei tea keegi, kuhu nad jõuda võiksid, kui see meetod töötab.

Maitseks sellest, mille jaoks piisab ühest tasandist, võib tuua ka antud uurimisgrupi üsna hiljutise erilise vaevata loodud lisavidina: tegevusmängud. Kui üldiselt olid eelkirjeldatud vahendid loodud keelemängudeks (mäng = üks (suhtluskatse+tagasiside)-tsükkel) ja verbaalseks suhtluseks, siis üsna kergesti võib seda laiendada ka viipekeelele ning lasta neil hakata kategoriseerima ka iseenda keha (kui maailma). See protsess võib viia omamoodi keha-kuvandini (esialgu küll ilmselt metafoorselt), aga miks mitte ka keeruliste koordineeritud käitumisteni. Viipekeele õppimine käib neil näita-ja-ütle põhimõttel (jällegi ränk lihtsustus, mida võib täpsustada, kasvõi eraldi postitusega) nagu ka verbaalse keele õppimine. Näitamaks sellise õppimisvõime piire ja piiritlust, lisan kujuka pildi ühest Sony robotist peegli ees iseenda keha-kuvandit kujundamas.

Sellist maailmast õppimise viisi, kus osa maailma „luuakse“ osaluse teel, võib pidada ehk juba täiesti teistsuguseks intellektivormiks kui seda võiks oodata tehisintellektilt oma klassikalistes piirides. Kirjeldatud „mähisintellekt“ astub juba sammu lähemale inimkultuurile ning sedasi, miks ka mitte, inimmõistmisele ja mõtlemisele. Lõpetades kodumaise viitega võib ära tuua, et juba 1970ndatel (ning kindlasti varemgi) sai humanitaarteadlaste poolt üsna selgesõnaliselt kritiseeritud intellektiuuringuid, mis käsitlevad uurimist suunava ideaalmudelina individuaalset inimteadvust. Intellekti modelleerimisel (ja veel enam loomisel) võiks siiski alustada intellektuaalsete tegevuste ühisosast, mis loomariiki, inimkollektiive ja ehk ka oodetavat tundmatut tehisintellekti võiks kirjeldada. 1970ndate vaimus võiks siin rääkida simuleeritud ajude ja tehisrakkude asemel kunstiliste ja kultuuriliste infovoogude strukturaalmodelleerimisest, mis inimteadvuse püsivamat – kollektiivset – poolt igast küljest kujundavad. Arukate süsteemide väljaarendamisel tuleks aga alustada lihtsamatest seadetest, mis juba isekeskis keerukaks saaksid muutuda. Vaadeldes näiteks inimkultuuri võib ka ette kujutada, milliseid raskusi võib tehisintellektil isolatsioonis arenemisel tekkida: kui me saadaksime robotid Kuud koloniseerima, siis kas peaksime neile pakkuma pigem võimalikult osava etteseatud programmistiku või looma nad sellisena, et neil oleks võimalik Kuul kõik probleemolukorrad omavahel selgeks arutleda (nagu pakkus nt J. Lotman nõukogude kosmoseprogrammile).

Lisalugemist huvilisele:
Kirby, Simon 2000. Syntax without Natural Selection … In Knight, C., editor, The Evolutionary Emergence of Language: Social Function and the Origins of Linguistic Form. Cambridge University Press. 303—323
Steels, Luc 2006. Semiotic dynamics for embodied agents. IEEE Intelligent Systems 3(21): 32-38
Stevan Harnad 2007. Symbol grounding problem. Scholarpedia, 2(7):2373.
Lotman, Juri 1981. Aju – tekst – kultuur – tehisintellekt.

Rääkivad robotid ja intellekti loomine

Kahe järgmise postituse autoriks on Peeter, kes kirjutab tehisintellektist. Suur aitäh talle!

Osa I

Antud külalispostitus on seemne saanud internetiavarustes vohavatest reportaažidest, mis väljendavad selgelt, et robootika ja tehisintellekt on nii tulevikuala, millega teadushuviline peaks end kursis hoidma, kui ka jätkuvalt arutlemiskuum teema, mis kütab kirgi ja kujutlemisvõimet. Kuna siin ajaveebis on hiljuti avaldatud mitu postitust tehisteadvuse kohta, siis püüan teemasse sulandudes pakkuda asjaarmastajalikku ülevaadet arengutest tehisintellekti loomisega seonduvates ideedes ning mõndadest suundadest, mis mulle iseäranis huvitavad ja perspektiivikad tunduvad. Kes käte ja jalgadega teemas sees on, on täiel määral oodatud minu diletantlikku arutlust parandama, ent usun, et ma kellelegi oma jutukesega ülekohut ei tee. Kel lugemisel ajurakud aga ragisema hakkavad, on rohkem kui teretulnud arutelu jätkama, pildimaterjali või ascii retoorikaga.

Kaardistades tänapäeva kognitiivteadusi ja tehisintellekti loomise katseid, võib neid eesmärkidest lähtudes lüüa kahte lehte. Esimese alla võib paigutada lähenemise, mida võiks pidada tänini ‘klassikaliseks’ kognitiivteaduseks või tehisintellektiks. See lähenemine lähtub eraldatuse printsiibist, mille järgi piisab mingi üksiku oskuse (arutlemine, planeerimine, keeletöötlus) toimemehhanismide täielikuks mõistmiseks selle kompetentsi kontekstivabast kirjeldamisest. 1950-ndate „post-biheivioristlike“ arutluste käigus leiti, et psühholoogiliste uuringute eesmärgiks peaks olema leida just nö. loov ja muutumatu alge inimese sees, ehk nt kompetents (mitte stiimulite ja reaktsioonide keerukas võrgustik). Seejuures arvati, et inimmõistuse juures on võimalik kirjeldada masinavärki, mis meie käitumise teatud olukordades võimalikuks teeb, sõltumatult ümbritsevast maailmast, mistõttu kaasati mudelitesse keskkond äärmiselt lihtsustatud kujul või üldse mitte.

‘Klassikalisele’ kognitiivteadusele võib vastandada uusi põhimõtteid koondava ‘kehastatud’ (embodied) kognitiivteaduse, mis on mõnikord tuntud ka kui ‘uus’ (seda küll juba alates 1980-ndate lõpust) tehisintellekt. ‘Uus’ tehisintellekt (TI) leiab, et klassikalised lähenemised on juba juurtelt halvasti vormistatud ning et mõtlevate agentide kirjeldamiseks või loomiseks tuleb nad algselt asetada lähisituatsiooni ja toimekonteksti. Nõnda seab ta eesmärgiks just agendi ja keskkonna vaheliste interaktsioonide kirjeldamise, mille tulemusel on ka mudeli sisuks käitumine keskkonnas, mitte infotöötlus sisendist väljundini. Nõnda osutub võimalikuks, et agendid saavad ise keskkonda kujundada ning et kohati keskkond eksisteeribki puhtalt nende osaluse abil. Intellektuaalse ajaloo baasilt võiks põhimõtet kokku viia näiteks hilise Wittgensteiniga, kes on kirjeldanud, kuidas privaatne mõistmine ei ole suhtluse juures ei oluline ega vajalikki, mitmete fenomenoloogidega, kelle järgi võiks inimesi kui käitujaid pidada omamoodi ‘maailmasse visatuks’ (Heiddegger, Husserl jne), ning näiteks ka ökoloogiliste psühholoogidega (J.J. Gibson), kes leiavad, et meeli tuleb käsitleda alati sõltuvalt ümbritsevast ajast ja ruumist. Tuleb arvesse võtta, et ‘uue TI’ puhul pole keskkonna kaasamine tingitud mitte teoreetilistest arutlustest, vaid praktilisest vajadusest luua võimekamaid mudeleid, kuna varasemate klassikaliste vaadete ja vahenditega ei suudetud panna agente näitama soovitud käitumismustreid ja tegema seda, mida tarvis oli.

Analoogselt eesmärkidega võib lühidalt kirjeldada ka vahendeid, mis TI või kognitiivteaduste käsutuses on. Klassikalise lähenemisega koos esinenud ‘mõistus kui masinavärk’ mõtteviisiga on kaasnenud mõtlemise käsitlemine arvutitega analoogselt teatud rööp- ja jadaühenduste hulgana. Süsteemi tuleb sisend(ihulk) ning süsteemist lahkub väljund(ihulk) ning vahepealset tööd võib kirjeldada kui signaali järkjärgulist muundamist ja usaldusväärset edasiandmist. Mudel keskendub signaali jäävusele ning on enamasti seega üsna läbinähtav igale insenerisilmaga vaatlejale. Selle mudeliga on kaasnenud ka omajagu probleeme (muuhulgas see, kas ja kuidas signaali muundamist võib pidada intelligentsuseks (loe: Hiina tuba) või et reeglipärane sümbolitega ümberkäimine lihtsalt ei ole see, kuidas meie mõistus toimib (Dreyfus 1972)).

Reeglitepõhisele signaalide jadatöötlusele vastandatakse ‘uue TI-ga’ kaasnenud konnektsionistlikke ja närvivõrgustiku (neural network) mudeleid, kus esimest võiks pidada ehk teise erijuhuks. Mõlemate puhul on tegemist enamasti teatava assotsiatiivse võrgustikuga, kus sisenditekombinatsioonid aktiveerivad oma naabreid jne, jõudes üsna keeruliste ja tihti (insenerisilmale) läbipaistmatute tulemusteni. Võrgustike töötamine on aga üles ehitatud nende õppimisvõimele, kus erinevaid tagasisidemehhanisme või nt Hebbi õppimist (samaaegne aktiveerumine tähendab ühenduse tugevnemist) kasutades muudetakse pidevalt mitmete paralleelsete ühenduste kaale, mis kallutavad mudeli hetkeseisundi soovitud tulemuse või süsteemiseisu poole. Võrgustikku saavad sedasi iseloomustada erinevad süsteemiatraktorid ning arengutrajektoorid.

Nüüd kui vaadelda hiljutist postitust ‘inimlikult’ mõtlevast robotist, võiks videoga levitatud info põhjal justkui järeldada, et ta on ehitatud keerulise ja muutliku keskkonnaga hakkama saama, ehk ‘uue TI’ põhimõtete järgi ning et ta kasutab mõningasi tuunitud ‘närvivõrgustikke’ selle saavutamiseks. Videost aga ei ole võimalik välja lugeda, et neid närvivõrgustikke oleks kuidagi üritatud ‘inimlikuks teha’ või et mida selle inimliku all üldsegi silmas peeti. Seetõttu on raske mõista, kuidas just see robot (mitte paljud teised sarnaselt loodavad) ülemaailmse uudistekünnise ületas ja valmistajanäo kuulsaks tegi (kuigi barman-robot iseenesest oleks ju üsna andekas ulmekontseptsioon).

Jätkub …

Internetikursus tehisintellektist

Kuna blogikülastajate seas on mitmeid inimesi, keda huvitab tehisintellekt, siis tasub levitamist järgmine teade: sel sügisel on kõigil võimalik interneti teel ühineda Stanfordi ülikoolis peetava tehisintellekti kursusega! Kursust juhivad rahvusvaheliselt tuntud tehisintellekti uurijad, kes ei ole hämmastavalt head mitte ainult oma uurimistöös, vaid ka lektoritena. Ja veelgi parem – kursust pole mitte ainult võimalik vaadata, vaid saab kaasa teha ka ülesandeid ja läbida kursuse nagu Stanfordi ülikooli õpilane. Kursuse lõpus on väidetavalt võimalik saada isegi tunnistus selle kohta, et oled vastava kursuse läbinud! Kõlab põnevalt? Mine kursuse kodulehele või vaata tutvustavat videot:

Mõtlev robot?

Jaapani insenerid panid roboti mõtlema! Või vähemalt nii väidab järgnev video:

Põhimõtteliselt väidetakse nii selles videos kui ka pressiteadetes, et see robot “mõtleb samal viisil nagu inimesed”, ehkki see on ilmselgelt väga ennatlik järeldus – sarnane käitumine teatud olukordades ei tähenda ju sugugi, et ka seda käitumist juhtiv protsess sarnane oleks. Aga robot ise on muidugi tore ja tasub vaatamist.

Viited: masinate teadvus ja ajurakkude kontroll valgussignaalide abil

Teadvuseteaduse juhtfiguurid Christof Koch ja Giulio Tononi kirjutavad taas masinate teadvusest! Seekordne artikkel ilmus ajakirjas Scientific American ja ei pruugi hetkel veel kõigi jaoks kättesaadav olla (soovi korral võib mulle artikli saamiseks kirjutada), aga tegu on väga kena esseega masinate teadvusest ja uudset tüüpi teadvuse testidest, mis võiksid meil aidata otsustada, kas masin on tõepoolest teadvusel. (aitäh Toomasele viite eest!)

Nädalavahetuseks sobib igati ka mõnus populaarteaduslik video sellest, kuidas valgussignaalide ja geneetika (= optogeneetika) abil saab kontrollida neuronite laenglemist ja seega väga täpselt uurida, kuidas ja millal erinevad neuronid mingi vaimse tegevusega seotud on. TEDi loenguid optogeneetikast oleme varemgi vahendanud, kuid kui tookord oli rääkijaks Gero Miesenböck, siis seekordseks esinejaks on Ed Boyden MITist. head vaatamist! (aitäh Annikale viite eest!)

Kas MASINAL saab olla TEADVUS??

Kas Su arvutil on teadvus? Aga mobiiltelefonil või robotkoeral? Kas üldse mõnel tehislikul masinal võib olla teadvus? Mõnel masinal ju kahtlemata saab olla teadvus, sest aju ise on ka üks masin … masin, millel on teadvus. Niisiis, kas saab olla ka teisi masinaid, millel on teadvus? Millised need teadvusega masinad olema peaksid? Kas masin, mis oleks ajust väga teistsuguse ehituse ja tööprintsiipidega, saaks olla teadvusel? Kuidas ehitada teadvusega masinat? Kas see on üldse võimalik? Kuidas teada, kas see ehitatud masin on teadvusel? Kindlasti ei piisa sellest, kui masin ütleb “ma olen teadvusel”, sest ehk ta valetab – väidab küll, nagu oleks teadvusel, kuigi tal tegelikult teadvuselamused puuduvad.

Teadvusega masina ehitamine on kinni teadvuseteaduse kesksete küsimuste taga – kuidas tekib teadvus ajus? millised aju struktuurid ja protsessid on teadvuse jaoks tarvilikud? Milline aktiivsus ajus on seotud selle vastiku nõelava tundega, mis tekib siis, kui sääsk mind ootamatult kuklast hammustab? kui me oskaksime vastata neile küsimustele, siis me oskaksime ehitada ka teadvusega masina. Seni aga võime teadvusega masinate olemasolu ja ehitamise üle ainult arutada. Kellele siin esitatud küsimused huvi pakkusid, võivad nende üle edasi mõelda koos teadvuseteaduse juhtfiguuride Christof Kochi ja Giulio Tononiga, kes küsivad “kas masinad saavad olla teadvusel?” oma hästiloetavas populaarteaduslikus artiklis (kes soovib artiklit pdfi kujul, leiab selle siit).

Kui kiire on aju?

Väga kiire! Hiljuti ilmunud töös näidati, et inimaju suudab 100 millisekundiga eristada, kas ekraanil on nägu, masin, puuvili, tool või loom. 100 millisekundit on üks kümnendik sekundist ja ükski tänapäeva arvuti ei suuda eristada erinevaid objektiklasse nii kiiresti, mis sest, et arvutis toimuvad arvutusprotsessid on miljon korda kiiremad kui ajusisene töötlus.

Gabriel Kreiman on oma varasemates töödes näidanud, et inimajus võib leida üksikneuroneid, mis aktiveeruvad ainult siis, kui pildil on Jennifer Anniston – üksikneuronid inimajus võivad olla ülimalt valivad (eestlase ajus võiks olenevalt indiviidist leida ilmselt Lennart Mere või Anu Saagimi üksikneuroni). Eelmisel nädalal ajakirjas Neuron ilmunud töös uuriti inimajju asetatud elektroodide abil seda, kui kiiresti tekib ajus visuaalse töötluse käigus valivus objektikategooriate suhtes.

Patsientidel olid taaskord ajju torgatud elektroodid, millega saab nii ajas kui ruumis ülitäpselt mõõta ajuvastuseid soovitud tingimustes. Patsientidele näidati erinevaid pilte loomadest, nägudest, puuviljadest, toolidest ja masinatest ning iga pilti näidati ka erineva vaatenurga alt. Hiljem kasutati blogis juba tutvustatud matemaatilisi meetodeid, et klassifitseerida ajust saadud vastuseid ühte või teise objektikategooriasse. Uus ja üllatav tulemus oli see, et ajust objektikategooria kohta informatsiooni väljalugemine töötab juba 100 ms pärast objekti esitamist. See on väga kiire. See näitab, et objektide äratundmine võib toimuda puhtalt alt-üles moodusel, st võrkkestale langev informatsioon töödeldakse üha kõrgemates visuaalsetes piirkondades ja objektide äratundmine toimub ühes suunas liikuva informatsiooni põhjal, ilma et kõrgemad piirkonnad peaksid saatma tagasisidet madalamatele piirkondadele (antud juhul, 100 ms jooksul, nad seda lihtsalt ei jõuaks).

Miks peaks kedagi huvitama, kuidas aju töötleb visuaalset informatsiooni? Tehisliku intellekti kallal töötavad tuhanded teadlased üle kogu maailma ning nende üks esimesi eesmärke on luua tehislik tajusüsteem, mis suudab töödelda visuaalset informatsiooni sama hästi või paremini kui inimaju. Seda süsteemi saaks näiteks kasutada, et lennujaamades ära tunda potentsiaalseid terroriste, et teha autosid, mis sõidavad ilma juhita jne. Selle iseenesest “lihtsa” probleemi kallal – kuidas luua sellist tehislikku süsteemi, mis oleks võimeline objekte ära tundma – on tegeldud mitu aastakümmet, kuid endiselt on aju igasugusest sellisest tehislikust süsteemist peajagu (aju jagu?) üle. Niisiis tundub, et parim viis sellise süsteemi loomiseks on õppida tundma, kuidas aju seda teeb – kuidas suudab aju nii kiiresti ja nii veatult objekte ära tunda ja kategoriseerida?

Lõppude lõpuks jääb küsimus, millal teadvus mängu tuleb. Kas 100 ms, mis on tarvis objektide äratundmiseks, annab meile mingit informatsiooni selle kohta, millal see objekt teadvustub? Ehk mitte. Kuid küsime nii: kui aju suudab 100 millisekundiga aru saada, mis objektiga tegu on, siis miks peaks see informatsioon veel 100-200 ms ootama, enne kui ta teadvustub? miks ei võiks teadvus objektist tekkida samal hetkel (või varemgi), mil aju suudab ühte objektiklassi teisest eristada?

Allikas: Liu et al., 2009, Neuron; Timing, Timing, Timing: Fast Decoding of Object Information …