De menselijke stofwisseling als informatieproces

In het NWO-programma Computational Life Sciences werken biologen samen met chemici, informatici en wiskundigen om nieuwe computationele methoden te ontwikkelen die nodig zijn voor het begrijpen van biologische systemen. Een van de CLS-projecten richt zich op het begrijpen van de menselijke stofwisseling: Hoe maken voedingsstoffen de mens maken tot wie hij is? 

Dit artikel is gepubliceerd in I/O Magazine, juni 2013

Wat ons lichaam doet met de voedingsstoffen die het binnenkrijgt, verschilt van persoon tot persoon. De een komt snel aan, de ander niet. Bij de een verhoogt zout de kans op hart- en vaatziekten flink, bij de ander heeft het nauwelijks invloed. Het ontwikkelen van kwantitatieve modellen die verklaren hoe dat komt, is een grote uitdaging binnen de biologie. Zulke kwantitatieve modellen kunnen vervolgens gebruikt worden om voedings-, gezondheids- en medicijnadviezen op maat te geven. Dat is in ieder geval de toekomstdroom.

Om die toekomstdroom te realiseren, is de informatica inmiddels onmisbaar geworden. Dat komt door de enorme hoeveelheden experimentele data die biologen verzamelen over de mens als biochemische machine: data van de genen, de activiteiten van die genen, de eiwitten waarvoor de genen de bouwinstructies bevatten en de stofwisselingsproducten die binnen en buiten de lichaamscellen worden gemaakt. De informatica is nodig om die datastromen te analyseren. Sinds 2003 kent Nederland het NWO-programma Computational Life Sciences (CLS, zie kader) om onderzoek binnen deze tak van de informatica te ondersteunen.

“Voor mij gaat Computational Life Sciences over het koppelen van data aan modellen”, zegt Marcel Reinders, lid van de CLS-programmacommissie en hoogleraar bioinformatica aan de TU Delft. “Het interessante van CLS is dat de verschillende disciplines zodanig aan het mengen zijn, dat je niet meer zo makkelijk kunt praten over dé informaticacomponent, dé biologiecomponent of dé wiskundecomponent van een CLS-project. Als je een CLS-onderzoeksprobleem alleen aan een wiskundige geeft, dan krijg je een mooie theorie waar een bioloog weinig aan heeft. Geef je het alleen aan een informaticus, dan krijg je een algoritme verpakt in een mooi interface, waar de bioloog en de wiskundige weinig aan hebben. Het belangrijkste resultaat van CLS tot nu toe is dat het programma biologen, informatici en wiskundigen bij elkaar heeft gebracht en dat daar een synergie uit is ontstaan.”

Op de stoel van de ontwerper

Waar het bij elkaar brengen van biologen, informatici en wiskundigen toe kan leiden, laat het net afgeronde CLS-project over metabole netwerken zien. Door het combineren van experimentele biologische data met wiskundige theorieën en efficiënte computeralgoritmes, heeft dit project nieuwe inzichten over de stofwisseling opgeleverd. VU-hoogleraar systeembioinformatica Bas Teusink leidde het project. Teusink: “Sla een tekstboek over biochemie open en het lijkt alsof we alles al weten over de stofwisseling. Niets is minder waar. Neem de enzymen, de katalysatoren tijdens de stofwisseling. We hebben vele metingen van de enzymniveaus, maar niemand heeft een interpretatie voor die metingen. Het lijkt een zooitje. Waarom gaat een enzymniveau in het ene geval tweemaal omhoog en blijft het in het andere geval gelijk?”

Tijdens de stofwisseling staat een lichaamscel eigenlijk voor een grote logistieke opgave: Hoe regel je alle chemische verkeersstromen zodat de juiste stoffen in de juiste verhoudingen worden gemaakt of afgebroken? Teusink en zijn projectmedewerkers hebben daarom een stap terug gedaan en zich af gevraagd: Wat zijn de logische ontwerp-principes waaraan een cel zou moeten voldoen om bij de stofwisseling zo efficiënt mogelijk om te gaan met de beschikbare hoeveelheden energie en materiaal? Robuustheid is een van de logische vereisten: het systeem moet tegen een stootje kunnen. Reguleerbaarheid is een andere logische eis: het systeem moet adequaat in kunnen spelen op veranderingen in de omgeving. Wanneer je een biertje drinkt, signaleert de lever alcoholmoleculen en geeft de levercellen de instructie om enzymen aan te maken die de alcohol afbreken.

De onderzoekers zijn als een soort bio-ingenieurs zelf op de stoel van de ontwerper gaan zitten, hebben verschillende modellen ontworpen en zijn die gaan testen en fijnregelen met de beschikbare experimentele data. Uitgangspunt was de gistcel, die vanwege zijn grote genetische overlap met de mens al decennialang als modelorganisme wordt bestudeerd.

Teusink en zijn collega’s van de Vrije Universiteit Amsterdam en de TU Delft hebben een methode ontwikkeld waarmee ze de optimale enzymverdeling bij de stofwisseling kunnen berekenen op basis van de moleculaire eigenschappen van de individuele enzymen (hoe goed bindt het enzym? hoe groot is het enzym?). “Het is een soort kosten-batenanalyse als functie van de enzymniveaus”, zegt Teusink, “met als randvoorwaarde dat er voor een bepaalde route maar een bepaalde hoeveelheid materiaal beschikbaar is. Bestaande theorieën hielden geen rekening met die randvoorwaarde; wij voor het eerst wel.”

Vanuit informatica-oogpunt ligt het kernprobleem in het omgaan met een hoogdimensionale ruimte (evenveel dimensies als er enzymen worden meegenomen in het model) en het variëren van het honderdtal parameters dat per model kan worden ingesteld. Het aantal mogelijkheden explodeert al snel, waardoor modellen voor stofwisseling het karakter krijgen van wat informatici NP-harde problemen noemen. Een ander informaticaprobleem is de vraag hoe je een biologisch relevante visualisatie maakt van zo’n hoogdimensionaal probleem.

Verkeersstromen op een wegenkaart

Begin maart van dit jaar maakte een grote groep internationale wetenschappers voor het eerst een wegenkaart bekend van de complete menselijke stofwisseling. Een model van 7.440 biochemische reacties tussen meer dan vijfduizend voedingsstoffen laat zien hoe ons lichaam voedingsstoffen verteert, bewerkt en gebruikt als nieuw bouwmateriaal. Zonder twijfel een grote doorbraak. Maar wat nog ontbreekt, is wat het verkeer op die wegen is: hoeveel van welk stofje kiest welke weg? Hoe zijn de afstellingen van de verkeerslichten, ofwel de enzymen, die reacties kunnen versnellen, vertragen en zelfs stop zetten? 

Een grote uitdagingen voor de Computational Life Sciences is om een informatiemodel te ontwikkelen voor de wegenkaart van de menselijke stofwisseling. Reinders denkt dat het realistisch is om te verwachten dat we die wegenkaart in de komende decennia kunnen aanvullen met de benodigde verkeersstromen.

“De wereld van de cel lijkt soms ingewikkelder dan de wereld van de natuurkunde zelf”, zegt Reinders. “Dat kan natuurlijk niet, maar toch. Het menselijk lichaam is een ontzettend in elkaar grijpend systeem dat bestaat uit zo’n 1014 cellen. Om een subsysteem te modelleren, moeten we soms aannemen dat een bepaald eiwitniveau constant is. Maar wanneer we het model testen, blijkt vaak dat we dat eiwitniveau toch niet constant hadden mogen veronderstellen. Tegen dat soort problemen lopen we in de bioinformatica vaak aan.”

“De kunst is om uit te vinden wat je wel en wat je niet mag vereenvoudigen”, vult Teusink aan. “Mijn ideaal is om uit te zoomen van alle details en dan te kijken of we patronen kunnen ontdekken. Een gas lijkt ook een wirwar van botsende moleculen, maar toch kunnen natuurkundigen een statistische gaswet afleiden. Mijn hoop is dat we in de systeembiologie tussen alle complexiteit door ook zulke wetten vinden.”



De smaak van kaas voorspellen

Eind dit jaar loopt het CLS-programma af. Of er een nieuwe CLS-subsidieronde gaat komen, is nog onduidelijk. Maar stel dat die er komt, wat staat dan op het verlanglijstje van de CLS-onderzoekers? “Dan denk ik dat ik de schaal en de complexiteit van de modellen zou willen vergroten”, zegt Reinders. “Dan zouden we meer enzymen en meer lagen van regulatie kunnen modelleren. En misschien zouden we ook moeten denken aan grotere projecten. Hoewel Nederland internationaal aardig meedoet, ontbreekt het bij ons aan grote projecten. In Duitsland is een project gestart om in tien jaar tijd de lever door te meten en te rekenen. In China willen ze een miljoen mensen genetisch gaan sequencen.”

Daarnaast denkt Reinders ook dat een nieuwe CLS-ronde zich wat meer zou kunnen richten op voorspellen in plaats van op alleen beschrijven: “De huidige CLS-programma’s zijn nog vrij fundamenteel en voor de industrie is het gat naar hun praktijk nog vrij groot. Daarbij moeten we wel bedenken dat dit veld pas tien jaar bestaat. Dat is te kort om al onze modellen ook te toetsen aan de industriële praktijk.” Teusink haakt daar op in: “We krijgen wel eens de vraag van een bedrijf of we niet een model hebben dat voorspelt hoe een bepaalde kaas gaat smaken, maar zo ver zijn we nog niet. Aan de andere kant zie ik wel al de eerste modellen verschijnen die genoeg inzicht geven om het aantal experimenten flink te beperken.”

Computational Life Sciences is voor veel informatici nog vrij onbekend terrein. En onbekend maakt onbemind, vinden Reinders en Teusink. Jammer, want goede informatici kan het vakgebied hard gebruiken. “Ik zou informatici graag uitnodigen om de stap naar de Computational Life Sciences te maken”, zegt Reinders. “Informatica is veel meer dan de Google-wereld van enen en nullen.”

Teusink ziet allerlei interessante analogieën tussen biologische netwerken en netwerken uit de informatica, zoals het Internet. “Maar dat je als informaticus kunt meehelpen aan het begrijpen hoe de levende natuur in elkaar staakt, hoe veroudering werkt, wat voeding precies in ons lichaam doet en hoe we gezondheid kunnen verbeteren, dat is toch wel de grootste uitdaging.”

[kader:]
Het NWO-programma Computational Life Sciences

Het programma Computational Life Sciences (CLS) richt zich op de informaticakant van de systeembiologie. Systeembiologen maken kwantitatieve modellen die beschrijven hoe een biologisch systeem werkt: van moleculair en cellulair niveau, via intercellulair niveau naar complete organen en een compleet organisme zoals de mens. CLS-onderzoek ging in de afgelopen jaren over een breed scala aan onderwerpen: onder andere over de menselijke stofwisseling, het afweersysteem, malaria, de genexpressie bij koralen en de communicatie tussen een enkele hersencel en zijn directe omgeving.

Het CLS-programma kende drie subsidierondes: in 2003, 2007 en 2008. De eerste ronde was gericht op het modelleren van biologische deelsystemen zoals een cel, orgaan of organisme. Voor deze ronde was 5,5 miljoen euro beschikbaar (gefinancierd door NWO, stichting Nationale Computerfaciliteiten (NCF) en ZonMW). De tweede en derde ronde waren gericht op het modelleren van biologische netwerken met nieuwe methoden uit de informatica en de wiskunde. Gezamenlijk hadden deze twee rondes een budget van 4,8 miljoen euro (gefinancierd door NWO, NCF, het Netherlands Bioinformatics Centre (NBIC) en het National Genomics Initiative (NGI)).

[Summary in English:]

In 2003 the Dutch National Science Foundation NWO started the program Computational Life Sciences (CLS). The aim of CLS was to strengthen a specific part of computer science that has become indispensable within systems biology. In systems biology biologists cooperate with chemists, mathematicians and computer scientists to develop quantitative models of detailed biological processes. In recent years Dutch CLS-research has covered a broad range of biological subjects: metabolism, the immune system, malaria, gene expression in corals and the communication between a single neuron and its near environment. CLS runs till 2014.

Internet
Meer over de diverse projecten binnen CLS:
www.nwo.nl/onderzoek-en-resultaten/programmas/computational+life+sciences

Fact and fiction in artificial intelligence

Thomas van Manen, analyst and strategist at VINT, wrote this about my lecture "Feit in Fictie in kunstmatige intelligentie", given yesterday at the VINT-Symposium.

‘De rolstoel kan straks naar het museum’

Verlamde mensen weer laten lopen – dat is het streven van Miguel Nicolelis. Voor KIJK sprak ik met hem.

De Braziliaanse neurowetenschapper Miguel Nicolelis wil de aftrap van het aanstaande wereldkampioenschap voetbal laten verrichten door een aan zijn benen verlamde landgenoot. Het idee is om een hersenchip te koppelen aan een uitwendig skelet van kunstmatige benen: een exoskelet. KIJK sprak met Nicolelis over dit project, met de toepasselijke naam WalkAgain.

KIJK: Wat moeten we ons voorstellen bij zo’n exoskelet?

Miguel Nicolelis: “Het exoskelet zit om de patiënt heen en is gemaakt van lichte, sterke materialen. Het combineert talloze nieuwe technologieën. Voor het eerst wordt het bestuurd met een breinchip, voor het eerst wordt er een feedbacksignaal van het exoskelet naar de hersenen gestuurd, voor het eerst zit er een kunstmatige huid op het exoskelet en voor het eerst trainen we menselijke patiënten in een virtuele omgeving. De kunstmatige huid van het exoskelet bestaat uit buigbare elektronica die voorzien is van sensors. Die kunstmatige huid kan de grond of de bal waarnemen. Dat signaal wordt naar het brein van de patiënt gestuurd. Zo zal de patiënt voelen wanneer zijn voet de grond of de bal raakt. Andere sensors zitten in het exoskelet en registreren bijvoorbeeld de houding van de patiënt, zodat hij rechtop blijft lopen.”

Wanneer zien we de eerste mensen in exoskeletten rondwandelen?

“Wetenschappelijk gezien is de techniek van het aansturen van exoskeletten nu opgelost. We hebben de wiskundige rekenmethoden die breinsignalen vertalen naar het aansturen van een exoskelet. De problemen die nog voor ons liggen, zijn een kwestie van techniek. We moeten informatica, robotica en hersenonderzoek combineren op manieren die niemand eerder heeft gedaan. Exoskeletten moeten licht, robuust en betrouwbaar genoeg worden. Mijn generatie zal het einde van de rolstoel meemaken. Die kan naar het museum. Ik denk dat we over tien jaar de eerste mensen in exoskeletten over straat zien lopen.”

Wat is tot nu toe de belangrijkste doorbraak geweest?

“Ongetwijfeld dat we sinds vorig jaar in staat zijn om de signalen van 2000 hersencellen tegelijk te registreren met een breinchip. In 1993 begonnen we met 26 hersencellen, in 2002 lukte het met 100 en in 2010 met 500. En van 2000 gaan we in de komende jaren naar tienduizenden hersencellen. Dat heeft grote gevolgen. Hoe meer hersencellen we kunnen ‘afluisteren’, hoe beter de patiënt controle krijgt over zijn exoskelet.”

Hoelang duurt het voordat de patiënten controle hebben over het exoskelet?

“Dat zullen we nog moeten zien, maar bij apen duurde het twee tot drie weken voordat ze dachten dat de virtuele robotarm die ze via hun breinchip konden aansturen een deel van hun eigen lichaam was geworden. Dat was met slechts een uur training per dag. Op grond daarvan verwacht ik dat mensen binnen een paar dagen het been van het exoskelet als een eigen been gaan waarnemen.”

Dit is een fragment van een interview, te vinden in KIJK 7/2013. Dit nummer ligt in de winkel van 31 mei tot en met tot en met 27 juni.

Tekst: Bennie Mols

"Begrip brein nodig voor intelligente machines"

MIT-hoogleraar Tomaso Poggio is een van de grondleggers van de computationele neurowetenschappen. Hij heeft zowel een diepgaande kennis van het brein als van de kunstmatige intelligentie. Gebaseerd op hoe het brein beelden waarneemt, heeft hij een computermodel gemaakt dat een dier op een plaatje net zo snel herkent als mensen dat kunnen. De computermodellen van Poggio liggen aan de basis van automatische visuele waarnemingssystemen die nu in auto’s worden ingebouwd. 

Dit artikel is gepubliceerd in technologietijdschrift De Ingenieur van 12 april 2013

Naam: Tomaso Poggio 

Leeftijd: 65

Titels: prof. dr.
Opleiding: Studeerde natuurkunde en promoveerde in 1971 in de theoretische natuurkunde aan de Universiteit van Genua (Italië). Van 1972 tot 1981 onderzocht hij het brein van de fruitvlieg bij het Max Planck Instituut voor Biologische Cybernetica in Tübingen (Duitsland).
Functie: Sinds 1981 werkt Poggio aan het Massachusetts Institute of Technology (MIT) in de VS. Hij is momenteel de Eugene McDermott Professor aan het Department of Brain and Cognitive Sciences van het McGovern Institute van MIT. Tevens is hij verbonden aan het Computer Science and Artificial Intelligence Lab (CSAIL) van MIT.



Ik vraag het Tomaso Poggio maar meteen: ‘Stel, de autonome auto van Google staat hier buiten voor de deur. Durft u, als iemand die zowel de sterke als de zwakke kanten van computervisie feilloos kent, in de auto te stappen en u te laten rondrijden?’

“O, absoluut”, antwoordt MIT-hoogleraar Poggio. “Ik zou me prima op mijn gemak voelen. In mijn eigen Audi zit trouwens al een radar-detectiesysteem. Ik stel de cruise control in op een bepaalde maximum snelheid en vervolgens auto houdt de auto een bepaalde afstand tot mijn voorligger. Het werkt zo goed, dat ik me geen zorgen meer maak. Soms vertrouw ik het systeem zelfs te veel. Het gebeurt wel eens dat een voorligger door het rood rijdt. Dan wil mijn auto ook door rood rijden. Hij herkent het rode licht niet, maar wil toch de afstand tot de voorligger gelijk houden. Gelukkig komen detectiesystemen die ook het rode licht herkennen er ook al aan.”

In de jaren negentig was Poggio een van de eersten die een computeralgoritme ontwikkelde dat voetgangers en andere straatobjecten in alledaagse beelden kon herkennen. Bij een snelheid van dertig beeldjes per seconde maakte het systeem eenmaal per seconde een fout. Voor een onderzoekssysteem in die tijd een grote prestatie. Maar voor praktische toepassing veel te slecht. Poggio: “Huidige computervisiesystemen maken in de orde-grootte van eens in vijftigduizend rij-uren een fout. Deze systemen kunnen levens redden. Geen wonder dat verzekeringsmaatschappijen inmiddels de premie beginnen te verlagen voor bestuurders die zo’n waarnemingssysteem in hun auto hebben.”

Poggio was ook een van de eersten die computervisie niet langer baseerde op volledig voorgeprogrammeerde regels, zoals decennialang tevergeefs is geprobeerd. Geïnspireerd door de werking van het menselijk brein bouwde hij een lerend systeem dat werd getraind met duizenden straatbeelden. Poggio: “De beste huidige computervisie gebruikt nog steeds dat basisidee, maar er zijn een heleboel lagen aan engineering bovenop gekomen. Bovendien bestaat de trainingsset tegenwoordig al snel uit miljoenen beelden.”

Poggio zelf is vooral geïnteresseerd in de fundamentele wetenschap die ten grondslag ligt aan lerende systemen. Zodra de toepassingen in zicht komen, dan laat hij het werk graag aan anderen over. Een van zijn voormalige post-docs, de Israëliër Amnon Shashua, heeft het bedrijf MobilEye opgericht. Dat bedrijf is inmiddels de belangrijkste leverancier van computervisiesoftware aan autofabrikanten als Audi, BMW en Toyota. Poggio: “De autonome auto van Google krijgt dan wel de meeste aandacht, maar praktisch gezien is een bedrijf als MobilEye veel belangrijker voor de implementatie van computervisie in auto’s.”

Einsteins genie

Als tiener was Tomaso Poggio, geboren en getogen in het Italiaanse Genua, gefascineerd door Einsteins relativiteitstheorie en door het genie van Einstein als persoon. “Dat je puur vanuit de theorie zulke diepe problemen als ruimte, tijd, massa en energie kon doorgronden, vond ik geweldig. Maar ik besefte dat er zoveel diepe problemen in de natuurkunde waren; veel te veel voor mij om ze op te lossen. Wat maakte Einstein zo intelligent? En wat nu als ik zelf intelligenter zou kunnen worden? Zo kwam ik op het idee dat als ik zou snappen wat intelligentie is, ik intelligentie misschien ook wel zou kunnen vergroten. Misschien zou ik dan een machine kunnen bouwen die mensen zou helpen intelligenter te worden zodat we al die moeilijke problemen zouden kunnen oplossen. Zo raakte ik geïnteresseerd in zowel de neurowetenschappen als in de computerwetenschappen.”

In de overlap van beide takken, de computationele neurowetenschappen, is Poggio een van ’s werelds meest geciteerde en gelauwerde wetenschappers. Hij is er van overtuigd dat de volgende stap in de ontwikkeling van kunstmatige intelligentie moet komen van een beter begrip van het menselijk brein. “Ja, we hebben nu Siri op de smartphone, we hebben Google Search, we hebben supercomputer Watson en we hebben computervisie zoals MobilEye. Dat zijn grote prestaties. Elk van deze systemen is net zo goed, of in het geval van Google Search zelfs veel beter, dan het menselijk brein. Maar wat nog steeds ontbreekt is een machine die intelligent is in de brede zin van het woord, in de zin van menselijke intelligentie. Een machine die in woorden kan vertellen wat er op een alledaagse beeld is te zien. Een machine die over het alledaagse leven kan praten. Kortom, een machine die zou slagen voor de Turing Test.”

Poggio verklaart die discrepantie uit het ontstaan van de kunstmatige intelligentie uit het werk van wiskundigen als Alan Turing en zijn voorgangers David Hilbert en Kurt Gödel. “Computers zijn ontstaan uit de logica en uit een poging om de wiskunde te formaliseren. Maar het type intelligentie dat deze wiskundigen probeerden te formaliseren, heeft niets te maken met het type intelligentie dat ons zenuwstelsel gebruikt. Computers zijn gebaseerd op een model van informatieverwerking waarin wij mensen helemaal niet goed zijn, zoals rekenen en logica. Computers zijn juist niet gebaseerd op het type intelligentie waarin wij mensen uitblinken: patroonherkenning op een associatieve manier, zoals we gebruiken bij visuele waarneming.”

Poggio vertelt een anekdote over Marvin Minsky, een van de grondleggers van de kunstmatige intelligentie: “Begin jaren zestig gaf Minsky het probleem van computervisie als zomerproject aan een van zijn studenten.” Hij laat even een stilte vallen en lacht dan hartelijk: “Een project voor een paar maanden!”

Wetenschappers zijn er er nu al meer dan een halve eeuw mee bezig. Omdat wij mensen zonder na te denken razendsnel de wereld om ons heen waarnemen, lijkt visuele waarneming zo’n simpel probleem. Maar het is niet voor niets dat zo’n dertig procent van de hersenschors in het menselijk brein wordt gebruikt voor visuele waarneming. De evolutie heeft haar handen vol gehad aan het vormgeven van efficiënte beeldverwerking. Daarom is visuele waarneming ook het modelsysteem dat Poggio gebruikt om uit te vinden wat intelligentie nu eigenlijk is. Als we begrijpen hoe ons visuele systeem waarneemt, dan begrijpen we volgens hem ook grotendeels welke hersenmechanismen ten grondslag liggen aan intelligentie.

Flitsherkenning
Op basis van onze kennis van de visuele waarneming door het menselijk brein, heeft Poggio een computermodel gebouwd dat net zo snel als mensen een dier op een plaatje herkent. Wanneer je een lange reeks foto’s snel achter elkaar aan menselijke proefpersonen laat zien, dan zijn ze bij elk beeld in staat om binnen vijftig tot honderd milliseconden te herkennen of er wel of niet een dier op staat. De plaatjes worden net lang genoeg getoond dat mensen zich bewust zijn van wat ze zien, maar kort genoeg om ze geen tijd te geven voor uitvoerige beeldinspectie. “Mensen voeren deze taak 80% correct uit. Ons model scoorde 82%. Dat was onverwacht goed. Wanneer mensen langer de tijd zouden krijgen, dan halen ze bijna 100%, maar omdat die bewuste beeldinspectie niet in ons model zat, hebben we ons gericht op het vergelijken van de snelle waarneming.”

Poggio’s model gebruikt een hiërarchie van waarnemingslagen. Op een basisniveau onderscheidt het model bijvoorbeeld randen van voorwerpen en de oriëntatie van lijnstukken. Hogere niveau’s onderscheiden vormen. De hoogste niveau’s onderscheiden bijvoorbeeld categorieën zoals dieren of voertuigen, en identiteiten zoals een kat of een auto.

Maar dan de stap van visuele waarneming naar intelligentie. Hoe hoopt Poggio daar een vinger achter te krijgen? “Cruciaal voor intelligentie”, zegt hij, “is de vaardigheid om te leren; om te generaliseren op basis van een klein aantal voorbeelden. Wanneer je vandaag een nieuw gezicht ziet, en je ziet het morgen opeens vanuit een heel andere hoek, in heel andere lichtomstandigheden, dan herken je het gezicht nog steeds. Het brein generaliseert met veel minder beelden dan computervisiesystemen nodig hebben.”

De afgelopen twee jaar heeft Poggio zich gestort op het ontwikkelen van een model dat een wiskundige beschrijving van een plaatje maakt, die onafhankelijk is van de toevallige omstandigheden waaronder de toeschouwer het beeld ziet. Deze wiskundige beschrijving blijft hetzelfde wanneer je het beeld een beetje draait, een beetje verplaatst of onder iets andere lichtcondities ziet. “Het laatste half jaar zijn daar hele mooie resultaten uitgerold. Het is een verrassend elegante wiskundige beschrijving. Het doet me weer denken aan de elegantie die je in de natuurkunde vindt. Fysici gaan uit van een bepaalde symmetrie of behoudswet en leiden daar bijvoorbeeld de wetten van de mechanica uit af. Onze theorie doet iets soortgelijks voor visuele waarneming. Uitgaande van enkele aannames kunnen we eigenschappen van hersencellen en netwerken van hersencellen afleiden. We kunnen voorspellingen doen over hoe het visuele systeem werkt en die voorspellingen zijn we nu aan het testen.”

Poggio wil nu de krachten bundelen om met een groot team van MIT-wetenschappers te ontrafelen wat intelligentie precies is en hoe het in machines gecreëerd kan worden. Hij heeft bij de Amerikaanse National Science Foundation (NSF) een voorstel ingediend voor het creëren van een nieuw MIT-instituut ‘Center for Brains, Minds and Machines’ dat al het MIT-onderzoek naar intelligentie − in de neurowetenschappen, de biologie, de kunstmatige intelligentie en in de psychologie − combineert. “Het gaat om een van de grootste NSF-subsidies. We hebben de laatste ronde gehaald en nog dit jaar horen we of we tot een van de winnaars behoren. Hoe dan ook, ik ben er van overtuigd dat het komende decennium een gouden tijd wordt voor intelligente machines, dankzij inzichten uit de neurowetenschappen.”

Internet
Website van Tomaso Poggio: http://bcs.mit.edu/people/poggio.html
Ter gelegenheid van het 150-jarig bestaan van MIT werd in 2011 het symposium ‘Brains, Minds and Machines’ georganiseerd. Dat symposium lag aan de grondslag van Poggio’s idee om al het MIT-onderzoek naar intelligentie te integreren: http://mit150.mit.edu/symposia/brains-minds-machines

Feit en fictie in de kunstmatige intelligentie

Op dinsdag 11 juni geef ik op het VINT-symposium over het 'Internet of Things' een lezing over Feit en fictie in de kunstmatige intelligentie.

Andere lezingen komen o.a. van astronaut André Kuipers en IT-journalist Brenno de Winter

Ik ga het onder andere hebben over:

- De mythe van exponentiële technologische vooruitgang

- De mythe van de Singulariteit

- De mythe dat kunstmatige intelligentie de menselijke intelligentie overbodig zou maken

- De paradox van de automatisering: Hoe meer we automatiseren, hoe crucialer ingrijpen door de mens wanneer de automatisering toch een fout maakt.

en over trends in de kunstmatige intelligentie:

- Mobiele apparaten gaan steeds meer de rekenkracht van het Internet gebruiken

- Computers gaan de wereld steeds meer zien zoals mensen de wereld zien

- Begrip van de werking van de menselijke hersenen gaat de kunstmatige intelligentie sterk vooruit helpen

- Steeds meer krijgen we symbiotische netwerken van mensen, computers en dingen

- De menselijke factor blijft cruciaal

De belangrijkste vraag is: hoe combineren we het beste van menselijke intelligentie met het beste van kunstmatige intelligentie?

Het beste van menselijke intelligentie: 

- patroonherkenning en -interpretatie

- alledaags begrip van de wereld

- sociaal-emotionele intelligentie

- cognitie die geworteld is in lichamelijkheid

- leren

- omgaan met vaagheden, ambiguïteiten, onzekerheden, verrassingen

- multifunctionaliteit

- creativiteit

Het beste van kunstmatige intelligentie: 

- razendsnelle informatieverwerking

- razendsnel zoeken

- enorm geheugen

- foutloos rekenen

- onvermoeibaar

- niet gehinderd door emoties of psychologische belemmeringen

Overzicht van mijn lezingen

I, Robot Maker: Making robots to interact with humans

Source: BBC



Robots in a theater play (a story by Stanislaw Lem) in the Centrum Nauki Kopernik in Warsaw

E-mails, Facebook and Google make the Large Hadron Collider look like a dwarf

Big, Bigger, Biggest Data...

Only five years ago, in 2008, when CERN's Large Hadron Collider started to produce data, we thought of the LHC-data as Big Data. 

But already by the end of 2012 the LHC-data have been dwarfed by the data continuously generated by the world community, using telecommunication, Internet and its many social media and business applications.

The May-issue of WIRED shows a nice info graphic of Big Data. (data for 2012, given in terabytes (10^12 bytes) per year)

The annual amount of information in business-emails is almost two hundred times the annual LHC-data production.

The content annually uploaded to Facebook equals twelve times the annual LHC-data production.

Google's search index equals six times the annual LHC-data production.

And video's annually uploaded to YouTube more or less equal the annual LHC-data production.