Max Versace, administrerende direktør og medstifter af Neurala – Intervju-serie

Doktor Massimiliano Versace er medstifter og administrerende direktør af Neurala, og virksomhedens visionær. Efter hans banbrydende forskning i hjernen-inspireret computing og dybe netværk, fortsætter han med at inspirere og lede verden af autonome robotter. Han har talt ved dusinvis af begivenheder og steder, herunder TedX, NASA, Pentagon, GTC, InterDrone, National Labs, Air Force Research Labs, HP, iRobot, Samsung, LG, Qualcomm (QCOM ), Ericsson, BAE Systems, AI World, Mitsubishi, ABB og Accenture, blandt mange andre.

I begyndelsen studerede du psykologi og skiftede derefter til neurovidenskab, hvad var din begrundelse på det tidspunkt?

Skiftet var naturligt. Psykologi gav en side af “trænings-mønten” – studiet af psykologiske fænomener. Men hvis man er interesseret i, hvad der mekanisk forårsager tanker og adfærd, lander man uundgåeligt på at studere det organ, der er ansvarligt for tanker, og ender med at studere neurovidenskab!

Når fik du indsigt i, at du ville anvende din forståelse af det menneskelige hjerte til at efterligne det menneskelige hjerte i et AI-system?

Næste skridt, neurovidenskab til AI, er sværere. Mens neurovidenskab beskæftiger sig med den detaljerede studie af nervesystemets anatomi og fysiologi og hvordan hjerner giver anledning til adfærd, er en anden komplementær vej til at opnå en endnu dybere forståelse at bygge en syntetisk version af dem. En analogi, jeg kan lide at give, er, at man kan opnå en delvis forståelse af, hvordan en motor virker, ved at fjerne en cylinder og radiatoren og konkludere, at cylinder og radiator er vigtige i motorfunktion. En anden dybere måde at forstå en motor på er at bygge en fra scratch – nemlig ved at studere intelligens ved at bygge en syntetisk (kunstig) version af den.

Hvilke tidlige dybe læring-projekter arbejdede du på?

I 2009 arbejdede vi for DARPA på at bygge en “helhjerns-emulation” for en autonom robot ved hjælp af en avanceret chip designede af Hewlett Packard. I et nøddeskal var vores opgave at emulerere hjernen og nogle af de vigtigste autonome og lærende adfærd hos en lille gnaver i en form, der gjorde det muligt at være bærbart og implementeret i små hardware.

Kan du dele historien om Neurala?

Neurala som virksomhed startede i 2006 for at rumme nogle patenter omkring brug af GPU’er (grafikprocessorer) til dyb læring. Mens dette måske kan synes trivialt i dag, blev GPU’er ikke brugt til AI på det tidspunkt, og vi var pionerer på dette koncept ved at forestille os, at hver pixel i en grafik-kort kunne bruges til at behandle en neuron (i stedet for en del af en scene til rendering på skærmen). Takket være GPU’ernes parallelisme, der ligner vores hjernes parallelisme til en (kommercielt viable) udstrækning, kunne vi opnå læring og eksekveringshastighed for vores algoritmer, der pludselig gjorde AI og dyb læring praktisk. Vi måtte vente nogle år mere, før vi forlod akademiet, da verden “fangede op” (vi var allerede overbeviste!) på AI’s realitet. I 2013 tog vi virksomheden ud af stealth-mode, (da vi allerede var finansieret af NASA og US Air Force Research Labs) og indtrådte i Boston Tech Stars-programmet. Herfra begyndte vi at ansætte nogle medarbejdere og rejse privat kapital. Alligevel var det ikke før 2017, at vi, med en frisk indspritning af kapital og industrien modned yderligere, kunne lande de første vigtige udrulninger og sætte vores AI i 56 millioner enheder, der spændte fra kameraer til smartphones, droner og robotter.

En af Neuralas tidlige projekter var arbejdet på NASAs Mars-rover. Kan du dele nogle højdepunkter fra dette projekt?

NASA havde et meget specifikt problem: de ønskede at udforske teknologi til at aktivere fremtidige ubemandede missioner, hvor det autonome system (f.eks. en rover) ikke ville afhænge af jordens missionkontrol-trin-for-trin-vejledning. Kommunikationsforsinkninger gør denne kontrol umulig – blot husk, hvor klodset kommunikationen var mellem jorden og Matt Damon i filmen “The Martian”. Vores løsning: udstyre hver rover med sin egen hjerte. NASA vendte sig til os, da vi allerede blev set som eksperter i opbygning af disse autonome “mini-hjerner” med DARPA, for at udstyre en rover med et lille-formats dyb læringssystem, der ikke kun kunne køre på robotten, men også tilpasse sig i realtid og lære nye ting, mens robotten var i drift. Dette inkluderede nye objekter (f.eks. sten, tegn på vand osv.), da de blev mødt, og oprette en meningsfuld kort over en uudforsket planet. Udfordringen var enorm, men også udbyttet: en dyb læringsteknologi, der kunne køre på en meget lille proceskraft og lære på selv en enkelt data (f.eks. et billede). Dette gik ud over, hvad dyb læring kunne opnå på det tidspunkt (og endda i dag!).

Neurala har designede Lifelong-DNN, kan du forklare, hvordan dette adskiller sig fra et almindeligt DNN og hvilke fordele det tilbyder?

Designet til NASA-sagen ovenfor, kan Lifelong DNN, som navnet antyder, lære under hele sin livscyklus. Dette adskiller sig fra traditionelle dybe neurale netværk (DNN’er), der kan være enten trænet eller udføre en “inference” (navnlig en klassifikation). I L-DNN, ligesom hos mennesker, er der ingen forskel på læring og klassifikation. Hver gang vi ser på noget, klassificerer vi det (dette er en stol) og lærer om det (denne stol er ny, har aldrig set den før, jeg ved nu lidt mere om den). Forskelligt fra DNN’er er L-DNN altid lærende og konfronterer, hvad den ved om verden, hvad nyt information er præsenteret, og er naturligt i stand til at forstå anomalier. For eksempel, hvis en af mine børn spiller en joke på mig og maler min stol pink, ville jeg genkende det med det samme. Da min L-DNN har lært over tid, at min stol er sort, og når min perception af den ikke stemmer overens med min erindring om den, ville L-DNN producere en anomali-signal. Dette bruges i Neuralas produkter på forskellige måder (se nedenfor).

Kan du diskutere, hvad Brain Builder custom vision AI er, og hvordan det muliggør hurtigere, lettere og billigere robot-anvendelser?

Da L-DNN naturligt lærer om verden og kan forstå, hvis noget er anomalt eller afviger fra en lært standard, bruges Neuralas produkt, Brain Builder og VIA (Visual Inspection Automation), til at hurtigt opsætte visuelle inspektionsskader ved hjælp af kun få billeder af “gode produkter”. For eksempel i en produktionsindstilling kan man bruge 20 billeder af “gode flasker” og oprette en visuel kvalitetsinspektion “mini-hjerne”, der kan genkende gode flasker eller når en dårlig flaske (f.eks. en med en brækket prop) bliver produceret. Dette kan gøres med L-DNN meget let, hurtigt og på en simpel CPU, udnyttende den teknologi, der blev bygget i mere end 10 års intensiv forskning og udvikling.

I et tidligere interview anbefalede du, at iværksættere altid skal sigte mod at starte en virksomhed, der er lidt umulig. Følte du, at Neurala var lidt umulig, da du først lancerede virksomheden?

Jeg husker stadig min ven og kollega, Anatoli, der spyttede sin espresso ud, da jeg sagde “en dag vil vores teknologi køre på en mobiltelefon”. Det lød umuligt, men alt, man behøvede at gøre, var at forestille sig og arbejde for det. I dag kører det på millioner af telefoner. Vi forestiller os en verden, hvor tusinder af kunstige øjne kan spotte industrimaskiner og processer for at give en tidligere uforeståelig niveau af kvalitet og kontrol, tidligere umulig, da det ville kræve tusinder af mennesker per maskine. Jeg håber, ingen drikker espresso, mens de læser dette….

Tak for det gode interview, Neurala er tydeligvis en virksomhed, vi skal holde øje på. Læsere, der ønsker at lære mere, skal besøge Neurala.