Max Versace, CEO og medgrunnlegger av Neurala – Intervju-serie

Dr. Massimiliano Versace er medgrunnlegger og CEO av Neurala, og selskapets visjonær. Etter hans pionerforskning innen hjernen-inspirert datamaskin og dypt læring, fortsetter han å inspirere og lede verden av autonome roboter. Han har talt på dusinvis av arrangementer og steder, inkludert 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, blant mange andre.

Hva var din tankegang da du først studerte psykologi og deretter skiftet til nevrovitenskap?

Skiftet var naturlig. Psykologi ga en side av “trening-mynten” – studiet av psykologiske fenomener. Men hvis en er interessert i hva som mekanisk forårsaker tanker og atferd, havner en uunngåelig i å studere organet som er ansvarlig for tanker, og ender med å studere nevrovitenskap!

Når realiserte du at du ville bruke din forståelse av menneskehjernen til å etterligne menneskehjernen i et AI-system?

Neste skritt, nevrovitenskap til AI, er vanskeligere. Mens nevrovitenskap er opptatt av den detaljerte studiet av anatomien og fysiologien til nervesystemet og hvordan hjerner gir opphav til atferd, er en annen komplementær vei til å oppnå en enda større forståelse å bygge en syntetisk versjon av dem. En analogi jeg liker å gi er at en kan få en delvis forståelse av hvordan en motor fungerer ved å fjerne en sylinder og radiator og konkludere at sylindre og radiatorer er viktige i motorfunksjon. En annen dypere måte å forstå en motor er å bygge en fra scratch – nemlig ved å studere intelligens ved å bygge en syntetisk (kunstig) versjon av den.

Hva var noen av de tidlige dypt læring-prosjektene du arbeidet med?

I 2009 for DARPA arbeidet vi med å bygge en “hele hjernen-emulering” for en autonom robot ved hjelp av en avansert chip designet av Hewlett Packard. I en nøttshell, var vår oppgave å emulere hjernen og noen av de viktigste autonome og læringsatferdene til en liten gnager i en formfaktor som ville gjøre det egnet til å være bærbar og implementert i små hårdvarer.

Kunne du dele opphavsfortellingen om Neurala?

Neurala som selskap startet i 2006 for å inneholde noen patentarbeid omkring bruk av GPU-er (Grafikkprosessorer) for dypt læring. Mens dette kan være tenkt som trivialt i dag, ble GPU-er ikke brukt til AI på den tiden, og vi var pionerer innen dette konseptet ved å forestille oss at hver piksel i en grafikkort kunne brukes til å prosessere en neuron (i stedet for en del av en scene til å rendre på skjermen). Takk til parallelle GPU-er, som ligner vår hjerne parallellt til en (kommercielt viable) grad, var vi i stand til å oppnå lærings- og eksekusjonshastighet for våre algoritmer som plutselig gjorde AI og dypt læring praktisk. Vi måtte vente noen flere år til å forlate akademia da verden “fattet” (vi var allerede overbeviste!) om realiteten til AI. I 2013, tok vi selskapet ut av stealth-modus, (da vi allerede var finansiert av NASA og US Air Force Research Labs) og gikk inn i Boston Tech Stars-programmet. Derfra begynte vi å ansette noen ansatte og samlet inn privat kapital. Likevel var det ikke før 2017 at, med en fersk injeksjon av kapital og industrien modnet videre, var vi i stand til å lande de første viktige utrullinger og plassere vår AI i 56 millioner enheter, fra kameraer til smarttelefoner, droner og roboter.

En av Neuralas tidlige prosjekter var å arbeide med NASAs Mars-rover. Kunne du dele høydepunktene fra dette prosjektet?

NASA hadde et svært spesifikt problem: de ønsket å utforske teknologi for å drive fremtidige ubemannede oppdrag, hvor det autonome systemet (f.eks. en rover) ikke ville avhenge av jordens kontroll steg-for-steg. Kommunikasjonsforsinkelser gjør denne kontrollen umulig – bare husk hvor klønete kommunikasjonen var mellom jorden og Matt Damon i filmen “The Martian”. Vår løsning: gi hver rover en hjjerne av sin egen. NASA vendte seg til oss, da vi allerede var sett på som eksperter i å bygge disse autonome “mini-hjernene” med DARPA, for å gi en rover en liten-faktor dypt læringssystem i stand til ikke bare å kjøre på roboten, men også til å tilpasse seg i sanntid og lære nye ting mens roboten opererer. Dette inkluderer nye objekter (f.eks. steiner, tegn på vann osv.) som møtes og skaper en meningsfull kart over en uutforsket planet. Utfordringen var enorm, men like stor var gevinsten: en dypt læringsteknologi som kunne kjøre på en svært liten prosessorkraft og lære på selv ett enkelt data (f.eks. et bilde). Dette gikk langt utover hva dypt læring var i stand til å oppnå på den tiden (og selv i dag!).

Neurala har designet Lifelong-DNN, kan du forklare hvordan dette skiller seg fra et vanlig DNN og hvilke fordeler det tilbyr?

Designet for NASA-bruksfallet ovenfor, Lifelong DNN, som navnet sier, kan lære gjennom hele sin livssyklus. Dette er i motsetning til tradisjonelle dypt neurale nettverk (DNN), som kan være enten trenet eller utføre en “inferens” (navnlig en klassifisering). I L-DNN, som hos mennesker, er det ingen forskjell på å lære og klassifisere. Hver gang vi ser på noe, klassifiserer vi det (dette er en stol) og lærer om det (denne stolen er ny, har aldri sett den før, jeg vet nå litt mer om den). Forskjellig fra DNN, er L-DNN alltid i læring og konfronterer hva den vet om verden, hva ny informasjon presenteres, og er naturlig i stand til å forstå anomalier. For eksempel, hvis en av mine barn spiller en spøk på meg og maler min stol rosa, ville jeg gjenkjenne det med en gang. Siden min L-DNN har lært over tid at min stol er svart, og når min persepsjon av den ikke matcher minnet av den, ville L-DNN produsere en anomali-signal. Dette brukes i Neuralas produkter på forskjellige måter (se under).

Kan du diskutere hva Brain Builder custom vision AI er, og hvordan det muliggjør raskere, enklere og mindre kostbare robotikk-applikasjoner?

Siden L-DNN naturlig lærer om verden og kan forstå hvis noe er anomalt eller avviker fra et lært standard, brukes Neuralas produkt, Brain Builder og VIA (Visual Inspection Automation), til å raskt sette opp visuelle inspeksjonsoppgaver ved hjelp av bare noen få bilder av “god produkter”. For eksempel, i en produksjonssetting, kan en bruke 20 bilder av “god flasker” og skape en visuell kvalitetsinspeksjon “mini-hjerne” i stand til å gjenkjenne gode flasker, eller når en dårlig flaske (f.eks. en med en brutt kork) produseres. Dette kan gjøres med L-DNN svært enkelt, raskt og på en enkel CPU, ved å utnytte NASAs teknologi bygget opp over mer enn 10 års intense R&D.

I en tidligere intervju anbefalte du at entreprenører alltid skal strebe etter å starte et bedrift som er litt umulig. Følte du at Neurala var litt umulig da du først lanserte selskapet?

Jeg husker fortsatt min venn og kollega, Anatoli, spytte ut sin espresso da jeg sa “en dag vil vår teknologi kjøre på en mobiltelefon”. Det lød umulig, men alt en trengte å gjøre var å forestille seg og jobbe for det. I dag kjører den på millioner av telefoner. Vi forestiller oss en verden hvor tusenvis av kunstige øyne kan se på industrielle maskiner og prosesser for å gi en tidligere uforeståelig nivå av kvalitet og kontroll, tidligere umulig fordi de ville forbruke tusenvis av mennesker per maskin. Håper ingen drikker espresso mens de leser dette….

Takk for det flotte intervjuet, Neurala er tydeligvis et selskap som vi bør holde et øye på. Lesere som ønsker å lære mer bør besøke Neurala.