Max Versace, administrerende direktør og medgründer av Neurala – Intervjuserie

Dr. Massimiliano Versace er medgründer og administrerende direktør i Neurala, og selskapet visjonær. Etter sin banebrytende forskning innen hjerneinspirert databehandling og dype nettverk, fortsetter han å inspirere og lede verden av autonom robotikk. Han har talt på dusinvis av arrangementer og arenaer, inkludert TedX, NASA, Pentagon, GTC, InterDrone, National Labs, Air Force Research Labs, HP, iRobot, Samsung, LG, Qualcomm, Ericsson, BAE Systems, AI World, Mitsubishi, ABB og Accenture, blant mange andre.

Du studerte først psykologi og gikk deretter over til nevrovitenskap, hva var begrunnelsen din på den tiden?

Pivoten var naturlig. Psykologi ga den ene siden av "treningsmynten" - studiet av psykologiske fenomener. Men hvis man er interessert i hva som mekanisk forårsaker tanker og atferd, lander man uunngåelig på å studere organet som er ansvarlig for tanker, og ender opp med å studere nevrovitenskap!

Når skjønte du at du ønsket å bruke din forståelse av den menneskelige hjernen til å emulere den menneskelige hjernen i et AI-system?

Det neste trinnet, Neuroscience to AI, er vanskeligere. Mens nevrovitenskap er opptatt av den detaljerte studien av nervesystemets anatomi og fysiologi og hvordan hjerner gir opphav til atferd, er en annen komplementær vei for å oppnå en enda større forståelse å bygge en syntetisk versjon av dem. En analogi jeg liker å gi er at man kan få en delvis forståelse av hvordan en motor fungerer ved å slå av en sylinder og radiatoren og konkludere med at sylindre og radiatorer er viktige for motorens funksjon. En annen dypere måte å forstå en motor på er å bygge en fra bunnen av – nemlig ved å studere intelligens ved å bygge en syntetisk (kunstig) versjon av den.

Hva er noen av de tidlige dyplæringsprosjektene du jobbet med?

I 2009 for DARPA jobbet vi med å bygge en "emulering av hele hjernen” for en autonom robot som bruker en avansert brikke designet av Hewlett Packard. I et nøtteskall var oppgaven vår å emulere hjernen og noen av de viktigste autonome og lærende atferdene til en liten gnager i en formfaktor som ville gjøre den egnet til å være bærbar og implementert i liten maskinvare.

Kan du dele opprinnelseshistorien som Neurala?

Neurala som et selskap startet i 2006 for å inneholde noe patentarbeid rundt bruk av GPUer (Graphic Processing Units) for dyp læring. Selv om dette kan anses som trivielt i dag, på den tiden ble ikke GPU brukt for AI i det hele tatt, og vi var banebrytende for det konseptet ved å forestille oss at hver piksel i et grafikkort kunne brukes til å behandle et nevron (mot en del av en scene til gjengi på skjermen). Takket være parallelliteten til GPU-er, som etterligner hjerneparallellen vår i en (kommersielt levedyktig) grad, var vi i stand til å oppnå lærings- og utførelseshastighet for algoritmene våre som plutselig gjorde AI og Deep Learning praktiske. Vi måtte vente noen år til for å forlate akademia da verden "fanget opp" (vi var allerede fast troende!) på realiteten til AI. I 2013 tok vi selskapet ut av stealth-modus (ettersom 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 få ansatte og samlet inn privat kapital. Likevel var det ikke før i 2017 at med ny kapitalinnsprøytning og industrien som modnes ytterligere, klarte vi å lande de første viktige distribusjonene og sette AI i 56M enheter, alt fra kameraer, til smarttelefoner, droner og roboter.

Et av Neuralas tidlige prosjekter var å jobbe med NASAs Mars-rover. Kan du dele høydepunktene fra dette prosjektet med oss?

NASA hadde et veldig spesifikt problem: de ønsket å utforske teknologi for å drive fremtidige ubemannede oppdrag, der det autonome systemet (f.eks. en rover) ikke ville stole på jordens oppdragskontroll steg-for-steg veiledning. 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 sin egen hjerne. NASA henvendte seg til oss, siden vi allerede ble sett på som en ekspert på å bygge disse autonome "minihjernene" med DARPA, for å gi en rover et Deep Learning-system med liten faktor som ikke bare kan kjøre på roboten, men også tilpasse seg sanntid og lær nye ting mens roboten er i drift. Disse inkluderer nye objekter (f.eks. steiner, tegn på vann osv.) etter hvert som de møtes og skaper et meningsfylt kart over en uutforsket planet. Utfordringen var stor, men det var også gevinsten: En Deep Learning-teknologi som var i stand til å kjøre på en svært liten prosessorkraft og lære på til og med et enkelt stykke data (f.eks. et bilde). Dette gikk utover det Deep Learning var i stand til å oppnå på den tiden (og til og med i dag!).

Neurala har designet Lifelong-DNN, kan du utdype hvordan denne skiller seg fra en vanlig DNN og fordelene den gir?

Designet for NASA-brukssaken ovenfor, kan Lifelong DNN, som navnet sier, lære gjennom hele livssyklusen. Dette er i motsetning til tradisjonelle Deep Neural Networks (DNN), som enten kan trenes eller utføre en "inferens" (nemlig en klassifisering). I L-DNN, som hos mennesker, er det ingen forskjell mellom læring og klassifisering. Hver gang vi ser på noe, "klassifiserer" vi det både (dette er en stol) og lærer om det (denne stolen er ny, har aldri sett den før, nå vet jeg litt mer om den). En annen enn DNN-er, lærer og konfronterer L-DNN alltid det den vet om verden, hvilken ny informasjon som presenteres, og er naturligvis i stand til å forstå uregelmessigheter. For eksempel, hvis et av barna mine spilte en spøk med meg og malte stolen min rosa, ville jeg gjenkjenne det med en gang. Siden min L-DNN har lært over tid at stolen min er svart, og når min oppfatning av den ikke stemmer overens med hukommelsen min av den, vil L-DNN produsere et anomalisignal. Dette brukes i Neuralas produkter på ulike måter (Se nedenfor).

Kan du diskutere hva Brain Builder custom vision AI er, og hvordan den muliggjør raskere, enklere og rimeligere robotapplikasjoner?

Siden L-DNN naturlig lærer om verden og kan forstå om noe er unormalt eller avviker fra en innlært standard, brukes Neuralas produkt, Brain Builder og VIA (Visual Inspection Automation) for raskt å sette opp visuelle inspeksjonsoppgaver ved hjelp av bare noen få bilder av "gode produkter". For eksempel, i en produksjonssetting, kan man bruke 20 bilder av "gode flasker" og lage en visuell kvalitetsinspeksjon "mini-hjerne" som er i stand til å gjenkjenne gode flasker, eller når en dårlig flaske (f.eks. en med brukket kork) er produsert. Dette kan gjøres med L-DNN veldig enkelt, raskt og på en enkel CPU, ved å utnytte NASA-teknologien bygget i mer enn 10 år med intens FoU.

I et tidligere intervju anbefalte du at gründere alltid tar sikte på å starte en bedrift som er litt umulig. Følte du at Neurala var litt umulig da du først lanserte selskapet?

Jeg husker fortsatt at vennen min og kollegaen min, Anatoli, spyttet ut espressoen sin da jeg sa "en dag vil teknologien vår kjøre på en mobiltelefon". Det hørtes umulig ut, men alt du trengte å gjøre var å forestille deg og jobbe for det. I dag kjører den på millioner av telefoner. Vi ser for oss en verden hvor tusenvis av kunstige øyne kan oppdage industrielle maskiner og prosesser for å gi et tidligere ufattelig nivå av kvalitet og kontroll, tidligere umulig ettersom de ville forbruke tusenvis av mennesker per maskin. Håper ingen drikker espresso mens de leser dette...

Takk for det flotte intervjuet, Neurala er helt klart et selskap som vi bør holde på radaren vår. Lesere som ønsker å lære mer bør besøke Neurala.