Max Versace, VD och medgrundare av Neurala – Intervjuserie

Dr. Massimiliano Versace är medgrundare och VD för Neurala, och företagets visionär. Efter sin banbrytande forskning inom hjärninspirerad datoranvändning och djupa nätverk fortsätter han att inspirera och leda världen inom autonoma robotar. Han har talat vid dussintals evenemang och arenor, inklusive TedX, NASA, Pentagon, GTC, InterDrone, National Labs, Air Force Research Labs, HP, iRobot, Samsung, LG, Qualcomm (QCOM ), Ericsson, BAE Systems, AI World, Mitsubishi, ABB och Accenture, bland många andra.

Du studerade initialt psykologi och sedan neurovetenskap, vad var din tankegång vid den tiden?

Övergången var naturlig. Psykologi gav ena sidan av “träningsmyntet” – studiet av psykologiska fenomen. Men om man är intresserad av vad som mekaniskt orsakar tankar och beteende, hamnar man oundvikligen i att studera det organ som är ansvarigt för tankar, och slutar med att studera neurovetenskap!

När insåg du att du ville tillämpa din förståelse för den mänskliga hjärnan för att efterlikna den mänskliga hjärnan i ett AI-system?

Nästa steg, från neurovetenskap till AI, är knepigare. Medan neurovetenskap sysslar med den detaljerade studien av nervsystemets anatomi och fysiologi och hur hjärnor ger upphov till beteende, finns en kompletterande väg för att uppnå en ännu större förståelse, nämligen att bygga en syntetisk version av dem. En analogi jag gillar att ge är att man kan få en partiell förståelse för hur en motor fungerar genom att ta bort en cylinder och radiatorn och dra slutsatsen att cylindrar och radiatorer är viktiga för motorns funktion. En annan, djupare väg att förstå en motor är att bygga en från scratch – genom att studera intelligens genom att bygga en syntetisk (artificiell) version av den.

Vilka var några av de tidiga djupinlärningsprojekten som du arbetade med?

2009 arbetade vi för DARPA med att bygga en “helhjärneemulation” för en autonom robot med en avancerad krets designad av Hewlett Packard. I korthet var vår uppgift att emulera hjärnan och några av de viktigaste autonoma och inlärningsbeteendena hos en liten gnagare i en formfaktor som skulle göra den lämplig att vara bärbar och implementeras i liten hårdvara.

Kan du berätta om Neuralas ursprungshistoria?

Neurala som företag startade 2006 för att innehålla något patentarbete kring användning av GPU:er (grafikprocessorer) för djupinlärning. Medan detta kanske idag anses trivialt, användes GPU:er inte för AI alls vid den tiden, och vi banade väg för detta koncept genom att föreställa oss att varje pixel i en grafikkort kunde användas för att bearbeta en neuron (i stället för en sektionsavbildning på skärmen). Tack vare GPU:ernas parallellism, som liknar vår hjärnas parallellism till en (kommersiellt livskraftig) utsträckning, kunde vi uppnå inlärnings- och exekveringshastighet för våra algoritmer som plötsligt gjorde AI och djupinlärning praktiskt. Vi var tvungna att vänta några år till för att lämna akademin, eftersom världen “hängde med” (vi var redan övertygade!) på AI:s verklighet. 2013 tog vi företaget ur stealth-läge (eftersom vi redan var finansierade av NASA och US Air Force Research Labs) och gick in i Boston Tech Stars-programmet. Där började vi anställa några anställda och höja privat kapital. Men det var inte förrän 2017 som, med en färsk injektion av kapital och branschens mognad, vi kunde landa de första viktiga distributionerna och sätta vår AI i 56 miljoner enheter, allt från kameror till smarta telefoner, drönare och robotar.

En av Neuralas tidiga projekt var att arbeta med NASAs Mars-rover. Kan du berätta om höjdpunkterna i det projektet?

NASA hade ett mycket specifikt problem: de ville utforska teknologi för att driva framtida obemannade uppdrag, där det autonoma systemet (t.ex. en rover) inte skulle förlita sig på jordens kontroll steg för steg. Kommunikationsförseningar gör denna kontroll omöjlig – bara kom ihåg hur klumpig kommunikationen var mellan jorden och Matt Damon i filmen “The Martian”. Vår lösning: utrusta varje rover med ett eget “hjärna”. NASA vände sig till oss, eftersom vi redan sågs som experter på att bygga dessa autonoma “mini-hjärnor” med DARPA, för att utrusta en rover med ett litet Deep Learning-system som inte bara kunde köras på roboten, utan också anpassa sig i realtid och lära sig nya saker medan roboten var i drift. Detta inkluderade nya föremål (t.ex. stenar, tecken på vatten osv.) som de mötte och skapade en meningsfull karta över en outforskad planet. Utmaningen var enorm, men belöningen var också det: en Deep Learning-teknologi som kunde köras på en mycket liten processorkraft och lära sig på till och med en enda datapunkt (t.ex. en bild). Detta gick utöver vad Deep Learning kunde uppnå vid den tiden (och även idag!).

Neurala har designat Lifelong-DNN, kan du förklara hur det skiljer sig från ett vanligt DNN och vilka fördelar det erbjuder?

Designat för NASA-fallet ovan, Lifelong DNN, som namnet antyder, kan lära sig under hela sin livscykel. Detta skiljer sig från traditionella Deep Neural Networks (DNN), som antingen kan tränas eller utföra en “inferens” (dvs. en klassificering). I L-DNN, liksom hos människor, finns det ingen skillnad mellan att lära sig och klassificera. Varje gång vi tittar på något, klassificerar vi det (detta är en stol) och lär oss om det (den här stolen är ny, har aldrig sett den förut, jag vet nu lite mer om den). Till skillnad från DNN är L-DNN alltid i lärande och konfronterar vad den vet om världen, vad ny information presenteras, och kan naturligt förstå avvikelser. Till exempel, om en av mina barn leker ett skämt på mig och målar min stol rosa, skulle jag känna igen det direkt. Eftersom min L-DNN har lärt sig över tiden att min stol är svart, och när min uppfattning om den inte matchar minnet av den, skulle L-DNN producera en avvikelsesignal. Detta används i Neuralas produkter på olika sätt (se nedan).

Kan du diskutera vad Brain Builder custom vision AI är och hur det möjliggör snabbare, enklare och mindre dyra robotikapplikationer?

Eftersom L-DNN naturligt lär sig om världen och kan förstå om något är avvikande eller avviker från ett lärt standard, används Neuralas produkt, Brain Builder och VIA (Visual Inspection Automation), för att snabbt konfigurera visuella inspektionssuppgifter med bara några bilder av “bra produkter”. Till exempel, i en produktionsmiljö, kan man använda 20 bilder av “bra flaskor” och skapa en visuell kvalitetsinspektion “mini-hjärna” som kan känna igen bra flaskor, eller när en dålig flaska (t.ex. en med en trasig kork) produceras. Detta kan göras med L-DNN mycket enkelt, snabbt och på en enkel CPU, med hjälp av den teknologi som byggdes i mer än 10 års intensiv forskning och utveckling.

I en tidigare intervju rekommenderade du att entreprenörer alltid ska sikta på att starta ett företag som är något omöjligt. Kände du att Neurala var något omöjligt när du först startade företaget?

Jag minns fortfarande min vän och kollega, Anatoli, som spottade ut sin espresso när jag sa “en dag kommer vår teknologi att köras på en mobiltelefon”. Det lät omöjligt, men allt man behövde göra var att föreställa sig och arbeta för det. Idag körs det på miljontals telefoner. Vi ser en värld där tusentals artificiella ögon kan upptäcka industriella maskiner och processer för att ge en tidigare otänkbar nivå av kvalitet och kontroll, som tidigare var omöjlig eftersom det skulle kräva tusentals människor per maskin. Hoppas att ingen dricker espresso medan de läser detta….

Tack för den underbara intervjun, Neurala är tydligtvis ett företag som vi bör hålla ögonen på. Läsare som vill lära sig mer kan besöka Neurala.