Max Versace, VD och medgrundare av Neurala – Intervjuserie

Dr. Massimiliano Versace är medgrundare och VD för Neurala, och företaget visionär. Efter sin banbrytande forskning inom hjärninspirerad datoranvändning och djupa nätverk fortsätter han att inspirera och leda en värld av autonom robotik. 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, Ericsson, BAE Systems, AI World, Mitsubishi, ABB och Accenture, bland många andra.

Du studerade först psykologi och gick sedan över till neurovetenskap, vad var din motivering då?

Pivoten var naturlig. Psykologi utgjorde en sida av "träningsmyntet" - studiet av psykologiska fenomen. Men om man är intresserad av vad som mekanistiskt orsakar tankar och beteende, landar man oundvikligen på att studera organet som ansvarar för tankar, och slutar med att studera neurovetenskap!

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

Nästa steg, Neurovetenskap till AI, är svårare. Medan neurovetenskap sysslar med detaljerade studier av nervsystemets anatomi och fysiologi och hur hjärnor ger upphov till beteende, är en annan kompletterande väg för att uppnå en ännu större förståelse att bygga en syntetisk version av dem. En analogi jag gärna ger är att man kan få en delvis förståelse för hur en motor fungerar genom att slå av en cylinder och kylaren och dra slutsatsen att cylindrar och kylare är viktiga för att motorn ska fungera. Ett annat djupare sätt att förstå en motor är att bygga en från grunden – nämligen genom att studera intelligens genom att bygga en syntetisk (konstgjord) version av den.

Vilka är några av de tidiga deep learning-projekten som du arbetat med?

Under 2009 för DARPA arbetade vi med att bygga en "emulering av hela hjärnan” för en autonom robot som använder ett avancerat chip designat av Hewlett Packard. I ett nötskal 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 implementerad i liten hårdvara.

Kan du dela med dig av uppkomstberättelsen när det är Neurala?

Neurala som ett företag började 2006 att innehålla en del patentarbete kring användning av GPU:er (Graphic Processing Units) för djupinlärning. Även om detta kan anses vara trivialt idag, användes vid den tiden inte GPU alls för AI, och vi var banbrytande för det konceptet genom att föreställa oss att varje pixel i ett grafikkort kunde användas för att bearbeta en neuron (mot en sektion av en scen till rendera på skärmen). Tack vare parallelliteten hos GPU:er, som efterliknar vår hjärnans parallellitet i en (kommersiellt gångbar) utsträckning, kunde vi uppnå inlärnings- och exekveringshastighet för våra algoritmer som helt plötsligt gjorde AI och Deep Learning praktiska. Vi var tvungna att vänta några år till för att lämna akademin eftersom världen "fick ikapp" (vi var redan fast troende!) på verkligheten av AI. 2013 tog vi företaget ur smygläge (eftersom vi redan finansierades av NASA och US Air Force Research Labs) och gick in i Boston Tech Stars-programmet. Därifrån började vi anställa några anställda och skaffade privat kapital. Ändå var det inte förrän 2017 som, med ny kapitalinjektion och industrin som mognar ytterligare, kunde vi landa de första viktiga implementeringarna och sätta vår AI i 56 miljoner enheter, allt från kameror, till smarta telefoner, drönare och robotar.

Ett av Neuralas tidiga projekt var att arbeta med NASA:s Mars-rover. Kan du dela med dig av höjdpunkterna i det här projektet?

NASA hade ett mycket specifikt problem: de ville utforska teknik för att driva framtida obemannade uppdrag, där det autonoma systemet (t.ex. en rover) inte skulle förlita sig på jordens uppdragskontroll steg-för-steg-vägledning. Kommunikationsförseningar gör denna kontroll omöjlig – kom bara ihåg hur klumpig kommunikationen var mellan jorden och Matt Damon i filmen "The Martian". Vår lösning: ge varje rover en egen hjärna. NASA vände sig till oss, eftersom vi redan sågs som experter på att bygga dessa autonoma "minihjärnor" med DARPA, för att förse en rover med ett Deep Learning-system med liten faktor som inte bara kan köra på roboten utan också anpassa sig i realtid och lär dig nya saker medan roboten arbetar. Dessa inkluderar nya objekt (t.ex. stenar, tecken på vatten, etc.) när de påträffas och skapar en meningsfull karta över en outforskad planet. Utmaningen var enorm, men det var också vinsten: en Deep Learning-teknik som kunde köras på en mycket liten processorkraft och lära sig på en enda bit data (t.ex. en bild). Detta gick utöver vad Deep Learning kunde åstadkomma vid den tiden (och även idag!).

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

Designad för NASA-användningsfallet ovan, Lifelong DNN, som namnet säger, kan lära sig under hela sin livscykel. Detta är till skillnad från traditionella Deep Neural Networks (DNN), som antingen kan tränas eller utföra en "inferens" (nämligen en klassificering). I L-DNN, precis som hos människor, finns det ingen skillnad mellan att lära och klassificera. Varje gång vi tittar på något, både "klassificerar" vi det (det här är en stol) och lär oss om det (den här stolen är ny, har aldrig sett den förut, nu vet jag lite mer om den). Till skillnad från DNN:er lär sig och konfronterar L-DNN alltid vad den vet om världen, vilken ny information som presenteras och kan naturligtvis förstå anomalier. Till exempel, om ett av mina barn skämtade med mig och målade min stol rosa, skulle jag känna igen det direkt. Eftersom min L-DNN med tiden har lärt sig att min stol är svart, och när min uppfattning om den inte överensstämmer med mitt minne av den, skulle L-DNN producera en anomalisignal. Detta används i Neuralas produkter på olika sätt (Se nedan).

Kan du diskutera vad Brain Builder custom vision AI är och hur den möjliggör snabbare, enklare och billigare robotapplikationer?

Eftersom L-DNN naturligtvis lär sig om världen och kan förstå om något är onormalt eller avviker från en inlärd standard, används Neuralas produkt, Brain Builder och VIA (Visual Inspection Automation) för att snabbt sätta upp visuella inspektionsuppgifter med bara några få 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 trasig kork) är produceras. Detta kan göras med L-DNN mycket enkelt, snabbt och på en enkel CPU, med hjälp av NASA-tekniken som byggts in i mer än 10 år av intensiv FoU.

I en tidigare intervju rekommenderade du att företagare alltid strävar efter att starta ett företag som är lite omöjligt. Kände du att Neurala var lite omöjligt när du startade företaget?

Jag minns fortfarande att min vän och kollega Anatoli spottade ut sin espresso när jag sa "en dag kommer vår teknik att köras på en mobiltelefon". Det lät omöjligt, men allt du behövde göra var att föreställa dig och arbeta för det. Idag körs den på miljontals telefoner. Vi föreställer oss en värld där tusentals konstgjorda ögon kan upptäcka industriella maskiner och processer för att ge tidigare ofattbar nivå av kvalitet och kontroll, tidigare omöjliga eftersom de skulle förbruka tusentals människor per maskin. Hoppas ingen dricker espresso när man läser detta...

Tack för den fina intervjun, Neurala är helt klart ett företag som vi bör hålla på vår radar. Läsare som vill veta mer bör besöka Neurala.