Max Versace, CEO và Đồng sáng lập của Neurala – Loạt phỏng vấn

Dr. Massimiliano Versace là đồng sáng lập và CEO của Neurala, và là nhà tiên phong của công ty. Sau khi nghiên cứu tiên phong về tính toán lấy cảm hứng từ não và mạng sâu, ông tiếp tục truyền cảm hứng và lãnh đạo thế giới về robot tự động. Ông đã nói tại hàng chục sự kiện và địa điểm, bao gồm TedX, NASA, Lầu Năm Góc, GTC, InterDrone, Phòng thí nghiệm Quốc gia, Phòng thí nghiệm Nghiên cứu Không quân, HP, iRobot, Samsung, LG, Qualcomm (QCOM ), Ericsson, BAE Systems, AI World, Mitsubishi, ABB và Accenture, trong số nhiều người khác.

Bạn ban đầu học tâm lý học và sau đó chuyển sang khoa học thần kinh, lý do của bạn vào thời điểm đó là gì?

Sự chuyển đổi là tự nhiên. Tâm lý học cung cấp một mặt của “đồng tiền đào tạo” – nghiên cứu về hiện tượng tâm lý. Tuy nhiên, nếu ai đó quan tâm đến những gì cơ học gây ra suy nghĩ và hành vi, người đó sẽ tự nhiên nghiên cứu cơ quan chịu trách nhiệm về suy nghĩ, và kết thúc bằng việc nghiên cứu Khoa học thần kinh!

Khi nào bạn nhận ra rằng bạn muốn áp dụng hiểu biết của mình về não bộ con người để mô phỏng não bộ con người trong một hệ thống AI?

Bước tiếp theo, từ Khoa học thần kinh đến AI, là phức tạp hơn. Trong khi Khoa học thần kinh quan tâm đến việc nghiên cứu chi tiết về giải phẫu và sinh lý của hệ thống thần kinh và cách não bộ tạo ra hành vi, một con đường bổ sung để đạt được sự hiểu biết sâu sắc hơn là xây dựng một phiên bản tổng hợp của chúng. Một sự tương tự mà tôi thích đưa ra là rằng một người có thể đạt được sự hiểu biết một phần về cách một động cơ hoạt động bằng cách tháo rời một xi lanh và bộ tản nhiệt và kết luận rằng xi lanh và bộ tản nhiệt là quan trọng trong hoạt động của động cơ. Một cách sâu sắc hơn để hiểu một động cơ là xây dựng nó từ đầu – tức là nghiên cứu trí thông minh bằng cách xây dựng một phiên bản tổng hợp (nhân tạo) của nó.

Một số dự án học sâu sớm mà bạn đã làm việc?

Vào năm 2009, cho DARPA, chúng tôi đã làm việc trên một “mô phỏng toàn bộ não bộ” cho một robot tự động sử dụng một con chip tiên tiến được thiết kế bởi Hewlett Packard. Tóm lại, nhiệm vụ của chúng tôi là mô phỏng não bộ và một số hành vi tự động và học hỏi chính của một loài gặm nhấm nhỏ trong một yếu tố hình thức mà sẽ làm cho nó phù hợp để được di động và thực hiện trên phần cứng nhỏ.

Bạn có thể chia sẻ câu chuyện về sự ra đời của Neurala?

Neurala như một công ty bắt đầu vào năm 2006 để chứa một số công việc bằng sáng chế về việc sử dụng GPU (Đơn vị xử lý đồ họa) cho học sâu. Mặc dù điều này có thể được coi là tầm thường ngày nay, vào thời điểm đó, GPU không được sử dụng cho AI, và chúng tôi đã tiên phong khái niệm này bằng cách tưởng tượng rằng mỗi pixel trong thẻ đồ họa có thể được sử dụng để xử lý một nơ-ron (so với một phần của một cảnh để hiển thị trên màn hình). Nhờ sự song song của GPU, tương tự như não bộ của chúng tôi, chúng tôi đã có thể đạt được tốc độ học hỏi và thực hiện cho các thuật toán của mình mà tất cả một lúc làm cho AI và Học sâu trở nên thực tế. Chúng tôi phải chờ thêm một vài năm để rời khỏi học thuật khi thế giới “đứng dậy” (chúng tôi đã là những người tin tưởng!) về thực tế của AI. Vào năm 2013, chúng tôi đã đưa công ty ra khỏi chế độ ẩn danh (vì chúng tôi đã được tài trợ bởi NASA và Phòng thí nghiệm Nghiên cứu Không quân) và tham gia chương trình Boston Tech Stars. Từ đó, chúng tôi bắt đầu thuê một số nhân viên và huy động vốn tư nhân. Tuy nhiên, cho đến năm 2017, với sự tiêm vốn mới và ngành công nghiệp trưởng thành hơn, chúng tôi đã có thể triển khai các dự án quan trọng đầu tiên và đưa AI của mình vào 56 triệu thiết bị, từ máy ảnh, điện thoại thông minh, máy bay không người lái và robot.

Một trong những dự án đầu tiên của Neurala là làm việc trên tàu thám hiểm sao Hỏa của NASA. Bạn có thể chia sẻ với chúng tôi những điểm nổi bật của dự án này?

NASA có một vấn đề rất cụ thể: họ muốn khám phá công nghệ để cung cấp năng lượng cho các nhiệm vụ tự động trong tương lai, nơi hệ thống tự động (ví dụ: một tàu thám hiểm) sẽ không phụ thuộc vào hướng dẫn từng bước của trung tâm điều khiển Trái Đất. Sự chậm trễ trong giao tiếp làm cho điều khiển này không thể – chỉ nhớ lại giao tiếp thô thiển giữa Trái Đất và Matt Damon trong bộ phim “The Martian”. Giải pháp của chúng tôi: trao cho mỗi tàu thám hiểm một bộ não của riêng nó. NASA đã chuyển đến chúng tôi, vì chúng tôi đã được coi là chuyên gia trong việc xây dựng những “bộ não nhỏ” tự động này với DARPA, để trao cho một tàu thám hiểm một hệ thống học sâu nhỏ có thể không chỉ chạy trên robot mà còn thích nghi trong thời gian thực và học hỏi những điều mới khi robot đang hoạt động. Điều này bao gồm các đối tượng mới (ví dụ: đá, dấu hiệu của nước, v.v.) khi chúng được gặp phải và tạo ra một bản đồ có ý nghĩa của một hành tinh chưa được khám phá. Thử thách là rất lớn, nhưng phần thưởng cũng rất lớn: một công nghệ học sâu có thể chạy trên một bộ xử lý rất nhỏ và học hỏi từ thậm chí một mảnh dữ liệu (ví dụ: một hình ảnh). Điều này vượt quá những gì học sâu có thể đạt được vào thời điểm đó (và thậm chí ngày nay!).

Neurala đã thiết kế Lifelong-DNN, bạn có thể giải thích cách nó khác với DNN thông thường và những lợi thế nó mang lại?

Được thiết kế cho trường hợp sử dụng của NASA ở trên, Lifelong DNN, như tên gọi, có thể học hỏi trong suốt chu kỳ sống của nó. Điều này khác với các Mạng nơ-ron sâu truyền thống (DNN), có thể được đào tạo hoặc thực hiện một “sự suy luận” (tức là, một phân loại). Trong L-DNN, giống như con người, không có sự khác biệt giữa việc học hỏi và phân loại. Mỗi khi chúng tôi nhìn vào một thứ gì đó, chúng tôi vừa “phân loại” nó (đây là một chiếc ghế) và học hỏi về nó (chiếc ghế này mới, chưa từng thấy trước đây, tôi bây giờ biết một chút về nó). Khác với DNN, L-DNN luôn học hỏi và đối mặt với những gì nó biết về thế giới, những thông tin mới được trình bày, và có khả năng tự nhiên hiểu được những bất thường. Ví dụ, nếu một trong những đứa con của tôi chơi một trò đùa với tôi và sơn chiếc ghế của tôi màu hồng, tôi sẽ nhận ra nó ngay lập tức. Vì L-DNN của tôi đã học hỏi theo thời gian rằng chiếc ghế của tôi là màu đen, và khi nhận thức của tôi không khớp với ký ức của tôi về nó, L-DNN sẽ tạo ra một tín hiệu bất thường. Điều này được sử dụng trong các sản phẩm của Neurala theo nhiều cách (xem dưới đây).

Bạn có thể thảo luận về Brain Builder custom vision AI là gì và cách nó cho phép các ứng dụng robot nhanh hơn, dễ dàng hơn và ít tốn kém hơn?

Vì L-DNN tự nhiên học hỏi về thế giới và có thể hiểu nếu một thứ gì đó là bất thường hoặc khác với một tiêu chuẩn đã học, sản phẩm của Neurala, Brain Builder và VIA (Tự động hóa Kiểm tra Hình ảnh) được sử dụng để nhanh chóng thiết lập các nhiệm vụ kiểm tra hình ảnh bằng cách sử dụng chỉ một vài hình ảnh của “sản phẩm tốt”. Ví dụ, trong một môi trường sản xuất, người ta có thể sử dụng 20 hình ảnh của “chai tốt” và tạo ra một “bộ não nhỏ” kiểm tra chất lượng hình ảnh có thể nhận ra chai tốt, hoặc khi một chai “xấu” (ví dụ: một chai có nắp bị vỡ) được sản xuất. Điều này có thể được thực hiện với L-DNN rất dễ dàng, nhanh chóng và trên một CPU đơn giản, tận dụng công nghệ NASA được xây dựng trong hơn 10 năm nghiên cứu và phát triển.

Trong một cuộc phỏng vấn trước, bạn đã khuyên các doanh nhân luôn nhắm đến việc bắt đầu một doanh nghiệp mà slightly không thể. Bạn có cảm thấy rằng Neurala là không thể khi bạn lần đầu tiên khởi động công ty?

Tôi vẫn nhớ lại bạn và đồng nghiệp của tôi, Anatoli, nhổm dậy khi tôi nói “một ngày, công nghệ của chúng tôi sẽ chạy trên điện thoại di động”. Nó nghe có vẻ không thể, nhưng tất cả những gì bạn cần làm là tưởng tượng và làm việc cho nó. Ngày nay, nó chạy trên hàng triệu điện thoại. Chúng tôi hình dung một thế giới nơi hàng ngàn “mắt nhân tạo” có thể phát hiện máy móc công nghiệp và quy trình để cung cấp một mức độ chất lượng và kiểm soát trước đây không thể, vì chúng sẽ tiêu tốn hàng ngàn người cho mỗi máy. Hy vọng không ai đang uống cà phê espresso trong khi đọc điều này….

Cảm ơn bạn vì cuộc phỏng vấn tuyệt vời, Neurala rõ ràng là một công ty mà chúng tôi nên giữ trên radar của mình. Những người đọc muốn tìm hiểu thêm nên truy cập Neurala.