Umělé inteligence založené na pomalé dynamice mozku

Vědci z Bar-llanské univerzity v Izraeli použili pokročilé experimenty na neuronálních kulturách a velkých simulacích, aby vytvořili novou ultra rychlou umělou inteligenci. Nová umělá inteligence je založena na pomalé dynamice lidského mozku. Tato dynamika má lepší učební rychlost ve srovnání s nejlepšími učebními algoritmy, které máme dnes.

Strojové učení je vlastně silně spojeno a založeno na dynamice našeho mozku. S rychlostí moderních počítačů a jejich velkými datovými soubory jsme byli schopni vytvořit hluboké učební algoritmy, které jsou podobné lidským expertům v různých oblastech. Tyto učební algoritmy však mají odlišné charakteristiky než lidský mozek.

Tým vědců z univerzity publikoval svou práci v časopise Scientific Reports. Pracovali na propojení neurobiologie a pokročilých algoritmů umělé inteligence, což je oblast, která byla opuštěna po desetiletí.

Profesor Ido Kanter z Bar-llanské univerzity, oddělení fyziky a Gonda (Goldschmied) multidisciplinární studie mozku, a vedoucí autor studie, komentoval obě oblasti.

“Současný vědecký a technologický pohled je takový, že neurobiologie a strojové učení jsou dvě odlišné disciplíny, které se vyvíjejí nezávisle,” řekl. “Absence očekávaného vzájemného vlivu je záhadná.”

“Počet neuronů v mozku je menší než počet bitů na typickém disku moderních osobních počítačů a výpočetní rychlost mozku je jako ručička hodin, dokonce pomalejší než první počítač, který byl vynalezen před více než 70 lety,” řekl.

“Kromě toho jsou pravidla učení mozku velmi komplikovaná a vzdálená od principů učebních kroků v současných algoritmech umělé inteligence.”

Profesor Kanter pracuje s výzkumným týmem, včetně Herut Uzan, Shira Sardi, Amir Goldental a Roni Vardi.

Pokud jde o dynamiku mozku, zabývají se asynchronními vstupy, protože fyzická realita se mění a vyvíjí. V důsledku toho není synchronizace pro nervové buňky. To je jiné než u algoritmů umělé inteligence, které jsou založeny na synchronních vstupech. Odlišné vstupy ve stejném rámci a jejich časování jsou obvykle ignorovány.

Profesor Kanter dále vysvětlil tuto dynamiku.

“Když se díváme dopředu, okamžitě vidíme rámec s více objekty. Například při řízení vidíme auta, přechody pro chodce a dopravní značky a můžeme snadno identifikovat jejich časové pořadí a relativní polohy,” řekl. “Biologický hardware (pravidla učení) je navržen tak, aby zpracovával asynchronní vstupy a rafinovat jejich relativní informace.”

Jednou z věcí, které tato studie ukazuje, je, že ultra rychlé učební rychlosti jsou stejné, ať už jde o malou nebo velkou síť. Podle výzkumníků “nevýhoda komplikovaného schématu učení mozku je vlastně výhodou.”

Studie také ukazuje, že učení může probíhat bez učebních kroků. Může být dosaženo prostřednictvím samo-adaptace na základě asynchronních vstupů. V lidském mozku se toto učení děje v dendritech, které jsou krátkými prodlouženími nervových buněk a různých terminálů každého neuronu. To bylo pozorováno dříve. Předtím se předpokládalo, že je nezbytné, aby dynamika sítě pod dendritickým učením byla řízena slabými váhami.

Tato nová výzkumná zjištění mohou znamenat mnoho různých věcí. Tyto efektivní hluboké učební algoritmy a jejich podobnost s velmi pomalou dynamikou mozku mohou pomoci vytvořit novou třídu pokročilé umělé inteligence s rychlými počítači.

Studie také podporuje spolupráci mezi oblastmi neurobiologie a umělé inteligence, což může pomoci oběma oblastem pokročit dále. Podle výzkumného týmu “poznatky fundamentálních principů našeho mozku musí být opětovně umístěny do centra budoucí umělé inteligence.”