AI založená na pomalé mozkové dynamice

Vědci z Bar-llan University v Izraeli použili pokročilé experimenty na neurálních kulturách a rozsáhlé simulace k vytvoření nové ultrarychlé umělé inteligence. Nová AI je založena na pomalé mozkové dynamice lidí. Tato mozková dynamika má lepší rychlost učení ve srovnání s nejlepšími učebními algoritmy, které dnes máme. 

Strojové učení ve skutečnosti úzce souvisí a je založeno na dynamice našich mozků. S rychlostí moderních počítačů a jejich rozsáhlých datových souborů jsme byli schopni vytvořit algoritmy hlubokého učení, které jsou podobné lidským odborníkům v různých oblastech. Tyto algoritmy učení však mají jiné vlastnosti než lidský mozek. 

Tým vědců z univerzity publikoval svou práci v časopise Vědecké zprávy. Pracovali na propojení neurovědy a pokročilých algoritmů umělé inteligence, obor, který byl po desetiletí opuštěn. 

Profesor Ido Kanter z katedry fyziky Bar-llan University a Gonda (Goldschmied) multidisciplinární studie výzkumu mozku a hlavní autor studie komentoval tyto dvě oblasti. 

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

„Počet neuronů v mozku je menší než počet bitů na typické velikosti disku moderních osobních počítačů a výpočetní rychlost mozku je jako vteřinová ručička na hodinách, dokonce pomalejší než první počítač vynalezený přes 70 let. před lety,“ řekl. 

"Kromě toho jsou pravidla učení mozku velmi komplikovaná a vzdálená principům kroků učení v současných algoritmech umělé inteligence." 

Profesor Kanter spolupracuje s výzkumným týmem zahrnujícím 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. Kvůli tomu nedochází k synchronizaci nervových buněk. To se liší u algoritmů umělé inteligence, protože jsou založeny na synchronních vstupech. Různé vstupy ve stejném rámci a jejich časování jsou normálně ignorovány. 

Profesor Kanter pokračoval ve vysvětlení této dynamiky. 

„Při pohledu dopředu člověk okamžitě pozoruje rám s více objekty. Při jízdě například člověk pozoruje auta, přechody pro chodce a dopravní značky a může snadno identifikovat jejich časové řazení a relativní polohu,“ řekl. "Biologický hardware (pravidla učení) je navržen tak, aby se vypořádal s asynchronními vstupy a zpřesnil jejich relativní informace." 

Jedním z bodů této studie je, že rychlost ultrarychlého učení je přibližně stejná, ať už se jedná o malou nebo velkou síť. Podle výzkumníků je „nevýhoda komplikovaného schématu učení mozku ve skutečnosti výhodou“. 

Studie také ukazuje, že učení může probíhat bez učebních kroků. Toho lze dosáhnout samopřizpůsobením na základě asynchronních vstupů. V lidském mozku se tento typ učení děje v dendritech, což jsou krátká prodloužení nervových buněk, a na různých zakončeních každého neuronu. To bylo pozorováno již dříve. Dříve se věřilo, že není důležité, že dynamika sítě při dendeitickém učení je řízena slabými váhami. 

Tento nový výzkum a zjištění mohou znamenat mnoho různých věcí. Tyto účinné algoritmy hlubokého učení a jejich podobnost s dynamikou velmi pomalého mozku mohou pomoci vytvořit novou třídu pokročilé umělé inteligence s rychlými počítači. 

Studie také tlačí na spolupráci mezi obory neurobiologie a umělá inteligence, což může oběma oborům pomoci posunout se dále. Podle výzkumné skupiny „pohled základních principů našeho mozku musí být znovu středem budoucí umělé inteligence.“