Modelování umělých neuronových sítí (ANN) na základě zvířecích mozků

Neurovědec z Cold Spring Harbor Laboratory (CSHL) Anthony Zador ukázal, že evoluce a zvířecí mozek mohou být použity jako inspirace pro strojové učení. To může být prospěšné pro řešení mnoha různých problémů v oblasti umělé inteligence (AI).

Podle neurovědce z CSHL Anthonyho Zadora může být umělá inteligence (AI) značně vylepšena tím, že se podíváme na zvířecí mozek. Tento přístup nabízí neurovědcům a odborníkům v oblasti AI nový způsob řešení některých z nejnaléhavějších problémů AI.

Anthony Zador, M.D., Ph.D., se ve své kariéře zaměřil na vysvětlení složitých neuronových sítí v živém mozku, a to až na úrovni jednotlivých neuronů. Na počátku své kariéry se však zaměřil na něco jiného – studoval umělou neuronovou síť (ANN). ANN jsou výpočetní systémy, které jsou základem mnoha našich vývojů v oblasti AI. Jsou modelovány podle sítí v zvířecích i lidských mozcích. Dosud to byl konec tohoto konceptu.

V nedávném přehledovém článku, jehož autorem je Zador a který byl zveřejněn v Nature Communications, Zador popsal, jak nové a vylepšené algoritmy učení pomáhají systémům AI dosáhnout bodu, ve kterém výrazně překonávají lidi. To se děje v různých úkolech, problémech a hrách, jako je šachy a poker. Přestože některé z těchto počítačů dokážou v mnoha složitých problémech vyniknout, jsou často zmateny věcmi, které lidé považují za jednoduché.

Pokud by ti, kdo pracují v tomto oboru, dokázali tento problém vyřešit, roboti by mohli dosáhnout bodu vývoje, ve kterém by se mohli naučit dělat velmi přirozené a organické věci, jako je pronásledování kořisti nebo stavba hnízda. Dokonce by mohli umýt nádobí, což se pro roboty ukázalo jako extrémně obtížné.

„Veci, které nám připadají obtížné, jako abstraktní myšlení nebo hraní šachů, nejsou ve skutečnosti obtížné pro stroje. Veci, které nám připadají jednoduché, jako interakce s fyzickým světem, to je to, co je obtížné,” vysvětluje Zador. „Důvod, proč si myslíme, že je to jednoduché, je ten, že jsme měli půl miliardy let evoluce, která našim obvodům umožnila dělat to bez námahy.”

Zador se domnívá, že pokud chceme, aby roboti dosáhli rychlého učení, což by změnilo vše v tomto odvětví, možná bychom neměli hledět pouze na dokonalý obecný algoritmus učení. Vědci a ostatní by měli hledět směrem k biologickým neuronovým sítím, které nám poskytla příroda a evoluce. Tyto sítě by mohly být použity jako základ pro rychlé a snadné učení specifických typů úkolů, úkolů, které jsou důležité pro přežití.

Zador mluví o tom, co můžeme naučit od veverek žijících ve našich vlastních zahradách, pokud bychom se jen podívali na genetiku, neuronové sítě a genetickou predispozici.

„Máte veverky, které mohou skákat z stromu na strom během několika týdnů po narození, ale nemáme myši, které se učí totéž. Proč ne?” říká Zador. „Je to proto, že jedna je geneticky předurčena stát se stromovým tvorem.”

Zador se domnívá, že jedna věc, která by mohla pocházet z genetické predispozice, je vrozená výbava, která je u zvířat a pomáhá jim a řídí jejich rané učení. Jedním z problémů spojených s připojením této myšlenky ke světu AI je, že sítě používané ve strojovém učení, které jsou sledovány odborníky na AI, jsou mnohem více zobecněné než ty, které najdeme v přírodě.

Pokud se nám podaří dostat k bodu, ve kterém ANN dosáhnou bodu vývoje, ve kterém mohou být modelovány podle věcí, které vidíme v přírodě, roboti by mohli začít dělat úkoly, které byly dříve extrémně obtížné.