Modelování umělých neuronových sítí (ANN) podle zvířecích mozků

Neurovědec z Cold Spring Harbor Laboratory (CSHL) Anthony Zador prokázal, že evoluce a zvířecí mozek mohou být inspirací pro strojové učení. To může být prospěšné při řešení mnoha různých problémů, kterým čelí umělá inteligence.

Podle neurovědce z CSHL Anthonyho Zadora může být umělá inteligence (AI) značně vylepšena tím, že se bude inspirovat zvířecími mozky. Tímto přístupem získají neurovědci a odborníci na AI nový způsob, jak řešit některé z nejpalčivějších problémů AI.

Anthony Zador, M.D., Ph.D., se ve své kariéře věnoval především vysvětlování komplexních 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 však tato koncepce nebyla dále rozvíjena.

V nedávném článku, jehož autorem je Zador, publikovaném v Nature Communications, Zador popsal, jak nové a vylepšené algoritmy učení pomáhají systémům AI dosáhnout bodu, ve kterém výrazně překonávají lidské schopnosti. To se týká různých úkolů, problémů a her, jako je šachy a poker. Přestože některé z těchto počítačů dokážou vykonávat velmi složité úkoly, jsou často zmateny věcmi, které lidé považují za jednoduché.

Pokud by se podařilo vyřešit tento problém, roboti by mohli dosáhnout bodu ve vývoji, ve kterém by se naučili dělat velmi přirozené a organické věci, jako je pronásledování kořisti nebo stavba hnízda. Mohli by dokonce dělat něco jako mytí nádobí, což se pro roboty ukázalo být velmi obtížným.

„Veci, které nám připadají těžké, jako abstraktní myšlení nebo hraní šachů, nejsou pro stroje vlastně tak těžké. Veci, které nám připadají jednoduché, jako interakce s fyzickým světem, to je to, co je pro stroje těžké,“ vysvětlil Zador. „Důvod, proč si myslíme, že je to jednoduché, je ten, že jsme měli půl miliardy let evoluce, která nám nastavila naše obvody tak, aby jsme to dělali bez námahy.“

Zador se domnívá, že pokud chceme, aby roboti dosáhli rychlého učení, což by změnilo všechno v tomto odvětví, možná bychom neměli hledat pouze dokonalý obecný algoritmus učení. Vědci by měli hledat biologické neuronové sítě, které nám poskytla příroda a evoluce. Tyto sítě by mohly být použity jako základ pro rychlé a snadné učení konkrétních typů úkolů, které jsou důležité pro přežití.

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

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

Zador věří, že jedna věc, která může pocházet z genetické predispozice, je vrozená obvodová zařízení, která je v zvířeti. To pomáhá zvířeti a řídí jeho rané učení. Jeden z problémů spojených s připojením tohoto ke světu AI je ten, že sítě používané v strojovém učení, ty, které jsou sledovány odborníky na AI, jsou mnohem více zobecněny než ty v přírodě.

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