Modellering af kunstige neurale netværk (ANN’er) efter dyre hjerner

Cold Spring Harbor Laboratory (CSHL) neuroscientist Anthony Zador har vist, at evolution og dyre hjerner kan bruges som inspiration for maskinlæring. Det kan være nyttigt til at hjælpe AI med at løse mange forskellige problemer.

Ifølge CSHL-neuroscienten Anthony Zador kan kunstig intelligens (AI) forbedres væsentligt ved at se på dyre hjerner. Med denne tilgang har neuroscientister og andre, der arbejder med AI, en ny måde at løse nogle af AI’s mest presserende problemer på.

Anthony Zador, M.D., Ph.D., har dedikeret en stor del af sin karriere til at forklare de komplekse neurale netværk i den levende hjjerne. Han går helt ned til den enkelte neuron. I begyndelsen af sin karriere fokuserede han på noget andet. Han studerede kunstige neurale netværk (ANN’er). ANN’er er computering-systemer, der har været grundlaget for mange af vores udviklinger i AI-sektoren. De er modelleret efter netværkene i både dyre- og menneskehjerner. Indtil nu har dette været, hvor konceptet stoppede.

I en nylig publiceret artikel i Nature Communications beskrev Zador, hvordan nye og forbedrede læringsalgoritmer hjælper AI-systemer med at udvikle sig til et punkt, hvor de langt overgår mennesker i en række opgaver, problemer og spil som skak og poker. Selv om nogle af disse computere kan udføre så godt i en række komplekse problemer, er de ofte forvirrede over ting, som vi mennesker ville betragte som simple.

Hvis de, der arbejder i dette felt, kunne løse dette problem, kunne robotter nå et punkt i udviklingen, hvor de kunne lære at gøre ekstremt naturlige og organiske ting som at stalkere bytte eller bygge en rede. De kunne endda gøre noget som at vaske tallerkener, som har vist sig at være ekstremt svært for robotter.

“De ting, vi finder svære, som abstrakt tænkning eller skakspil, er faktisk ikke det svære for maskiner. De ting, vi finder lette, som interaktion med den fysiske verden, det er, hvad der er svært,” forklarede Zador. “Grunden til, at vi synes, det er let, er, at vi har haft en halv milliard år af evolution, der har koblet vores kredsløb, så vi gør det uden besvær.”

Zador mener, at hvis vi vil have, at robotter skal opnå hurtig læring, noget, der ville ændre alt i sektoren, måske ikke kun se på en perfekt generel læringsalgoritme. Det, som videnskabsmænd og andre bør gøre, er at se på biologiske neurale netværk, der er givet os gennem natur og evolution. Disse kunne bruges som grundlag til at bygge på for hurtig og let læring af bestemte typer opgaver, opgaver, der er vigtige for overlevelse.

Zador taler om, hvad vi kan lære af egern, der lever i vores egne baghaver, hvis vi bare ser på genetik, neurale netværk og genetisk prædisposition.

“Du har egern, der kan springe fra træ til træ inden for få uger efter fødslen, men vi har ikke mus, der lærer det samme. Hvorfor ikke?” sagde Zador. “Det er, fordi den ene er genetisk forudbestemt til at blive et træboende dyr.”

Zador mener, at en ting, der kan komme fra genetisk prædisposition, er den medfødte kredsløb, der er i et dyr. Det hjælper dyret og guider dets tidlige læring. Et af problemene med at knytte dette til AI-verdenen er, at de netværk, der bruges i maskinlæring, dem, der forfølges af AI-eksperter, er langt mere generaliserede end dem i naturen.

Hvis vi kan nå et punkt, hvor ANN’er når et punkt i udviklingen, hvor de kan modelleres efter de ting, vi ser i naturen, kunne robotter begynde at udføre opgaver, der tidligere var ekstremt svære.