Fysiske begrænsninger driver udviklingen af ​​hjernelignende kunstig intelligens

I en banebrydende studere, Cambridge-forskere har taget en ny tilgang til kunstig intelligens og demonstreret, hvordan fysiske begrænsninger kan have dybt indflydelse på udviklingen af ​​et AI-system.

Denne forskning, der minder om den menneskelige hjernes udviklingsmæssige og operationelle begrænsninger, giver ny indsigt i udviklingen af ​​komplekse neurale systemer. Ved at integrere disse begrænsninger afspejler AI ikke kun aspekter af menneskelig intelligens, men optrævler også den indviklede balance mellem ressourceforbrug og informationsbehandlingseffektivitet.

Begrebet fysiske begrænsninger i AI

Den menneskelige hjerne, et indbegreb af naturlige neurale netværk, udvikler sig og opererer inden for et utal af fysiske og biologiske begrænsninger. Disse begrænsninger er ikke hindringer, men er medvirkende til at forme dens struktur og funktion. Med ordene fra Jascha Achterberg, en Gates Scholar fra Medical Research Council Cognition and Brain Sciences Unit (MRC CBSU) ved University of Cambridge, "Ikke alene er hjernen fantastisk til at løse komplekse problemer, den gør det, mens den bruger meget lidt energi . I vores nye arbejde viser vi, at overvejelse af hjernens problemløsningsevner sammen med dens mål om at bruge så få ressourcer som muligt kan hjælpe os med at forstå, hvorfor hjerner ser ud som de gør."

Eksperimentet og dets betydning

Cambridge-holdet gik i gang med et ambitiøst projekt for at skabe et kunstigt system, der modellerer en meget forenklet version af hjernen. Dette system var særskilt i dets anvendelse af 'fysiske' begrænsninger, meget ligesom dem i den menneskelige hjerne.

Hver beregningsknude i systemet blev tildelt en specifik placering i et virtuelt rum, der emulerede den rumlige organisation af neuroner. Jo større afstanden er mellem to noder, jo mere udfordrende er deres kommunikation, hvilket afspejler neuronernes organisation i menneskets hjerner.

Denne virtuelle hjerne fik derefter til opgave at navigere i en labyrint, en forenklet version af de labyrint-navigationsopgaver, der ofte gives til dyr i hjernestudier. Betydningen af ​​denne opgave ligger i dens krav om, at systemet skal integrere flere informationsstykker - såsom start- og slutplaceringer og de mellemliggende trin - for at finde den korteste rute. Denne opgave tester ikke kun systemets problemløsningsevner, men giver også mulighed for at observere, hvordan forskellige noder og klynger bliver kritiske på forskellige stadier af opgaven.

Læring og tilpasning i AI-systemet

Det kunstige systems rejse fra nybegynder til ekspert i labyrintnavigation er et vidnesbyrd om AIs tilpasningsevne. Til at begynde med kæmpede systemet, beslægtet med et menneske, der lærte en ny færdighed, med opgaven og lavede adskillige fejl. Men gennem en proces med forsøg og fejl og efterfølgende feedback forfinede systemet gradvist sin tilgang.

Det er afgørende, at denne læring skete gennem ændringer i styrken af ​​forbindelser mellem dens beregningsknuder, hvilket afspejler den synaptiske plasticitet, der observeres i menneskelige hjerner. Det, der er særligt fascinerende, er, hvordan de fysiske begrænsninger påvirkede denne læreproces. Vanskeligheden ved at etablere forbindelser mellem fjerne knudepunkter betød, at systemet skulle finde mere effektive, lokaliserede løsninger, og dermed efterligne energi- og ressourceeffektiviteten, der ses i biologiske hjerner.

Nye egenskaber i det kunstige system

Efterhånden som systemet udviklede sig, begyndte det at udvise egenskaber, der opsigtsvækkende ligner dem i den menneskelige hjerne. En sådan udvikling var dannelsen af ​​hubs - stærkt forbundne knudepunkter, der fungerer som informationskanaler på tværs af netværket, beslægtet med neurale hubs i den menneskelige hjerne.

Mere spændende var imidlertid skiftet i, hvordan individuelle noder behandlede information. I stedet for en stiv kodning, hvor hver node var ansvarlig for et specifikt aspekt af labyrinten, vedtog noderne et fleksibelt kodningsskema. Dette betød, at en enkelt knude kunne repræsentere flere aspekter af labyrinten på forskellige tidspunkter, en funktion, der minder om den adaptive natur af neuroner i komplekse organismer.

Professor Duncan Astle fra Cambridges Institut for Psykiatri fremhævede dette aspekt og udtalte: "Denne simple begrænsning – det er sværere at forbinde noder, der er langt fra hinanden – tvinger kunstige systemer til at producere nogle ret komplicerede karakteristika. Interessant nok er de karakteristika, der deles af biologiske systemer som den menneskelige hjerne."

Bredere implikationer

Implikationerne af denne forskning strækker sig langt ud over kunstig intelligens og ind i selve forståelsen af ​​menneskelig erkendelse. Ved at kopiere den menneskelige hjernes begrænsninger i et AI-system kan forskere få uvurderlig indsigt i, hvordan disse begrænsninger former hjerneorganisationen og bidrager til individuelle kognitive forskelle.

Denne tilgang giver et unikt vindue ind i hjernens kompleksitet, især i forståelsen af ​​forhold, der påvirker kognitiv og mental sundhed. Professor John Duncan fra MRC CBSU tilføjer: "Disse kunstige hjerner giver os en måde at forstå de rige og forvirrende data, vi ser, når aktiviteten af ​​rigtige neuroner registreres i rigtige hjerner."

Fremtiden for AI-design

Denne banebrydende forskning har betydelige konsekvenser for det fremtidige design af AI-systemer. Undersøgelsen illustrerer levende, hvordan inkorporering af biologiske principper, især dem, der er relateret til fysiske begrænsninger, kan føre til mere effektive og adaptive kunstige neurale netværk.

Dr. Danyal Akarca fra MRC CBSU understreger dette og udtaler, "AI-forskere forsøger konstant at finde ud af, hvordan man laver komplekse, neurale systemer, der kan kode og udføre på en fleksibel måde, der er effektiv. For at opnå dette tror vi, at neurobiologi vil give os en masse inspiration."

Jascha Achterberg uddyber yderligere potentialet i disse fund for at bygge AI-systemer, der tæt efterligner menneskelige problemløsningsevner. Han foreslår, at AI-systemer, der tackler udfordringer svarende til dem, som mennesker står over for, sandsynligvis vil udvikle strukturer, der ligner den menneskelige hjerne, især når de opererer inden for fysiske begrænsninger som energibegrænsninger. "Hjerner fra robotter, der er indsat i den virkelige fysiske verden," forklarer Achterberg, "vil sandsynligvis ligne vores hjerner mere, fordi de måske står over for de samme udfordringer som os."

Forskningen udført af Cambridge-teamet markerer et vigtigt skridt i forståelsen af ​​parallellerne mellem menneskelige neurale systemer og kunstig intelligens. Ved at pålægge et AI-system fysiske begrænsninger har de ikke kun replikeret nøglekarakteristika ved den menneskelige hjerne, men også åbnet nye veje til at designe mere effektiv og tilpasningsdygtig AI.