Fysisk begrænsning driver udviklingen af hjernelignende AI

I en banebrydende studie har Cambridge-forskere taget en ny tilgang til kunstig intelligens og demonstreret, hvordan fysisk begrænsning kan have en dyb indvirkning på udviklingen af et AI-system.

Denne forskning, der minder om de udviklings- og operationsmæssige begrænsninger i det menneskelige hjernen, tilbyder nye indsigt i udviklingen af komplekse neurale systemer. Ved at integrere disse begrænsninger, spejler AI-systemet ikke kun aspekter af menneskelig intelligens, men afslører også den intrikate balance mellem ressourceforbrug og informationsbehandlingseffektivitet.

Konceptet om fysisk begrænsning i AI

Det menneskelige hjernen, et eksemplar på naturlige neurale netværk, udvikler sig og fungerer inden for en mangfoldighed af fysisk og biologisk begrænsninger. Disse begrænsninger er ikke hindringer, men er afgørende for at forme dets struktur og funktion. Ifølge Jascha Achterberg, en Gates Scholar fra Medical Research Council Cognition and Brain Sciences Unit (MRC CBSU) på University of Cambridge, “Er hjernen ikke kun god til at løse komplekse problemer, men gør det også, mens den bruger meget lidt energi. I vores nye arbejde viser vi, at hvis man sammen med hjernens problemløsningsfærdigheder også tager hensyn til målet om at bruge så få ressourcer som muligt, kan man bedre forstå, hvorfor hjerner ser ud, som de gør.”

Eksperimentet og dets betydning

Cambridge-holdet påbegyndte et ambitiøst projekt for at skabe et kunstigt system, der modellerer en stærkt forenklet version af hjernen. Dette system var karakteristisk ved sin anvendelse af ‘fysiske’ begrænsninger, ligesom dem i det menneskelige hjernen.

Hver beregningsnode inden for systemet blev tildelt en bestemt placering i et virtuelt rum, der efterlignede den rumlige organisation af neuroner. Jo større afstanden mellem to noder var, desto mere udfordrende var deres kommunikation, der spejlede den neuronale organisation i det menneskelige hjernen.

Dette virtuelle hjernen blev herefter sat til at navigere i en labyrint, en forenklet version af labyrintnavigationopgaver, der ofte gives til dyr i hjernestudier. Betydningen af denne opgave ligger i, at systemet skal integrere flere stykker information – såsom start- og slutpunkter samt de mellemste trin – for at finde den korteste rute. Denne opgave tester ikke kun systemets problemløsningsfærdigheder, men giver også mulighed for at observere, hvordan forskellige noder og cluster bliver kritiske på forskellige stadier af opgaven.

Læring og tilpasning i AI-systemet

Den kunstige systems rejse fra novice til ekspert i labyrintnavigation er et vidnesbyrd om AI’s tilpasningsevne. Til at begynde med kæmpede systemet, ligesom et menneske, der lærer en ny færdighed, med opgaven og begik mange fejl. Men gennem en proces af prøvning og fejl og efterfølgende feedback forbedrede systemet gradvist sin tilgang.

Afgørende var, at denne læring skete gennem ændringer i styrken af forbindelserne mellem dets beregningsnoder, der spejlede den synaptiske plasticitet, der observeres i det menneskelige hjernen. Det er særligt fascinerende, hvordan de fysiske begrænsninger påvirkede denne læreproces. Sværheden ved at etablere forbindelser mellem fjerne noder betød, at systemet måtte finde mere effektive, lokale løsninger, og dermed efterlignede den energi- og ressourceeffektivitet, der ses i biologiske hjerner.

Fremkomne karakteristika i det kunstige system

Da systemet udviklede sig, begyndte det at vise karakteristika, der var slående lignende dem i det menneskelige hjernen. En sådan udvikling var dannelse af hub – højt forbundne noder, der fungerer som informationskanaler tværs over netværket, ligesom neurale hub i det menneskelige hjernen.

Endnu mere interessant var skiftet i, hvordan enkeltvis noder behandlede information. I stedet for en fast kodning, hvor hver node var ansvarlig for et bestemt aspekt af labyrinten, antog noderne en fleksibel kodningsskema. Dette betød, at en enkelt node 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 afdeling for psykiatri fremhævede dette aspekt og udtalte: “Denne enkle begrænsning – det er sværere at forbinde noder, der er langt fra hinanden – tvinger kunstige systemer til at producere nogle ret komplekse karakteristika. Interessant nok er disse karakteristika delt af biologiske systemer som det menneskelige hjernen.”

Broader implikationer

Implikationerne af denne forskning strækker sig langt ud over området for kunstig intelligens og ind i forståelsen af menneskelig kognition selv. Ved at replikere begrænsningerne i det menneskelige hjernen i et AI-system kan forskere få uvurderlige indsigt i, hvordan disse begrænsninger former hjernens organisation og bidrager til individuelle kognitive forskelle.

Denne tilgang giver en unik vindue ind i hjernens kompleksitet, især i forståelsen af tilstande, der påvirker kognitiv og mental sundhed. Professor John Duncan fra MRC CBSU tilføjer: “Disse kunstige hjerner giver os en måde at forstå den rige og forvirrende data, vi ser, når aktiviteten af virkelige neuroner registreres i virkelige hjerner.”

Fremtiden for AI-design

Denne banebrydende forskning har betydelige implikationer for fremtidens design af AI-systemer. Studiet viser tydeligt, hvordan integration af biologiske principper, især de relaterede til fysisk begrænsning, kan føre til mere effektive og tilpasningsdygtige kunstige neurale netværk.

Dr. Danyal Akarca fra MRC CBSU understreger dette og siger: “AI-forskere prøver konstant at udvikle komplekse, neurale systemer, der kan kodificere og udføre på en fleksibel måde, der er effektiv. For at opnå dette mener vi, at neurobiologien vil give os megen inspiration.”

Jascha Achterberg udvikler yderligere denne tanke og foreslår, at AI-systemer, der løser udfordringer lignende dem, som mennesker står over for, sandsynligvis vil udvikle strukturer, der ligner det menneskelige hjernen, især når de opererer inden for fysiske begrænsninger som energibegrænsninger. “Hjernerne af robotter, der er udstationeret i den virkelige fysiske verden,” forklarer Achterberg, “vil sandsynligvis se ud som vores hjerner, fordi de måske står over for de samme udfordringer som os.”

Forskningen, der er udført af Cambridge-holdet, markerer et betydeligt skridt i forståelsen af parallellerne mellem menneskelige neurale systemer og kunstig intelligens. Ved at påføre fysisk begrænsning på et AI-system har de ikke kun replikeret nøglekarakteristika af det menneskelige hjernen, men har også åbnet nye veje for at designe mere effektive og tilpasningsdygtige AI.