Forskere får indsigt i, hvordan de kan få kunstig intelligens til at tænke som os

Forskere fra University of Tokyo har fået nyt indsigt i, hvordan en kunstig intelligens (AI) kan fås til at tænke som os. Forskerne beskriver, hvordan en robot kan læres at navigere gennem en labyrint ved at elektrisk stimulere en kultur af hjerneceller, der er forbundet med robotten.

Den nye forskning er offentliggjort i Applied Physics Letters.

Nerveceller som fysisk reservoir

Nervecellerne, der er neuroner, er dyrket fra levende celler. De fungerer som det fysisk reservoir, der giver maskinen mulighed for at konstruere koherente signaler, der betragtes som homeostatiske signaler.

Disse signaler informerer robotten om, at miljøet opretholdes inden for en vis række, og de fungerer som en baseline, da den bevæger sig frit gennem labyrinten.

Under testen blev neuronernes cellekultur forstyrret af et elektrisk impuls, hver gang robotten bevægede sig i den forkerte retning eller vendte den forkerte vej. Gennem alle forsøg blev robotten konstant fødet homeostatiske signaler, der blev afbrudt af forstyrrelsessignaler, indtil den kunne løse labyrintopgaven succesfuldt.

At opnå målrettet adfærd

Ifølge forskerne viser disse resultater, at målrettet adfærd kan genereres uden yderligere læring. Dette opnås ved at sende forstyrrelsessignaler til et inkarneret system. Robotten var fuldstændigt afhængig af de elektriske trial-and-error-impulser, da den ikke kunne se miljøet eller få sanselige oplysninger.

Hirokazu Takahashi er en associeret professor i mechano-informatik.

“Jeg selv blev inspireret af vores eksperimenter til at hypotetisere, at intelligens i et levende system opstår fra en mekanisme, der udtrækker en koherent output fra en uorganiseret tilstand eller en kaotisk tilstand”, sagde Takahashi.

Forskerne brugte denne princip til at vise, at intelligente opgaveløsningsevner kan produceres gennem brug af fysiske reservoir-computere, der muliggør udtrækning af neuronale signaler. Dette muliggør også levering af homeostatiske eller forstyrrelsessignaler, og alt dette giver computeren mulighed for at oprette et reservoir, der forstår, hvordan opgaven kan løses.

“En hjernecelle fra en grundskoleelev kan ikke løse matematiske problemer i en college-admissions-eksamen, muligvis fordi hjernens dynamik eller deres ‘fysiske reservoir-computer’ ikke er rig nok,” sagde Takahashi. “Opgaveløsningsevnen bestemmes af, hvor rigt et repertoire af rum-tids-mønstre nettet kan generere.”

Ifølge holdet kan brugen af fysisk reservoir-computing i denne sammenhæng bidrage til en bedre forståelse af, hvordan hjernen fungerer, og det kan føre til udviklingen af en neuromorf computer.