Modellierung künstlicher neuronaler Netze (ANNs) nach Tierhirnen

Der Neurologe Anthony Zador von der Cold Spring Harbor Laboratory (CSHL) hat gezeigt, dass Evolution und Tierhirne als Inspiration für das maschinelle Lernen verwendet werden können. Dies kann hilfreich sein, um dem künstlichen Intellekt (KI) zu helfen, viele verschiedene Probleme zu lösen.

Laut dem CSHL-Neurologen Anthony Zador kann die künstliche Intelligenz (KI) durch die Betrachtung von Tierhirnen stark verbessert werden. Mit diesem Ansatz haben Neurologen und diejenigen, die im Bereich KI arbeiten, eine neue Möglichkeit, einige der dringendsten Probleme der KI zu lösen.

Anthony Zador, M.D., Ph.D., hat einen großen Teil seiner Karriere damit verbracht, die komplexen neuronalen Netze im lebenden Gehirn zu erklären. Er geht bis hinunter zum einzelnen Neuron. Zu Beginn seiner Karriere konzentrierte er sich auf etwas anderes. Er studierte künstliche neuronale Netze (ANNs). ANNs sind Computersysteme, die die Grundlage vieler unserer Entwicklungen im KI-Sektor sind. Sie werden nach den Netzen in Tier- und Menschenhirnen modelliert. Bisher endet das Konzept hier.

Ein kürzlich veröffentlichter Aufsatz, der von Zador verfasst wurde, erschien in der Zeitschrift Nature Communications. In diesem Aufsatz erläuterte Zador, wie neue und verbesserte Lernalgorithmen dazu beitragen, dass KI-Systeme eine Stufe erreichen, auf der sie Menschen in einer Vielzahl von Aufgaben, Problemen und Spielen wie Schach und Poker deutlich überlegen sind. Obwohl einige dieser Computer in der Lage sind, in komplexen Problemen sehr gut zu performen, werden sie oft von Dingen verwirrt, die Menschen als einfach erachten.

Wenn diejenigen, die in diesem Bereich arbeiten, in der Lage wären, dieses Problem zu lösen, könnten Roboter eine Stufe in ihrer Entwicklung erreichen, auf der sie lernen, extrem natürliche und organische Dinge wie das Jagen von Beutetieren oder das Bauen von Nestern zu tun. Sie könnten sogar Dinge wie das Waschen von Geschirr tun, was sich für Roboter als extrem schwierig erwiesen hat.

“Die Dinge, die wir schwer finden, wie abstraktes Denken oder Schachspielen, sind tatsächlich nicht das Schwierige für Maschinen. Die Dinge, die wir leicht finden, wie die Interaktion mit der physischen Welt, das ist das Schwierige”, erklärte Zador. “Der Grund, warum wir denken, es sei leicht, ist, dass wir eine halbe Milliarde Jahre Evolution hatten, die unsere Schaltkreise so verdrahtet hat, dass wir es mühelos tun.”

Zador denkt, dass, wenn wir wollen, dass Roboter ein schnelles Lernen erreichen, etwas, das alles in diesem Sektor verändern würde, wir vielleicht nicht nur nach einem perfektionierten allgemeinen Lernalgorithmus suchen sollten. Was Wissenschaftler und andere tun sollten, ist, sich biologischen neuronalen Netzen zuzuwenden, die uns durch die Natur und Evolution gegeben wurden. Diese könnten als Grundlage für ein schnelles und einfaches Lernen von bestimmten Arten von Aufgaben dienen, Aufgaben, die für das Überleben wichtig sind.

Zador spricht über das, was wir von Eichhörnchen in unseren eigenen Hinterhöfen lernen können, wenn wir nur auf Genetik, neuronale Netze und genetische Prädisposition schauen.

“Sie haben Eichhörnchen, die innerhalb weniger Wochen nach der Geburt von Baum zu Baum springen können, aber wir haben keine Mäuse, die das gleiche tun. Warum nicht?”, sagte Zador. “Es ist, weil eines genetisch vorbestimmt ist, ein baumbewohnendes Tier zu werden.”

Zador glaubt, dass eine Sache, die aus genetischer Prädisposition resultieren kann, die angeborene Schaltung ist, die in einem Tier ist. Sie hilft dem Tier und leitet sein frühes Lernen. Eines der Probleme, dies auf die KI-Welt anzuwenden, ist, dass die Netze, die im maschinellen Lernen verwendet werden, die von KI-Experten verfolgt werden, viel allgemeiner sind als die in der Natur.

Wenn wir in der Lage sind, einen Punkt zu erreichen, an dem ANNs eine Stufe in ihrer Entwicklung erreichen, auf der sie nach den Dingen modelliert werden können, die wir in der Natur sehen, könnten Roboter beginnen, Aufgaben zu tun, die zu einem bestimmten Zeitpunkt extrem schwierig waren.