Tekoälyverkkojen mallintaminen eläinten aivojen mukaan

Cold Spring Harbor Laboratory (CSHL) neurotieteilijä Anthony Zador on osoittanut, että evoluutio ja eläinten aivot voidaan käyttää inspiraationa tekoälylle. Tämä voi olla hyödyllistä auttaessa tekoälyä ratkaisemaan monia erilaisia ongelmia.

CSHL:n neurotieteilijä Anthony Zadorin mukaan tekoälyä voidaan parantaa tarkastelemalla eläinten aivoja. Tämä lähestymistapa antaa neurotieteilijöille ja tekoälytutkijoille uuden tavan ratkaista joitain tekoälyn tärkeimmistä ongelmista.

Anthony Zador, M.D., Ph.D., on omistautunut uransa suurimman osan selittämään monimutkaisia hermostoverkkoja elävissä aivoissa. Hän on mennyt jopa yksittäisiin hermosolmuihin asti. Uransa alussa hän keskittyi kuitenkin johonkin muuhun. Hän tutki tekoälyverkkoja (ANN). ANN:t ovat laskentajärjestelmiä, jotka ovat olleet suuren osan tekoälykeksintöjen perustana. Ne on mallinnettu sekä eläinten että ihmisaivojen verkkojen mukaan. Tähän asti tämä käsite on pysähtynyt.

Zadorin kirjoittama uusi näkökulma julkaistiin Nature Communications -julkaisussa. Siinä Zador kertoi, miten uudet ja parannetut oppimisalgoritmit auttavat tekoälyjärjestelmiä kehittymään pisteeseen, jossa ne suorittavat tehtäviä, ongelmia ja pelejä kuten shakkia ja pokeria huomattavasti paremmin kuin ihmiset. Vaikka jotkut näistä tietokoneista pystyvät suorittamaan tehtäviä hyvin monissa monimutkaisissa ongelmissa, ne usein sekoittuvat asioihin, jotka me ihmiset pitäisimme yksinkertaisina.

Jos alan työntekijät pystyisivät ratkaisemaan tämän ongelman, robotit voivat kehittyä pisteeseen, jossa ne voivat oppia tekemään erittäin luonnollisia ja orgaanisia asioita, kuten saalistaa saalista tai rakentaa pesän. Ne voivat jopa tehdä asioita kuten astianpesua, joka on osoittautunut erittäin vaikeaksi roboteille.

“Meille vaikeat asiat, kuten abstrakti ajattelu tai shakinpelu, eivät olekaan vaikeita koneille. Meille helppoja asioita, kuten vuorovaikutusta fyysiseen maailmaan, on sen sijaan vaikea”, Zador selitti. “Syy siihen, että me luulemme sen olevan helppoa, on se, että meillä on ollut puoli miljardia vuotta evoluutiota, joka on kytkentöinyt piirimme siten, että me teemme sen vaivattomasti.”

Zador uskoo, että jos haluamme, että robotit saavuttavat nopean oppimisen, mikä muuttaisi kaiken alan, emme ehkä halua tarkastella vain täydellistä yleistä oppimisalgoritmia. Tieteilijöiden ja muiden tulisi sen sijaan tarkastella biologisia hermostoverkkoja, jotka evoluutio ja luonto ovat antaneet meille. Nämä voivat toimia pohjana nopean ja helpon oppimisen erityisille tehtäville, joita on tärkeää selviytyä.

Zador puhuu siitä, mitä voimme oppia omasta takapihamme asuvista oravista, jos vain tarkastelemme geneettisiä, hermostoverkkoja ja geneettistä taipumusta.

“Meillä on oravia, jotka voivat hypätä puusta toiseen jo muutaman viikon ikäisinä, mutta meillä ei ole hiiriä, jotka oppisivat samaa”, Zador sanoi. “Syy tähän on se, että toinen on geneettisesti ennalta määrätty olemaan puissa elävä olento.”

Zador uskoo, että yksi asia, josta voimme oppia geneettisestä taipumuksesta, on sisäänrakennettu piiri, joka on eläimessä. Se auttaa eläintä ja ohjaa sen varhaisoppimista. Yksi ongelmista, joka liittyy tämän liittämisestä tekoälymaailmaan, on se, että tekoälyssä käytettävät verkot ovat yleisempiä kuin ne luonnossa.

Jos pääsemme pisteeseen, jossa tekoälyverkot kehittyvät pisteeseen, jossa ne voidaan mallintaa luonnon ilmiöiden mukaan, robotit voivat aloittaa tehtävien suorittamisen, jotka olivat aiemmin erittäin vaikeita.