Modélisation de réseaux de neurones artificiels (ANN) sur des cerveaux d’animaux

Le neuroscientifique du Cold Spring Harbor Laboratory (CSHL) Anthony Zador a montré que l’évolution et les cerveaux d’animaux peuvent être utilisés comme inspiration pour l’apprentissage automatique. Cela peut être bénéfique pour aider l’IA à résoudre de nombreux problèmes différents.

Selon le neuroscientifique du CSHL Anthony Zador, l’intelligence artificielle (IA) peut être grandement améliorée en regardant les cerveaux d’animaux. Avec cette approche, les neuroscientifiques et ceux qui travaillent dans le domaine de l’IA ont un nouveau moyen de résoudre certains des problèmes les plus pressants de l’IA.

Anthony Zador, M.D., Ph.D., a consacré une grande partie de sa carrière à expliquer les réseaux neuronaux complexes dans le cerveau vivant. Il va jusqu’au niveau de la neuron individuel. Au début de sa carrière, il s’est concentré sur quelque chose de différent. Il a étudié les réseaux de neurones artificiels (ANN). Les ANN sont des systèmes de calcul qui ont été la base de nombreux de nos développements dans le secteur de l’IA. Ils sont modélisés d’après les réseaux dans les cerveaux d’animaux et humains. Jusqu’à présent, c’est là que le concept s’est arrêté.

Un article de perspective récent, rédigé par Zador, a été publié dans Nature Communications. Dans cet article, Zador a expliqué comment de nouveaux algorithmes d’apprentissage améliorés aident les systèmes d’IA à se développer à un point où ils surpassent considérablement les humains. Cela se produit dans une variété de tâches, de problèmes et de jeux comme les échecs et le poker. Même si certains de ces ordinateurs sont capables de performer si bien dans une variété de problèmes complexes, ils sont souvent déconcertés par des choses que les humains considéreraient comme simples.

Si ceux qui travaillent dans ce domaine étaient capables de résoudre ce problème, les robots pourraient atteindre un point de développement où ils pourraient apprendre à faire des choses extrêmement naturelles et organiques, comme traquer une proie ou construire un nid. Ils pourraient même faire quelque chose comme laver la vaisselle, ce qui s’est avéré être extrêmement difficile pour les robots.

« Les choses que nous trouvons difficiles, comme la pensée abstraite ou le jeu d’échecs, ne sont pas difficiles pour les machines. Les choses que nous trouvons faciles, comme interagir avec le monde physique, c’est ce qui est difficile », a expliqué Zador. « La raison pour laquelle nous pensons que c’est facile, c’est que nous avons eu une demi-milliard d’années d’évolution qui a câblé nos circuits de telle sorte que nous le faisons sans effort. »

Zador pense que si nous voulons que les robots atteignent un apprentissage rapide, quelque chose qui changerait tout dans le secteur, nous ne devrions peut-être pas regarder uniquement un algorithme d’apprentissage général parfait. Ce que les scientifiques et les autres devraient faire, c’est regarder les réseaux neuronaux biologiques qui nous ont été donnés par la nature et l’évolution. Ceux-ci pourraient être utilisés comme base pour construire un apprentissage rapide et facile de tâches spécifiques, des tâches importantes pour la survie.

Zador parle de ce que nous pouvons apprendre des écureuils qui vivent dans nos propres jardins si nous regardons la génétique, les réseaux neuronaux et la prédisposition génétique.

« Vous avez des écureuils qui peuvent sauter d’arbre en arbre dans les semaines qui suivent la naissance, mais nous n’avons pas de souris qui apprennent la même chose. Pourquoi pas ? » a dit Zador. « C’est parce que l’un est prédéterminé génétiquement pour devenir un animal qui vit dans les arbres. »

Zador croit que l’une des choses qui pourraient provenir de la prédisposition génétique est le circuit inné qui se trouve dans un animal. Cela aide l’animal et guide son apprentissage précoce. L’un des problèmes pour rattacher cela au monde de l’IA, c’est que les réseaux utilisés dans l’apprentissage automatique, ceux qui sont poursuivis par les experts en IA, sont beaucoup plus généralisés que ceux de la nature.

Si nous sommes capables d’atteindre un point où les ANN atteignent un point de développement où ils peuvent être modélisés d’après les choses que nous voyons dans la nature, les robots pourraient commencer à faire des tâches qui étaient à un moment extrêmement difficiles.