Fizička ograničenja pokreću evoluciju AI-ja nalik mozgu

U prijelomnom učiti, znanstvenici s Cambridgea zauzeli su nov pristup umjetnoj inteligenciji, pokazujući kako fizička ograničenja mogu duboko utjecati na razvoj sustava umjetne inteligencije.

Ovo istraživanje, koje podsjeća na razvojna i operativna ograničenja ljudskog mozga, nudi nove uvide u evoluciju složenih neuralnih sustava. Integriranjem ovih ograničenja, AI ne samo da odražava aspekte ljudske inteligencije, već i razotkriva zamršenu ravnotežu između utroška resursa i učinkovitosti obrade informacija.

Koncept fizičkih ograničenja u umjetnoj inteligenciji

Ljudski mozak, utjelovljenje prirodnih neuronskih mreža, razvija se i djeluje unutar mnoštva fizičkih i bioloških ograničenja. Ova ograničenja nisu prepreka, već su ključna u oblikovanju njegove strukture i funkcije. Prema riječima Jascha Achterberga, Gatesovog znanstvenika iz Jedinice za kogniciju i znanosti o mozgu Vijeća za medicinska istraživanja (MRC CBSU) na Sveučilištu u Cambridgeu, "ne samo da je mozak izvrstan u rješavanju složenih problema, već to čini dok troši vrlo malo energije . U našem novom radu pokazujemo da nam razmatranje sposobnosti mozga za rješavanje problema uz njegov cilj trošenja što manje resursa može pomoći da shvatimo zašto mozak izgleda tako.”

Eksperiment i njegov značaj

Tim iz Cambridgea krenuo je s ambicioznim projektom stvaranja umjetnog sustava koji modelira vrlo pojednostavljenu verziju mozga. Taj se sustav razlikovao po svojoj primjeni 'fizičkih' ograničenja, poput onih u ljudskom mozgu.

Svakom računskom čvoru unutar sustava dodijeljena je određena lokacija u virtualnom prostoru, oponašajući prostornu organizaciju neurona. Što je veća udaljenost između dva čvora, to je njihova komunikacija zahtjevnija, odražavajući neuronsku organizaciju u ljudskom mozgu.

Ovaj virtualni mozak je zatim dobio zadatak da se kreće labirintom, pojednostavljenom verzijom zadataka kretanja labirintom koji se često daju životinjama u studijama mozga. Važnost ovog zadatka leži u njegovom zahtjevu da sustav integrira više informacija—kao što su početna i krajnja lokacija i međukoraci—kako bi se pronašao najkraći put. Ovaj zadatak ne samo da testira sposobnosti sustava za rješavanje problema, već također omogućuje promatranje kako različiti čvorovi i klasteri postaju kritični u različitim fazama zadatka.

Učenje i prilagodba u sustavu umjetne inteligencije

Putovanje umjetnog sustava od početnika do stručnjaka u navigaciji labirintom dokaz je prilagodljivosti umjetne inteligencije. U početku se sustav, sličan čovjeku koji uči novu vještinu, borio sa zadatkom, čineći brojne pogreške. Međutim, kroz proces pokušaja i pogrešaka te naknadne povratne informacije, sustav je postupno usavršavao svoj pristup.

Ono što je ključno, to se učenje dogodilo kroz promjene u snazi ​​veza između njegovih računalnih čvorova, odražavajući sinaptičku plastičnost opaženu u ljudskim mozgovima. Ono što je posebno fascinantno je kako su fizička ograničenja utjecala na ovaj proces učenja. Poteškoće u uspostavljanju veza između udaljenih čvorova značile su da je sustav morao pronaći učinkovitija, lokalizirana rješenja, oponašajući tako energetsku i resursnu učinkovitost viđenu u biološkim mozgovima.

Nove karakteristike u umjetnom sustavu

Kako se sustav razvijao, počeo je pokazivati ​​karakteristike zapanjujuće slične onima ljudskog mozga. Jedan takav razvoj bio je formiranje čvorišta – visoko povezanih čvorova koji djeluju kao kanali informacija preko mreže, slično neuralnim čvorištima u ljudskom mozgu.

Intrigantniji je, međutim, bio pomak u načinu na koji su pojedinačni čvorovi obrađivali informacije. Umjesto krutog kodiranja gdje je svaki čvor bio odgovoran za određeni aspekt labirinta, čvorovi su usvojili fleksibilnu shemu kodiranja. To je značilo da bi jedan čvor mogao predstavljati više aspekata labirinta u različitim vremenima, značajka koja podsjeća na adaptivnu prirodu neurona u složenim organizmima.

Profesor Duncan Astle s Odjela za psihijatriju u Cambridgeu istaknuo je ovaj aspekt, rekavši: “Ovo jednostavno ograničenje – teže je povezati čvorove koji su međusobno udaljeni – tjera umjetne sustave da proizvedu neke prilično komplicirane karakteristike. Zanimljivo, to su karakteristike koje dijele biološki sustavi poput ljudskog mozga.”

Šire implikacije

Implikacije ovog istraživanja protežu se daleko izvan područja umjetne inteligencije i u razumijevanje same ljudske spoznaje. Repliciranjem ograničenja ljudskog mozga u sustavu umjetne inteligencije, istraživači mogu dobiti neprocjenjiv uvid u to kako ta ograničenja oblikuju organizaciju mozga i doprinose individualnim kognitivnim razlikama.

Ovaj pristup pruža jedinstveni uvid u složenost mozga, posebno u razumijevanju stanja koja utječu na kognitivno i mentalno zdravlje. Profesor John Duncan s MRC CBSU dodaje: "Ovi nam umjetni mozgovi daju nam način da razumijemo bogate i zbunjujuće podatke koje vidimo kada se aktivnost stvarnih neurona bilježi u stvarnom mozgu."

Budućnost AI dizajna

Ovo revolucionarno istraživanje ima značajne implikacije za budući dizajn sustava umjetne inteligencije. Studija zorno ilustrira kako uključivanje bioloških principa, posebno onih koji se odnose na fizička ograničenja, može dovesti do učinkovitijih i prilagodljivijih umjetnih neuronskih mreža.

Dr. Danyal Akarca iz MRC CBSU naglašava ovo, navodeći: “Istraživači umjetne inteligencije neprestano pokušavaju razraditi kako napraviti složene, neuronske sustave koji mogu kodirati i raditi na fleksibilan način koji je učinkovit. Da bismo to postigli, mislimo da će nam neurobiologija dati puno inspiracije.”

Jascha Achterberg dalje razrađuje potencijal ovih otkrića za izgradnju AI sustava koji blisko oponašaju ljudske sposobnosti rješavanja problema. Predlaže da će sustavi umjetne inteligencije koji se bore s izazovima sličnim onima s kojima se suočavaju ljudi vjerojatno razviti strukture koje nalikuju ljudskom mozgu, osobito kada rade unutar fizičkih ograničenja poput energetskih ograničenja. "Mozgovi robota koji su raspoređeni u stvarnom fizičkom svijetu", objašnjava Achterberg, "vjerojatno će više sličiti našim mozgovima jer bi se mogli suočiti s istim izazovima kao i mi."

Istraživanje koje je proveo tim s Cambridgea označava značajan korak u razumijevanju paralela između ljudskih neuralnih sustava i umjetne inteligencije. Nametanjem fizičkih ograničenja sustavu umjetne inteligencije, ne samo da su replicirali ključne karakteristike ljudskog mozga, već su otvorili i nove puteve za dizajniranje učinkovitije i prilagodljivije AI.