Modellazione di Reti Neurali Artificiali (ANN) su Cervelli Animali

Il neuroscienziato del Cold Spring Harbor Laboratory (CSHL) Anthony Zador ha dimostrato che l’evoluzione e i cervelli animali possono essere utilizzati come ispirazione per il machine learning. Ciò può essere benefico per aiutare l’AI a risolvere molti problemi diversi.

Secondo il neuroscienziato del CSHL Anthony Zador, l’Intelligenza Artificiale (AI) può essere notevolmente migliorata guardando ai cervelli animali. Con questo approccio, i neuroscienziati e coloro che lavorano nel campo dell’AI hanno un nuovo modo di risolvere alcuni dei problemi più pressanti dell’AI.

Anthony Zador, M.D., Ph.D., ha dedicato gran parte della sua carriera a spiegare le complesse reti neurali all’interno del cervello vivente. Lui va fino al singolo neurone. All’inizio della sua carriera, si è concentrato su qualcosa di diverso. Ha studiato le reti neurali artificiali (ANN). Le ANN sono sistemi di calcolo che sono stati la base di molti dei nostri sviluppi nel settore dell’AI. Sono modellate sulle reti presenti sia nei cervelli animali che umani. Fino ad ora, questo è il punto in cui il concetto si è fermato.

Un recente articolo di prospettiva, scritto da Zador, è stato pubblicato su Nature Communications. In quell’articolo, Zador ha spiegato come nuovi e migliorati algoritmi di apprendimento stanno aiutando i sistemi di AI a svilupparsi fino a superare notevolmente le prestazioni umane. Ciò avviene in una varietà di attività, problemi e giochi come scacchi e poker. Anche se alcuni di questi computer sono in grado di eseguire così bene una varietà di problemi complessi, sono spesso confusi da cose che gli esseri umani considererebbero semplici.

Se coloro che lavorano in questo campo fossero in grado di risolvere questo problema, i robot potrebbero raggiungere un punto di sviluppo in cui potrebbero imparare a fare cose estremamente naturali e organiche come stalkare la preda o costruire un nido. Potrebbero addirittura fare qualcosa come lavare i piatti, che si è dimostrato estremamente difficile per i robot.

“Le cose che troviamo difficili, come il pensiero astratto o il gioco degli scacchi, non sono in realtà le cose difficili per le macchine. Le cose che troviamo facili, come interagire con il mondo fisico, è ciò che è difficile”, ha spiegato Zador. “Il motivo per cui pensiamo che sia facile è che abbiamo avuto mezzo miliardo di anni di evoluzione che ha cablato i nostri circuiti in modo che lo facciamo senza sforzo.”

Zador pensa che se vogliamo che i robot raggiungano un apprendimento rapido, qualcosa che cambierebbe tutto nel settore, potremmo non voler guardare solo a un algoritmo di apprendimento generale perfezionato. Ciò che gli scienziati e gli altri dovrebbero fare è guardare alle reti neurali biologiche che ci sono state date dalla natura e dall’evoluzione. Queste potrebbero essere utilizzate come base per costruire un apprendimento rapido e facile di specifici tipi di attività, attività importanti per la sopravvivenza.

Zador parla di ciò che possiamo imparare dai scoiattoli che vivono nel nostro stesso cortile se solo guardassimo alla genetica, alle reti neurali e alla predisposizione genetica.

“Hai scoiattoli che possono saltare da un albero all’altro entro poche settimane dopo la nascita, ma non abbiamo topi che imparano la stessa cosa. Perché no?” ha detto Zador. “È perché uno è geneticamente predeterminato a diventare un animale che vive sugli alberi.”

Zador crede che una delle cose che potrebbe derivare dalla predisposizione genetica sia la circuitazione innata all’interno di un animale. Ciò aiuta l’animale e guida il suo apprendimento precoce. Uno dei problemi nell’attaccare questo al mondo dell’AI è che le reti utilizzate nel machine learning, quelle che vengono perseguite dagli esperti di AI, sono molto più generalizzate di quelle presenti in natura.

Se riuscissimo a raggiungere un punto in cui le ANN raggiungono un punto di sviluppo in cui possono essere modellate sulle cose che vediamo in natura, i robot potrebbero iniziare a fare attività che un tempo erano estremamente difficili.