AI pagrįsta lėta smegenų dinamika

Izraelio Bar-llano universiteto mokslininkai panaudojo pažangius nervų kultūrų eksperimentus ir didelio masto modeliavimą, kad sukurtų naują itin greitą dirbtinį intelektą. Naujasis AI pagrįstas lėta žmonių smegenų dinamika. Šios smegenų dinamikos mokymosi greitis yra geresnis, palyginti su geriausiais mokymosi algoritmais, kuriuos šiandien turime. 

Mašinų mokymasis iš tikrųjų yra glaudžiai susijęs ir pagrįstas mūsų smegenų dinamika. Dėl šiuolaikinių kompiuterių spartos ir didelių duomenų rinkinių mums pavyko sukurti giluminio mokymosi algoritmus, panašius į žmonių ekspertus įvairiose srityse. Tačiau šie mokymosi algoritmai pasižymi kitokiomis savybėmis nei žmogaus smegenys. 

Universiteto mokslininkų komanda paskelbė savo darbus žurnale Mokslinės ataskaitos. Jie stengėsi sujungti neuromokslą ir pažangius dirbtinio intelekto algoritmus – šią sritį dešimtmečius buvo atsisakyta. 

Profesorius Ido Kanteris iš Bar-llano universiteto Fizikos katedros ir Gonda (Goldschmied) daugiadisciplininio smegenų tyrimo tyrimo ir pagrindinis tyrimo autorius pakomentavo dvi sritis. 

„Dabartinis mokslinis ir technologinis požiūris yra toks, kad neurobiologija ir mašinų mokymasis yra dvi skirtingos disciplinos, kurios tobulėja nepriklausomai“, - sakė jis. „Tikėtinos abipusės įtakos nebuvimas glumina. 

„Neuronų skaičius smegenyse yra mažesnis nei bitų skaičius tipiniame šiuolaikinių asmeninių kompiuterių diske, o smegenų skaičiavimo greitis yra kaip laikrodžio rodyklė, net lėtesnis nei pirmojo kompiuterio, išrasto daugiau nei 70 metų. metų“, – sakė jis. 

„Be to, smegenų mokymosi taisyklės yra labai sudėtingos ir nutolusios nuo dabartinių dirbtinio intelekto algoritmų mokymosi žingsnių principų. 

Profesorius Kanteris dirba su tyrimų grupe, įskaitant Herut Uzan, Shira Sardi, Amir Goldental ir Roni Vardi. 

Kalbant apie smegenų dinamiką, jie susiduria su asinchroniniais įvestimis, nes fizinė tikrovė keičiasi ir vystosi. Dėl šios priežasties nėra nervų ląstelių sinchronizacijos. Tai skiriasi nuo dirbtinio intelekto algoritmų, nes jie yra pagrįsti sinchroniniais įėjimais. Įvairios įvestys tame pačiame kadre ir jų laikas paprastai nepaisomi. 

Profesorius Kanteris toliau paaiškino šią dinamiką. 

„Žiūrėdamas į priekį iškart pastebi kadrą su keliais objektais. Pavyzdžiui, važiuodamas stebi automobilius, pėsčiųjų perėjas, kelio ženklus, gali nesunkiai atpažinti jų laikinę tvarką ir santykinę padėtį“, – sakė jis. „Biologinė aparatinė įranga (mokymosi taisyklės) skirta susidoroti su asinchroninėmis įvestimis ir patikslinti jų santykinę informaciją. 

Vienas iš šio tyrimo dalykų yra tas, kad itin greito mokymosi rodikliai yra maždaug vienodi, nesvarbu, ar tai mažas, ar didelis tinklas. Pasak mokslininkų, „sudėtingos smegenų mokymosi schemos trūkumas iš tikrųjų yra pranašumas“. 

Tyrimas taip pat rodo, kad mokymasis gali vykti be mokymosi žingsnių. Tai galima pasiekti savaime prisitaikant, remiantis asinchroniniais įėjimais. Žmogaus smegenyse tokio tipo mokymasis vyksta dendrituose, kurie yra trumpi nervinių ląstelių tęsiniai ir skirtingi kiekvieno neurono terminalai. Tai buvo pastebėta anksčiau. Anksčiau buvo manoma, kad nesvarbu, kad tinklo dinamika dendeitinio mokymosi metu yra valdoma silpnais svoriais. 

Šis naujas tyrimas ir išvados gali reikšti daug skirtingų dalykų. Šie veiksmingi gilaus mokymosi algoritmai ir jų panašumas į labai lėtą smegenų dinamiką gali padėti sukurti naują pažangaus dirbtinio intelekto klasę naudojant greitus kompiuterius. 

Tyrimas taip pat skatina bendradarbiavimą tarp neurobiologijos ir dirbtinio intelekto sričių, o tai gali padėti abiem sritims tobulėti. Mokslininkų grupės teigimu, „pagrindinių mūsų smegenų principų įžvalgos vėl turi būti būsimojo dirbtinio intelekto centre“.