Моделирање на вештачки невронски мрежи (АНН) на мозоци на животни

Неврологот од лабораторијата Cold Spring Harbor (CSHL) Ентони Задор покажа дека еволуцијата и мозоците на животните може да се користат како инспирација за машинско учење. Тоа може да биде корисно во помагањето на вештачката интелигенција да реши многу различни проблеми. 

Според неврологот од CSHL, Ентони Задор, вештачката интелигенција (ВИ) може значително да се подобри ако се погледне во мозоците на животните. Со овој пристап, невронаучниците и оние кои работат на полето на вештачката интелигенција имаат нов начин за решавање на некои од најгорливите проблеми на вештачката интелигенција. 

Ентони Задор, д-р, д-р, посвети голем дел од својата кариера на објаснување на сложените невронски мрежи во живиот мозок. Тој оди сè до индивидуалниот неврон. На почетокот на кариерата се фокусираше на нешто поинакво. Студирал вештачки невронски мрежи (АНН). ANN се компјутерски системи кои беа основа на голем дел од нашите случувања во секторот на вештачката интелигенција. Тие се моделирани според мрежите и во животинскиот и во човечкиот мозок. Досега тука застануваше концептот. 

Неодамнешниот перспективен дел, автор на Задор, беше објавен во Комуникации во природа. Во тој дел, Задор објасни како новите и подобрени алгоритми за учење им помагаат на системите за вештачка интелигенција да се развијат до точка каде што во голема мера ги надминуваат луѓето. Ова се случува во различни задачи, проблеми и игри како шах и покер. И покрај тоа што некои од овие компјутери се способни да работат толку добро во различни сложени проблеми, тие често се збунети од работи кои ние луѓето би ги сметале за едноставни. 

Доколку оние кои работат на ова поле би можеле да го решат овој проблем, роботите би можеле да достигнат точка во развојот каде што би можеле да научат да прават екстремно природни и органски работи како што се следење плен или градење гнездо. Тие дури би можеле да направат нешто како миење садови, што се покажало како исклучително тешко за роботите. 

„Нештата што ни се тешки, како апстрактната мисла или играњето шах, всушност не се најтешката работа за машините. Работите што ни се лесни, како интеракцијата со физичкиот свет, тоа е она што е тешко“, објасни Задор. „Причината поради која мислиме дека е лесно е тоа што имавме половина милијарда години еволуција што ги поврза нашите кола така што го правиме тоа без напор“.

Задор смета дека ако сакаме роботите да постигнат брзо учење, нешто што би променило сè во секторот, можеби нема да сакаме да гледаме само на усовршен општ алгоритам за учење. Она што треба да го направат научниците и другите е да погледнат кон биолошките невронски мрежи кои ни се дадени преку природата и еволуцијата. Тие би можеле да се користат како основа за брзо и лесно учење на одредени видови задачи, задачи кои се важни за опстанок. 

Задор зборува за тоа што можеме да научиме од верверичките кои живеат во нашите дворови ако само ги погледнеме генетиката, нервните мрежи и генетската предиспозиција.

„Имате верверички кои можат да скокаат од дрво на дрво во рок од неколку недели по раѓањето, но кај нас нема глувци кои го учат истото. Зошто да не?" - рече Задор. „Тоа е затоа што некој е генетски предодреден да стане суштество кое живее на дрво“.

Задор верува дека едно нешто што може да дојде од генетската предиспозиција е вроденото коло што е во животното. Тоа му помага на тоа животно и го води неговото рано учење. Еден од проблемите со прикачувањето на ова со светот на вештачката интелигенција е тоа што мрежите што се користат во машинското учење, оние што ги спроведуваат експерти за вештачка интелигенција, се многу поопшти од оние по природа. 

Ако успееме да дојдеме до точка каде што ANN ќе достигне точка во развојот каде што може да се моделираат според работите што ги гледаме во природата, роботите би можеле да почнат да вршат задачи кои во еден момент биле исклучително тешки.