Het modelleren van kunstmatige neurale netwerken (ANN’s) naar dierlijke hersenen

Het Cold Spring Harbor Laboratory (CSHL) neuroscientist Anthony Zador heeft aangetoond dat evolutie en dierlijke hersenen gebruikt kunnen worden als inspiratie voor machine learning. Dit kan nuttig zijn bij het helpen van AI om veel verschillende problemen op te lossen.

Volgens CSHL neuroscientist Anthony Zador kan Artificial Intelligence (AI) enorm verbeterd worden door naar dierlijke hersenen te kijken. Met deze benadering hebben neuroscientisten en mensen die in het AI-veld werken een nieuwe manier om sommige van de meest dringende problemen van AI op te lossen.

Anthony Zador, M.D., Ph.D., heeft een groot deel van zijn carrière gewijd aan het verklaren van de complexe neurale netwerken binnen de levende hersenen. Hij gaat zo ver als het individuele neuron. Aan het begin van zijn carrière richtte hij zich op iets anders. Hij bestudeerde kunstmatige neurale netwerken (ANN’s). ANN’s zijn computersystemen die de basis vormen van veel van onze ontwikkelingen in de AI-sector. Ze zijn gemodelleerd naar de netwerken in zowel dierlijke als menselijke hersenen. Tot nu toe is dit waar het concept ophield.

Een recente perspectiefstuk, geschreven door Zador, is gepubliceerd in Nature Communications.In dat stuk legde Zador uit hoe nieuwe en verbeterde leer-algoritmen helpen bij het ontwikkelen van AI-systemen tot een punt waarop ze veel beter presteren dan mensen. Dit gebeurt in een verscheidenheid aan taken, problemen en spellen zoals schaken en poker. Ondanks dat sommige van deze computers zo goed kunnen presteren in een verscheidenheid aan complexe problemen, worden ze vaak in de war gebracht door dingen die wij mensen eenvoudig zouden vinden.

Als de mensen in dit veld in staat zouden zijn om dit probleem op te lossen, zouden robots een punt in hun ontwikkeling kunnen bereiken waarop ze kunnen leren om extreem natuurlijke en organische dingen te doen, zoals prooi stalken of een nest bouwen. Ze zouden zelfs iets kunnen doen als het wassen van de afwas, wat voor robots extreem moeilijk is gebleken.

“De dingen die wij moeilijk vinden, zoals abstract denken of schaken, zijn eigenlijk niet moeilijk voor machines. De dingen die wij eenvoudig vinden, zoals interactie met de fysieke wereld, dat is wat moeilijk is,” legde Zador uit. “De reden dat wij denken dat het eenvoudig is, is dat wij half een miljard jaar evolutie hebben gehad die onze circuits heeft bedraad, zodat wij het moeiteloos doen.”

Zador denkt dat als wij willen dat robots snel leren, iets dat alles in de sector zou veranderen, wij misschien niet alleen moeten kijken naar een perfecte, algemene leer-algoritme. Wat wetenschappers en anderen zouden moeten doen, is kijken naar biologische neurale netwerken die ons zijn gegeven door de natuur en evolutie. Deze zouden gebruikt kunnen worden als basis om op te bouwen voor snelle en eenvoudige leerprocessen van specifieke soorten taken, taken die belangrijk zijn voor overleving.

Zador spreekt over wat wij kunnen leren van eekhoorntjes die in onze eigen achtertuin wonen, als wij alleen maar naar genetica, neurale netwerken en genetische aanleg kijken.

“U hebt eekhoorntjes die binnen enkele weken na de geboorte van boom tot boom kunnen springen, maar wij hebben geen muizen die hetzelfde leren. Waarom niet?” zei Zador. “Het is omdat de een genetisch voorbestemd is om een boomdier te worden.”

Zador gelooft dat een van de dingen die kunnen voortkomen uit genetische aanleg, de aangeboren circuitry is die in een dier zit. Het helpt het dier en leidt zijn vroege leerprocessen. Een van de problemen bij het koppelen van dit aan de AI-wereld is dat de netwerken die in machine learning worden gebruikt, die door AI-experts worden nagestreefd, veel meer gegeneraliseerd zijn dan die in de natuur.

Als wij in staat zouden zijn om tot een punt te komen waarop ANN’s een punt in hun ontwikkeling bereiken waarop ze gemodelleerd kunnen worden naar de dingen die wij in de natuur zien, zouden robots taken kunnen gaan doen die ooit extreem moeilijk waren.