Fysieke Beperkingen Drijven de Evolutie van Brein-achtige AI

In een baanbrekend onderzoek hebben Cambridge-wetenschappers een novatieve aanpak van kunstmatige intelligentie genomen, waarin wordt aangetoond hoe fysieke beperkingen de ontwikkeling van een AI-systeem diepgaand kunnen beïnvloeden.

Dit onderzoek, dat doen denken aan de ontwikkelings- en operationele beperkingen van de menselijke hersenen, biedt nieuwe inzichten in de evolutie van complexe neurale systemen. Door deze beperkingen te integreren, weerspiegelt de AI niet alleen aspecten van menselijke intelligentie, maar ontrafelt ook het ingewikkelde evenwicht tussen uitgaven en efficiëntie van informatieverwerking.

Het Concept van Fysieke Beperkingen in AI

De menselijke hersenen, een voorbeeld van natuurlijke neurale netwerken, evolueren en functioneren binnen een veelheid van fysieke en biologische beperkingen. Deze beperkingen zijn geen hindernissen, maar vormen de structuur en functie van de hersenen. In de woorden van Jascha Achterberg, een Gates-beursstudent van de Medische Onderzoeksraad Cognitie en Hersenwetenschappen Eenheid (MRC CBSU) van de Universiteit van Cambridge, “De hersenen zijn niet alleen goed in het oplossen van complexe problemen, maar doen dit ook met heel weinig energie. In ons nieuwe onderzoek laten we zien dat het overwegen van de probleemoplossende capaciteiten van de hersenen naast het doel om zo min mogelijk middelen te gebruiken, ons kan helpen begrijpen waarom hersenen eruit zien zoals ze doen.”

Het Experiment en Zijn Betekenis

Het Cambridge-team begon aan een ambitieus project om een kunstmatig systeem te creëren dat een sterk vereenvoudigde versie van de hersenen modelleert. Dit systeem was uniek in de toepassing van ‘fysieke’ beperkingen, net zoals in de menselijke hersenen.

Elk berekeningsknooppunt binnen het systeem kreeg een specifieke locatie in een virtuele ruimte, waardoor de ruimtelijke organisatie van neuronen werd nagebootst. Hoe groter de afstand tussen twee knooppunten, hoe moeilijker de communicatie, net zoals de neuronale organisatie in de menselijke hersenen.

Dit virtuele brein kreeg vervolgens de taak om een doolhof te navigeren, een vereenvoudigde versie van de doolhofnavigatietaken die vaak aan dieren in hersenonderzoek worden gegeven. Het belang van deze taak ligt in de vereiste om het systeem meerdere stukken informatie te laten integreren – zoals de start- en eindlocaties en de tussenstappen – om de kortste route te vinden. Deze taak test niet alleen de probleemoplossende capaciteiten van het systeem, maar stelt ook in staat om te observeren hoe verschillende knooppunten en clusters op verschillende momenten van de taak essentieel worden.

Leren en Aanpassen in het AI-systeem

De reis van het kunstmatige systeem van novice naar expert in doolhofnavigatie is een getuigenis van de aanpasbaarheid van AI. Aanvankelijk had het systeem, net als een mens die een nieuwe vaardigheid leert, moeite met de taak en maakte het veel fouten. Echter, door een proces van trial and error en vervolgens feedback, verfijnde het systeem zijn aanpak.

Belangrijk is dat dit leren plaatsvond door veranderingen in de sterkte van de verbindingen tussen zijn berekeningsknooppunten, net zoals de synaptische plasticiteit die in de menselijke hersenen wordt waargenomen. Wat bijzonder fascinerend is, is hoe de fysieke beperkingen dit leerproces beïnvloedden. De moeilijkheid om verbindingen tussen verre knooppunten tot stand te brengen, betekende dat het systeem meer efficiënte, lokale oplossingen moest vinden, waardoor het energieverbruik en de efficiëntie van biologische hersenen werden nagebootst.

Ontwikkelende Kenmerken in het Kunstmatige Systeem

Naarmate het systeem evolueerde, begon het kenmerken te vertonen die verbluffend veel leken op die van de menselijke hersenen. Een van deze ontwikkelingen was de vorming van knooppunten – sterk verbonden knooppunten die als informatiekanalen door het netwerk fungeerden, net zoals neurale knooppunten in de menselijke hersenen.

Nog intrigerender was de verandering in de manier waarop individuele knooppunten informatie verwerkten. In plaats van een starre codering waarbij elk knooppunt verantwoordelijk was voor een specifiek aspect van het doolhof, namen de knooppunten een flexibele coderingsschema aan. Dit betekende dat een enkel knooppunt meerdere aspecten van het doolhof op verschillende momenten kon vertegenwoordigen, een kenmerk dat deed denken aan de aanpasbaarheid van neuronen in complexe organismen.

Professor Duncan Astle van de afdeling Psychiatrie van Cambridge benadrukte dit aspect, door te zeggen: “Deze eenvoudige beperking – het is moeilijker om knooppunten die ver uit elkaar liggen te verbinden – dwingt kunstmatige systemen om enkele vrij complexe kenmerken te produceren. Interessant genoeg zijn dit kenmerken die worden gedeeld door biologische systemen zoals de menselijke hersenen.”

Breder Implicaties

De implicaties van dit onderzoek gaan verder dan de domeinen van kunstmatige intelligentie en het begrijpen van menselijke cognitie. Door de beperkingen van de menselijke hersenen in een AI-systeem te repliceren, kunnen onderzoekers waardevolle inzichten verkrijgen in hoe deze beperkingen de organisatie van de hersenen vormen en bijdragen aan individuele cognitieve verschillen.

Deze aanpak biedt een uniek venster naar de complexiteit van de hersenen, met name bij het begrijpen van aandoeningen die cognitieve en mentale gezondheid beïnvloeden. Professor John Duncan van de MRC CBSU voegt hieraan toe: “Deze kunstmatige hersenen geven ons een manier om de rijke en verwarrende gegevens te begrijpen die we zien wanneer de activiteit van echte neuronen in echte hersenen wordt geregistreerd.”

Toekomst van AI-ontwerp

Dit baanbrekende onderzoek heeft significante implicaties voor de toekomstige ontwikkeling van AI-systemen. De studie illustreert levendig hoe het integreren van biologische principes, met name die met betrekking tot fysieke beperkingen, kan leiden tot efficiëntere en aanpasbaardere kunstmatige neurale netwerken.

Dr. Danyal Akarca van de MRC CBSU benadrukt dit, door te zeggen: “AI-onderzoekers proberen constant uit te vinden hoe ze complexe, neurale systemen kunnen maken die flexibel kunnen coderen en functioneren op een efficiënte manier. Om dit te bereiken, denken we dat neurobiologie ons veel inspiratie zal geven.”

Jascha Achterberg legt verder uit over het potentieel van deze bevindingen voor het bouwen van AI-systemen die menselijke probleemoplossende capaciteiten nauwkeurig nabootsen. Hij suggereert dat AI-systemen die uitdagingen aanpakken die vergelijkbaar zijn met die van mensen, waarschijnlijk structuren zullen ontwikkelen die lijken op die van de menselijke hersenen, met name wanneer ze opereren binnen fysieke beperkingen zoals energielimieten. “De hersenen van robots die in de echte fysieke wereld worden ingezet,” legt Achterberg uit, “zullen waarschijnlijk meer op onze hersenen lijken omdat ze dezelfde uitdagingen zullen tegenkomen als wij.”

Het onderzoek dat door het Cambridge-team is uitgevoerd, markeert een significante stap in het begrijpen van de parallellen tussen menselijke neurale systemen en kunstmatige intelligentie. Door fysieke beperkingen op te leggen aan een AI-systeem, hebben ze niet alleen sleutelkenmerken van de menselijke hersenen gerepliceerd, maar ook nieuwe wegen geopend voor het ontwerpen van meer efficiënte en aanpasbare AI.