Onderzoekers krijgen inzicht in het maken van AI die denkt zoals wij

Onderzoekers van de Universiteit van Tokio hebben nieuwe inzichten verkregen in hoe een kunstmatige intelligentie (AI) kan worden gemaakt om te denken zoals wij. De onderzoekers schetsen hoe een robot kan worden geleerd om door een doolhof te navigeren door elektrische stimulatie van een cultuur van hersencellen die zijn verbonden met de robot. 

Het nieuwe onderzoek is gepubliceerd in Applied Physics Letters. 

Zenuwcellen als fysieke reservoir

De zenuwcellen, die neuronen zijn, werden gekweekt uit levende cellen. Ze fungeren als het fysieke reservoir dat de machine in staat stelt om coherente signalen te construeren, die worden beschouwd als homeostatische signalen. 

Deze signalen informeren de robot dat de omgeving binnen een bepaalde range wordt gehandhaafd en fungeren als een baseline terwijl het vrij door het doolhof beweegt. 

Tijdens de tests werden de neuronen in de celcultuur verstoord door een elektrische impuls telkens wanneer de robot de verkeerde richting insloeg of de verkeerde kant op keek. Gedurende alle proeven werd de robot continu gevoed met homeostatische signalen die werden onderbroken door storingssignalen totdat het in staat was om de doolhoptaak succesvol op te lossen. 

Doelgericht gedrag bereiken

Volgens de onderzoekers suggereren deze bevindingen dat doelgericht gedrag kan worden gegenereerd zonder enige aanvullende leerprocessen. Dit wordt bereikt door storingssignalen te sturen naar een geïncorporeerd systeem. De robot was volledig afhankelijk van de elektrische trial-and-error-impulsen, aangezien het de omgeving niet kon zien of sensorische informatie kon verkrijgen.

Hirokazu Takahashi is een associate professor of mechano-informatics.

“Ik zelf werd geïnspireerd door onze experimenten om de hypothese te formuleren dat intelligentie in een levend systeem ontstaat uit een mechanisme dat een coherente output extrahiert uit een ongeorganiseerde staat, of een chaotische staat,” zei Takahashi.

De onderzoekers gebruikten dit principe om te laten zien dat intelligentie in taakoplossing kan worden gegenereerd door het gebruik van fysieke reservoircomputers, waardoor de extractie van neuronale signalen mogelijk wordt. Dit maakt het ook mogelijk om homeostatische of storingssignalen te leveren, en al dit alles stelt de computer in staat om een reservoir te creëren dat begrijpt hoe de taak moet worden opgelost. 

“Het brein van een [basisschool]kind kan geen wiskundige problemen oplossen in een toelatingsexamen voor het college, mogelijk omdat de dynamica van het brein of hun ‘fysieke reservoircomputer’ niet rijk genoeg is,” zei Takahashi. “Taakoplossend vermogen wordt bepaald door hoe rijk een repertoire van spatiotemporele patronen het netwerk kan genereren.”

Volgens het team kan het gebruik van fysieke reservoircomputing in deze context bijdragen aan een beter begrip van hoe het brein werkt en kan het leiden tot de novelle ontwikkeling van een neuromorfische computer.