AI Basert på Slow Brain Dynamics

Forskere ved Bar-llan University i Israel har brukt avanserte eksperimenter på nevrale kulturer og storskala simuleringer for å lage en ny ultrarask kunstig intelligens. Den nye AI er basert på den langsomme hjernedynamikken til mennesker. Disse hjernedynamikkene har bedre læringshastigheter sammenlignet med de beste læringsalgoritmene vi har i dag. 

Maskinlæring er faktisk sterkt relatert og basert på dynamikken i hjernen vår. Med hastigheten til moderne datamaskiner og deres store datasett, har vi vært i stand til å lage dype læringsalgoritmer som ligner på menneskelige eksperter på forskjellige felt. Imidlertid har disse læringsalgoritmene andre egenskaper enn menneskelige hjerner. 

Teamet av forskere ved universitetet publiserte arbeidet sitt i tidsskriftet Vitenskapelige rapporter. De jobbet for å koble sammen nevrovitenskap og avanserte algoritmer for kunstig intelligens, et felt som har vært forlatt i flere tiår. 

Professor Ido Kanter ved Bar-llan Universitys avdeling for fysikk og Gonda (Goldschmied) multidisiplinær hjerneforskning, og den ledende forfatteren av studien, kommenterte de to feltene. 

"Det nåværende vitenskapelige og teknologiske synspunktet er at nevrobiologi og maskinlæring er to distinkte disipliner som går frem uavhengig," sa han. "Fraværet av forventet gjensidig innflytelse er forvirrende." 

"Antall nevroner i en hjerne er mindre enn antall bits i en typisk platestørrelse for moderne personlige datamaskiner, og beregningshastigheten til hjernen er som sekundviseren på en klokke, enda langsommere enn den første datamaskinen som ble oppfunnet over 70 år siden, sa han. 

"I tillegg er hjernens læringsregler veldig kompliserte og fjernt fra prinsippene for læringstrinn i nåværende kunstig intelligensalgoritmer." 

Professor Kanter jobber med et forskningsteam som inkluderer Herut Uzan, Shira Sardi, Amir Goldental og Roni Vardi. 

Når det kommer til hjernedynamikk, håndterer de asynkrone innganger siden den fysiske virkeligheten endres og utvikler seg. På grunn av dette er det ingen synkronisering for nervecellene. Dette er annerledes med kunstig intelligens-algoritmer siden de er basert på synkrone innganger. Ulike innganger innenfor samme ramme og deres timing blir normalt ignorert. 

Professor Kanter fortsatte med å forklare denne dynamikken. 

«Når man ser fremover, observerer man umiddelbart en ramme med flere objekter. For eksempel, mens man kjører, observerer man biler, fotgjengerfelt og veiskilt, og kan enkelt identifisere deres tidsmessige rekkefølge og relative posisjoner, sa han. "Biologisk maskinvare (læringsregler) er designet for å håndtere asynkrone innganger og avgrense deres relative informasjon." 

Et av poengene som denne studien fremhever er at ultraraske læringsrater er omtrent de samme enten det er et lite eller stort nettverk. Ifølge forskerne er "ulempen med den kompliserte hjernens læringsplan faktisk en fordel." 

Studien viser også at læring kan skje uten læringstrinn. Det kan oppnås gjennom selvtilpasning basert på asynkrone innganger. I den menneskelige hjernen skjer denne typen læring i dendrittene, som er korte forlengelser av nerveceller, og forskjellige terminaler av hver nevron. Dette har blitt observert før. Tidligere ble det antatt å være uviktig at nettverksdynamikk under dendeitisk læring styres av svake vekter. 

Denne nye forskningen og funnene kan bety mange forskjellige ting. Disse effektive dyplæringsalgoritmene og deres likhet med den svært langsomme hjernens dynamikk kan bidra til å skape en ny klasse av avansert kunstig intelligens med raske datamaskiner. 

Studien presser også på for samarbeid mellom feltene nevrobiologi og kunstig intelligens, noe som kan hjelpe begge feltene videre. I følge forskergruppen, "Innsikt om grunnleggende prinsipper i hjernen vår må igjen være i sentrum for fremtidig kunstig intelligens."