Modellering av kunstige nevronettverk (ANN) etter dyrehjerner

Cold Spring Harbor Laboratory (CSHL) neuroscientist Anthony Zador har vist at evolusjon og dyrehjerner kan brukes som inspirasjon for maskinlæring. Dette kan være nyttig for å hjelpe AI å løse mange forskjellige problemer.

Ifølge CSHL-nevrolog Anthony Zador kan kunstig intelligens (AI) forbedres vesentlig ved å se på dyrehjerner. Med denne tilnærmingen har nevrologer og de som arbeider i AI-feltet en ny måte å løse noen av AI-s største problemer.

Anthony Zador, M.D., Ph.D., har viet mye av sin karriere til å forklare de komplekse nevronettverkene i den levende hjernen. Han går helt ned til den enkelte nevron. I begynnelsen av sin karriere fokuserte han på noe annet. Han studerte kunstige nevronettverk (ANN). ANN er datasystemer som har vært grunnlaget for mange av våre utviklinger i AI-sektoren. De er modellert etter nettverkene i både dyre- og menneskehjerner. Inntil nå har dette vært der konseptet stoppet.

En nylig perspektivartikkel, skrevet av Zador, ble publisert i Nature Communications. I den artikkelen beskrev Zador hvordan nye og forbedrede læringsalgoritmer hjelper AI-systemer å utvikle seg til et punkt der de langt overgår mennesker. Dette skjer i en rekke oppgaver, problemer og spill som sjakk og poker. Selv om noen av disse datamaskinene kan utføre svært godt i en rekke komplekse problemer, blir de ofte forvirret av ting som mennesker ville betrakte som enkle.

Hvis de som arbeider i dette feltet kunne løse dette problemet, kunne roboter nå et utviklingspunkt der de kunne lære å gjøre svært naturlige og organiske ting som å stalkere byttedyr eller bygge en rede. De kunne sogar gjøre noe som å vaske opp, noe som har vist seg å være ekstremt vanskelig for roboter.

“Tingene vi finner vanskelige, som abstrakt tenkning eller sjakkspill, er faktisk ikke de vanskelige tingene for maskiner. Tingene vi finner enkle, som å samhandle med den fysiske verden, det er det som er vanskelig,” forklarte Zador. “Grunden til at vi tror det er enkelt er at vi har hatt en halv milliard år med evolusjon som har koblet opp våre kretser så vi gjør det uten anstrengelse.”

Zador mener at hvis vi vil at roboter skal oppnå rask læring, noe som ville endre alt i sektoren, må vi kanskje ikke bare se på en perfeksjonert generell læringsalgoritme. Hva vitenskapsmenn og andre bør gjøre, er å se mot biologiske nevronettverk som er gitt til oss gjennom natur og evolusjon. Disse kunne brukes som en base for å bygge på for rask og enkel læring av bestemte typer oppgaver, oppgaver som er viktige for overlevelse.

Zador snakker om hva vi kan lære fra ekorn som lever i våre egne bakgårder hvis vi bare ser på genetikk, nevronettverk og genetisk predisposisjon.

“Du har ekorn som kan hoppe fra tre til tre innen få uker etter fødselen, men vi har ikke mus som lærer det samme. Hvorfor ikke?” sa Zador. “Det er fordi en er genetisk forutbestemt til å bli et tre-boende dyr.”

Zador tror at en ting som kan komme fra genetisk predisposisjon er den medfødte kretsen som er i et dyr. Den hjelper dyret og guider dens tidlige læring. Et av problemene med å koble dette til AI-verden er at nettverkene som brukes i maskinlæring, de som blir forfulgt av AI-eksperter, er mye mer generaliserte enn de i naturen.

Hvis vi kan nå et punkt der ANN når et utviklingspunkt der de kan modelleres etter tingene vi ser i naturen, kunne roboter begynne å utføre oppgaver som en gang var ekstremt vanskelige.