Fysiske begrensninger driver utviklingen av hjernelignende AI

I en banebrytende studie har Cambridge-forskere tatt en ny tilnærming til kunstig intelligens, og demonstrert hvordan fysiske begrensninger kan påvirke utviklingen av et AI-system.

Dette forskningsarbeidet, som minner om de utviklingsmessige og operative begrensningene i det menneskelige hjernen, tilbyr nye innsikter i utviklingen av komplekse neurale systemer. Ved å integrere disse begrensningene, speiler AI-systemet ikke bare aspekter av menneskelig intelligens, men avdekker også den intrikate balansen mellom ressursutgifter og informasjonsbehandlingseffektivitet.

Begrepet fysiske begrensninger i AI

Det menneskelige hjernen, et eksempel på naturlige neurale nettverk, utvikler seg og opererer innenfor en rekke fysiske og biologiske begrensninger. Disse begrensningene er ikke hindringer, men er avgjørende for å forme dens struktur og funksjon. Ifølge Jascha Achterberg, en Gates-stipendiat fra Medical Research Council Cognition and Brain Sciences Unit (MRC CBSU) ved University of Cambridge, “Ikke bare er hjernen dyktig til å løse komplekse problemer, den gjør det også mens den bruker svært lite energi. I vårt nye arbeid viser vi at å vurdere hjernens problemløsningsevner sammen med målet om å bruke så få ressurser som mulig, kan hjelpe oss til å forstå hvorfor hjerner ser ut som de gjør.”

Eksempelet og dets betydning

Cambridge-teamet startet et ambisiøst prosjekt for å skape et kunstig system som modellerer en svært forenklet versjon av hjernen. Dette systemet var distinkt i sin anvendelse av ‘fysiske’ begrensninger, lignende de i det menneskelige hjernen.

Hvert beregningsnod i systemet ble tildelt en bestemt plassering i et virtuelt rom, som etterligner den romlige organiseringen av neuroner. Jo større avstanden mellom to noder, jo mer utfordrende var kommunikasjonen, som speiler den neuronale organiseringen i menneskelige hjerner.

Dette virtuelle hjernen ble deretter bedt om å navigere i en labyrint, en forenklet versjon av labyrint-navigasjonsoppgavene som ofte gis til dyr i hjernestudier. Betydningen av denne oppgaven ligger i dens krav om at systemet skal integrere flere informasjonsstykker – som start- og slutt-plasseringer, og mellomliggende steg – for å finne den korteste ruten. Denne oppgaven tester ikke bare systemets problemløsningsevner, men tillater også observasjon av hvordan forskjellige noder og kluster blir kritiske på forskjellige stadier av oppgaven.

Læring og tilpasning i AI-systemet

Reisen til det kunstige systemet fra nybegynner til ekspert i labyrint-navigasjon er et vitnesbyrd om tilpasningen til AI. Først, systemet, likt et menneske som lærer en ny ferdighet, kjempet med oppgaven, og gjorde mange feil. Men gjennom en prosess av prøving og feil, og påfølgende tilbakemelding, raffinerte systemet gradvis sin tilnærming.

Kritisk var at denne læringen skjedde gjennom endringer i styrken på forbindelsene mellom dets beregningsnoder, som speiler den synaptiske plasticiteten observert i menneskelige hjerner. Det er særlig fascinerende å se hvordan de fysiske begrensningene påvirkte denne læringprosessen. Vanskeligheten med å etablere forbindelser mellom fjerne noder, betydde at systemet måtte finne mer effektive, lokale løsninger, og etterligner dermed den energi- og ressurs-effektiviteten sett i biologiske hjerner.

Framvoksende karakteristika i det kunstige systemet

Etterhvert som systemet utviklet seg, begynte det å vise karakteristika som var slående likt de i det menneskelige hjernen. En slik utvikling var dannelse av knutepunkter – høyt forbundne noder som fungerer som informasjonskanaler over nettverket, likt neurale knutepunkter i det menneskelige hjernen.

Enda mer intrigerende var skiftet i hvordan enkelt noder prosesserte informasjon. I stedet for en stiv kodning hvor hver node var ansvarlig for et bestemt aspekt av labyrinten, tok nodene i bruk en fleksibel kodningsskema. Dette betydde at en enkelt node kunne representere flere aspekter av labyrinten på forskjellige tidspunkter, en egenskap som minner om den adaptive naturen til neuroner i komplekse organismer.

Professor Duncan Astle fra Cambridge’s Department of Psychiatry fremhevet dette aspektet, og sa: “Denne enkle begrensningen – det er vanskeligere å koble noder som er langt fra hverandre – tvinger kunstige systemer til å produsere noen ganske kompliserte karakteristika. Interessant nok er disse karakteristika delt av biologiske systemer som det menneskelige hjernen.”

VIDERE IMPLIKASJONER

Implikasjonene av denne forskningen strekker seg langt utenfor området kunstig intelligens og inn i forståelsen av menneskelig kognisjon selv. Ved å replikere begrensningene i det menneskelige hjernen i et AI-system, kan forskere få uvurderlige innsikter i hvordan disse begrensningene former hjernens organisering og bidrar til individuelle kognitive forskjeller.

Dette tilnærmingen gir en unik vindu inn i kompleksiteten av hjernen, spesielt i forståelsen av tilstander som påvirker kognitiv og mental helse. Professor John Duncan fra MRC CBSU legger til: “Disse kunstige hjerner gir oss en måte å forstå den rike og forvirrende dataen vi ser når aktivitetene til virkelige neuroner blir registrert i virkelige hjerner.”

FREMtidens AI-DESIGN

Dette banebrytende forskningsarbeidet har betydelige implikasjoner for fremtidens design av AI-systemer. Studien illustrerer tydelig hvordan inkorporering av biologiske prinsipper, spesielt de relatert til fysiske begrensninger, kan føre til mer effektive og tilpasningsdyktige kunstige neurale nettverk.

Dr. Danyal Akarca fra MRC CBSU understreker dette, og sier: “AI-forskere prøver stadig å finne ut hvordan de kan lage komplekse, neurale systemer som kan kode og fungere på en fleksibel måte som er effektiv. For å oppnå dette, tror vi at nevrobiologien vil gi oss mye inspirasjon.”

Jascha Achterberg forklarer videre potensialet for disse funnene for å bygge AI-systemer som nært ligner menneskelige problemløsningsevner. Han foreslår at AI-systemer som håndterer utfordringer lignende de mennesker møter, sannsynligvis vil utvikle strukturer som ligner det menneskelige hjernen, spesielt når de opererer innen fysiske begrensninger som energibegrensninger. “Hjerner til roboter som er deployert i den virkelige fysiske verden,” forklarer Achterberg, “vil sannsynligvis se ut som våre hjerner fordi de kan møte de samme utfordringene som oss.”

Forskningen utført av Cambridge-teamet markerer et betydelig skritt i forståelsen av parallellene mellom menneskelige neurale systemer og kunstig intelligens. Ved å pålegge fysiske begrensninger på et AI-system, har de ikke bare replisert nøkkelkarakteristika av det menneskelige hjernen, men har også åpnet nye veier for å designe mer effektive og tilpasningsdyktige AI.