Forskere får innsikt i å gjøre AI til å tenke som oss

Forskere fra Universitetet i Tokyo har fått noen nye innsikter i hvordan en kunstig intelligens (AI) kan gjøres til å tenke som oss. Forskerne beskriver hvordan en robot kan læres å navigere gjennom en labyrint ved å elektrisk stimulere en kultur av hjerneceller som er koblet til roboten. 

Den nye forskningen ble publisert i Applied Physics Letters. 

Nerveceller som fysisk reservoir

Nervecellene, som er nevroner, ble dyrket fra levende celler. De fungerer som det fysiske reservoir som gjør det mulig for maskinen å konstruere koherente signaler, som regnes som homeostatiske signaler. 

Disse signalene informerer roboten om at miljøet holdes innenfor et visst område, og de fungerer som en baseline når den beveger seg fritt gjennom labyrinten. 

I testingen ble nevronene i cellekulturen forstyrret av en elektrisk impuls hver gang roboten gikk feil vei eller vendte seg feil vei. Gjennom alle prøvene ble roboten kontinuerlig matet med homeostatiske signaler avbrutt av forstyrrelsesignalene til den klarte å løse labyrintoppgaven. 

Å oppnå målrettede atferd

Ifølge forskerne tyder disse funnene på at målrettede atferd kan genereres uten noen ekstra læring. Dette oppnås ved å sende forstyrrelsesignal til et inkorporert system. Roboten var helt avhengig av de elektriske prøve-og-feil-impulsene, siden den ikke kunne se miljøet eller få sanseinformasjon.

Hirokazu Takahashi er en assosiert professor i mekanoinformatikk.

“Jeg selv ble inspirert av våre eksperimenter til å hypotesere at intelligens i et levende system oppstår fra en mekanisme som trekker ut en koherent utgang fra en uorganisert tilstand, eller en kaotisk tilstand”, sa Takahashi.

Forskerne brukte dette prinsippet til å vise at intelligente oppgaveløsningsevner kan produseres gjennom bruk av fysiske reservoir-datamaskiner, som muliggjør uttrekk av nevronale signaler. Dette muliggjør også levering av homeostatiske eller forstyrrelsesignal, og all dette gjør det mulig for datamaskinen å skape et reservoir som forstår hvordan å løse oppgaven. 

“En hjernene til en grunnskoleelev er ikke i stand til å løse matematikkproblemer i en college-admisjonseksamen, kanskje fordi dynamikken i hjernen eller deres ‘fysiske reservoir-datamaskin’ ikke er rik nok,” sa Takahashi. “Oppgaveløsningsevne bestemmes av hvor rik en repertoar av rom-tidsmønster nettverket kan generere.”

Ifølge teamet kan bruk av fysisk reservoir-datamaskin i denne sammenhengen bidra til en bedre forståelse av hvordan hjernen fungerer, og det kan føre til utviklingen av en ny neuromorf datamaskin.