Modelowanie Sztucznych Sieci Neuronowych (ANN) Na Podstawie Mózgu Zwierząt

Naukowiec z Cold Spring Harbor Laboratory (CSHL) Anthony Zador wykazał, że ewolucja i mózgi zwierząt mogą być wykorzystywane jako inspiracja dla uczenia maszynowego. Może to być korzystne w pomocy sztucznej inteligencji w rozwiązywaniu wielu różnych problemów.

Według neurobiologa z CSHL Anthony’ego Zadora, sztuczna inteligencja (AI) może być znacznie udoskonalona poprzez spojrzenie na mózgi zwierząt. Z tego podejścia, neurobiolodzy i osoby pracujące w dziedzinie AI mają nowy sposób rozwiązywania niektórych z najbardziej palących problemów AI.

Anthony Zador, M.D., Ph.D., poświęcił dużą część swojej kariery wyjaśnianiu złożonych sieci neuronowych w żywym mózgu. Idzie tak daleko, że dochodzi do poszczególnych neuronów. Na początku swojej kariery, skupił się na czymś innym. Studiował sztuczne sieci neuronowe (ANN). ANN to systemy komputerowe, które były podstawą wielu naszych rozwojów w sektorze AI. Są one modelowane na sieciach zarówno w mózgach zwierząt, jak i ludzi. Do tej pory, to było tam, gdzie zakończył się ten koncept.

Ostatnio opublikowany artykuł perspektywiczny, napisany przez Zadora, ukazał się w Nature Communications. W tym artykule Zador szczegółowo opisał, jak nowe i udoskonalone algorytmy uczenia są pomocne w rozwoju systemów AI, które znacznie przewyższają ludzi w różnych zadaniach, problemach i grach, takich jak szachy i poker. Chociaż niektóre z tych komputerów są w stanie wykonywać zadania bardzo dobrze w różnych złożonych problemach, często są mylone przez rzeczy, które ludzie uważają za proste.

Jeśli osoby pracujące w tej dziedzinie byłyby w stanie rozwiązać ten problem, roboty mogłyby osiągnąć punkt w rozwoju, w którym mogłyby nauczyć się robić bardzo naturalne i organiczne rzeczy, takie jak polowanie na zwierzynę lub budowanie gniazda. Mogłyby nawet robić coś takiego, jak mycie naczyń, co okazało się bardzo trudne dla robotów.

„Rzeczy, które uważamy za trudne, takie jak abstrakcyjne myślenie lub gra w szachy, nie są tak naprawdę trudne dla maszyn. Rzeczy, które uważamy za łatwe, takie jak interakcja z fizycznym światem, to jest to, co jest trudne”, wyjaśnił Zador. „Powodem, dla którego uważamy, że jest to łatwe, jest to, że mieliśmy pół miliarda lat ewolucji, które zaprogramowały nasze obwody, abyśmy robili to bez wysiłku”.

Zador uważa, że jeśli chcemy, aby roboty osiągnęły szybkie uczenie, co zmieniłoby wszystko w sektorze, może nie chcemy patrzeć tylko na doskonały ogólny algorytm uczenia. To, co naukowcy i inni powinni zrobić, to spojrzeć w stronę biologicznych sieci neuronowych, które zostały nam dane przez naturę i ewolucję. Mogą one być użyte jako baza do budowy szybkiego i łatwego uczenia się określonych typów zadań, zadań, które są ważne dla przetrwania.

Zador mówi o tym, czego możemy nauczyć się od wiewiórek żyjących w naszym własnym ogrodzie, jeśli tylko spojrzymy na genetykę, sieci neuronowe i predyspozycje genetyczne.

„Masz wiewiórki, które mogą skakać z drzewa na drzewo w ciągu kilku tygodni po urodzeniu, ale nie masz myszy, które uczą się tego samego. Dlaczego nie?”, powiedział Zador. „To dlatego, że jeden z nich jest genetycznie predysponowany do zostania zwierzęciem żyjącym na drzewach”.

Zador wierzy, że jedną z rzeczy, które mogą wynikać z predyspozycji genetycznych, jest wrodzona obwodność, która jest w zwierzęciu. Pomaga zwierzęciu i kieruje jego wczesnym uczeniem. Jednym z problemów związanych z przywiązaniem tego do świata AI jest to, że sieci używane w uczeniu maszynowym, te, które są pożądane przez ekspertów AI, są znacznie bardziej uogólnione niż te w naturze.

Jeśli będziemy w stanie dojść do punktu, w którym ANN osiągną punkt w rozwoju, w którym mogą być modelowane na rzeczach, które widzimy w naturze, roboty mogą zacząć wykonywać zadania, które kiedyś były bardzo trudne.