Naukowcy zyskują wgląd w to, jak sprawić, by sztuczna inteligencja myślała jak my

Naukowcy z Uniwersytetu Tokijskiego uzyskali nowe spostrzeżenia na temat tego, jak sztuczna inteligencja (AI) mogłaby być zaprojektowana, aby myślała jak ludzie. Naukowcy przedstawili, w jaki sposób robot mógłby być nauczony do nawigacji przez labirynt poprzez stymulację elektryczną kultury komórek nerwowych połączonych z robotem.

Nowe badania zostały opublikowane w Applied Physics Letters.

Komórki nerwowe jako fizyczny zbiornik

Komórki nerwowe, które są neuronami, zostały wyhodowane z żywych komórek. Działają one jako fizyczny zbiornik, który umożliwia maszynie tworzenie spójnych sygnałów, które są uważane za sygnały homeostazy.

Sygnały te informują robota, że środowisko jest utrzymywane w określonym zakresie i działają jako podstawa, gdy robot porusza się swobodnie przez labirynt.

W trakcie testów neurony w kulturze komórkowej były zaburzane przez impuls elektryczny, gdy robot zboczył z właściwego kierunku lub stanął twarzą do złej strony. W trakcie wszystkich testów robot był nieustannie karmiony sygnałami homeostazy przerywanymi przez sygnały zakłócające, aż do momentu, gdy robot był w stanie pomyślnie rozwiązać zadanie labiryntu.

Osiąganie zachowania ukierunkowanego na cel

Według naukowców, te odkrycia sugerują, że zachowanie ukierunkowane na cel może być generowane bez dodatkowego uczenia. To osiąga się przez wysyłanie sygnałów zakłócających do zabetonowanego systemu. Robot był całkowicie zależny od impulsów prób i błędów, ponieważ nie mógł zobaczyć środowiska ani uzyskać informacji sensorycznych.

Hirokazu Takahashi jest associate profesorem mechano-informatyki.

“Sam zostałem zainspirowany przez nasze eksperymenty, aby sformułować hipotezę, że inteligencja w żywym systemie pochodzi z mechanizmu wyodrębniania spójnego wyjścia z nieuporządkowanego stanu lub stanu chaotycznego”, powiedział Takahashi.

Naukowcy wykorzystali ten princip, aby pokazać, że inteligentne zdolności rozwiązywania zadań mogą być wytwarzane za pomocą komputerów zbiornikowych, umożliwiając wyodrębnianie sygnałów neuronalnych. To również umożliwia dostarczanie sygnałów homeostazy lub sygnałów zakłócających, a wszystko to pozwala komputerowi utworzyć zbiornik, który rozumie, jak rozwiązać zadanie.

“Mózg dziecka w wieku szkolnym nie jest w stanie rozwiązać zadań matematycznych na poziomie egzaminu wstępnego, prawdopodobnie dlatego, że dynamika mózgu lub ich ‘fizyczny komputer zbiornikowy’ nie jest wystarczająco bogaty”, powiedział Takahashi. “Zdolność rozwiązywania zadań jest określona przez to, jak bogaty repertuar wzorców przestrzennych i czasowych sieć może wygenerować.”

Według zespołu, użycie komputera zbiornikowego w tym kontekście mogłoby przyczynić się do lepszego zrozumienia, jak działa mózg, i mogłoby doprowadzić do nowego rozwoju komputera neuromorficznego.