Физические ограничения стимулируют эволюцию искусственного интеллекта, подобного мозгу

В новаторском проведенное исследованиеУченые из Кембриджа применили новый подход к искусственному интеллекту, продемонстрировав, как физические ограничения могут глубоко повлиять на развитие системы искусственного интеллекта.

Это исследование, напоминающее об ограничениях развития и функционирования человеческого мозга, предлагает новое понимание эволюции сложных нейронных систем. Интегрируя эти ограничения, ИИ не только отражает аспекты человеческого интеллекта, но и раскрывает сложный баланс между расходом ресурсов и эффективностью обработки информации.

Концепция физических ограничений в ИИ

Человеческий мозг, образец естественных нейронных сетей, развивается и функционирует в условиях множества физических и биологических ограничений. Эти ограничения не являются помехой, а играют важную роль в формировании его структуры и функций. По словам Яши Ахтерберга, стипендиата Фонда Гейтса из Отделения когнитивных и мозговых наук Медицинского исследовательского совета (MRC CBSU) Кембриджского университета: «Мозг не только отлично справляется с решением сложных задач, но и делает это, потребляя очень мало энергии. В нашей новой работе мы показываем, что рассмотрение способности мозга решать задачи в сочетании с его стремлением тратить как можно меньше ресурсов может помочь нам понять, почему мозг выглядит именно так».

Эксперимент и его значение

Команда Кембриджа приступила к амбициозному проекту по созданию искусственной системы, моделирующей сильно упрощённую версию мозга. Эта система отличалась применением «физических» ограничений, во многом схожих с теми, что действуют в человеческом мозге.

Каждому вычислительному узлу внутри системы было назначено определенное место в виртуальном пространстве, имитирующее пространственную организацию нейронов. Чем больше расстояние между двумя узлами, тем сложнее их общение, что отражает организацию нейронов в человеческом мозге.

Затем этому виртуальному мозгу было поручено пройти лабиринт – упрощённую версию задач по навигации в лабиринте, часто предлагаемых животным в исследованиях мозга. Важность этой задачи заключается в том, что она требует от системы интеграции множества фрагментов информации, таких как начальное и конечное местоположение, а также промежуточные этапы, для поиска кратчайшего пути. Эта задача не только проверяет способность системы решать задачи, но и позволяет наблюдать, как различные узлы и кластеры становятся критически важными на разных этапах выполнения задачи.

Обучение и адаптация в системе искусственного интеллекта

Путь искусственной системы от новичка до эксперта в навигации по лабиринтам является свидетельством адаптивности ИИ. Первоначально система, подобно тому, как человек осваивает новый навык, с трудом справлялась с задачей, допуская многочисленные ошибки. Однако в процессе проб и ошибок и последующей обратной связи система постепенно усовершенствовала свой подход.

Важно отметить, что это обучение происходило посредством изменения силы связей между вычислительными узлами, что отражало синаптическую пластичность, наблюдаемую в человеческом мозге. Особенно интересно то, как физические ограничения влияли на этот процесс обучения. Сложность установления связей между удалёнными узлами означала, что системе приходилось искать более эффективные, локализованные решения, тем самым имитируя эффективность использования энергии и ресурсов, наблюдаемую в биологическом мозге.

Новые характеристики искусственной системы

По мере развития системы она начала проявлять характеристики, поразительно похожие на характеристики человеческого мозга. Одним из таких событий стало формирование хабов — узлов с высокой степенью связи, действующих как каналы передачи информации в сети, наподобие нейронных хабов в человеческом мозге.

Однако более интригующим оказался сдвиг в том, как отдельные узлы обрабатывают информацию. Вместо жесткого кодирования, при котором каждый узел отвечал за определенный аспект лабиринта, узлы приняли гибкую схему кодирования. Это означало, что один узел мог представлять несколько аспектов лабиринта в разное время — особенность, напоминающая адаптивную природу нейронов в сложных организмах.

Профессор Дункан Астл с кафедры психиатрии Кембриджа подчеркнул этот аспект, заявив: «Это простое ограничение — сложнее соединять узлы, расположенные далеко друг от друга — вынуждает искусственные системы демонстрировать довольно сложные характеристики. Примечательно, что эти характеристики свойственны и биологическим системам, таким как человеческий мозг».

Более широкие последствия

Значение этого исследования выходит далеко за рамки искусственного интеллекта и касается понимания самого человеческого познания. Воспроизведя ограничения человеческого мозга в системе искусственного интеллекта, исследователи могут получить бесценную информацию о том, как эти ограничения формируют организацию мозга и способствуют индивидуальным когнитивным различиям.

Этот подход дает уникальное представление о сложностях мозга, особенно в понимании условий, влияющих на когнитивное и психическое здоровье. Профессор Джон Дункан из MRC CBSU добавляет: «Эти искусственные мозги дают нам возможность понять богатые и сбивающие с толку данные, которые мы видим, когда активность реальных нейронов записывается в реальном мозге».

Будущее ИИ-дизайна

Это новаторское исследование имеет важное значение для будущего проектирования систем искусственного интеллекта. Исследование наглядно иллюстрирует, как включение биологических принципов, особенно тех, которые связаны с физическими ограничениями, может привести к созданию более эффективных и адаптивных искусственных нейронных сетей.

Доктор Даньял Акарджа из MRC CBSU подчеркивает это, заявляя: «Исследователи ИИ постоянно пытаются разработать сложные нейронные системы, которые могут кодировать и работать гибко и эффективно. Мы думаем, что для достижения этой цели нейробиология даст нам много вдохновения».

Яша Ахтерберг далее подробно останавливается на потенциале этих результатов для создания систем искусственного интеллекта, которые точно имитируют человеческие способности решать проблемы. Он предполагает, что системы искусственного интеллекта, решающие проблемы, аналогичные тем, с которыми сталкиваются люди, вероятно, разовьют структуры, напоминающие человеческий мозг, особенно при работе в рамках физических ограничений, таких как ограничения энергии. «Мозг роботов, работающих в реальном физическом мире, — объясняет Ахтерберг, — вероятно, будет больше похож на наш мозг, потому что они могут столкнуться с теми же проблемами, что и мы».

Исследование, проведенное командой Кембриджа, знаменует собой значительный шаг в понимании параллелей между нейронными системами человека и искусственным интеллектом. Наложив физические ограничения на систему ИИ, они не только воспроизвели ключевые характеристики человеческого мозга, но и открыли новые возможности для разработки более эффективного и адаптируемого ИИ.