AI, ki temelji na dinamiki počasnih možganov

Znanstveniki z univerze Bar-llan v Izraelu so uporabili napredne eksperimente na nevronskih kulturah in obsežne simulacije, da bi ustvarili novo ultrahitro umetno inteligenco. Nova umetna inteligenca temelji na počasni možganski dinamiki ljudi. Ta možganska dinamika ima boljše stopnje učenja v primerjavi z najboljšimi učnimi algoritmi, ki jih imamo danes. 

Strojno učenje je dejansko močno povezano in temelji na dinamiki naših možganov. S hitrostjo sodobnih računalnikov in njihovimi velikimi nabori podatkov smo lahko ustvarili algoritme globokega učenja, ki so podobni človeškim strokovnjakom na različnih področjih. Vendar imajo ti učni algoritmi drugačne lastnosti kot človeški možgani. 

Ekipa znanstvenikov na univerzi je svoje delo objavila v reviji Znanstvena poročila. Delali so na povezovanju nevroznanosti in naprednih algoritmov umetne inteligence, področja, ki je bilo desetletja opuščeno. 

Profesor Ido Kanter z Oddelka za fiziko Univerze Bar-llan in multidisciplinarne raziskave možganov Gonda (Goldschmied) ter vodilni avtor študije je komentiral obe področji. 

"Trenutno znanstveno in tehnološko stališče je, da sta nevrobiologija in strojno učenje dve različni disciplini, ki napredujeta neodvisno," je dejal. "Odsotnost pričakovanega vzajemnega vpliva je bega." 

»Število nevronov v možganih je manjše od števila bitov v tipični velikosti diska sodobnih osebnih računalnikov, računalniška hitrost možganov pa je podobna sekundnemu kazalcu na uri, celo počasnejša od prvega računalnika, izumljenega več kot 70 let. pred leti,« je dejal. 

"Poleg tega so pravila učenja možganov zelo zapletena in oddaljena od načel učnih korakov v trenutnih algoritmih umetne inteligence." 

Profesor Kanter sodeluje z raziskovalno skupino, v kateri so Herut Uzan, Shira Sardi, Amir Goldental in Roni Vardi. 

Ko gre za možgansko dinamiko, se ukvarjajo z asinhronimi vložki, saj se fizična realnost spreminja in razvija. Zaradi tega ni sinhronizacije živčnih celic. Pri algoritmih umetne inteligence je to drugače, saj temeljijo na sinhronih vhodih. Različni vnosi znotraj istega okvirja in njihovi časi so običajno prezrti. 

Profesor Kanter je nadaljeval z razlago te dinamike. 

»Ko gledamo naprej, takoj opazimo okvir z več predmeti. Na primer, med vožnjo opazujemo avtomobile, prehode za pešce in prometne znake ter zlahka prepoznamo njihov časovni red in relativne položaje,« je dejal. "Biološka strojna oprema (pravila učenja) je zasnovana za obravnavo asinhronih vnosov in izboljšanje njihovih relativnih informacij." 

Ena od ugotovitev te študije je, da so ultrahitre stopnje učenja približno enake, ne glede na to, ali gre za majhno ali veliko omrežje. Po mnenju raziskovalcev je "pomanjkljivost zapletene sheme učenja možganov pravzaprav prednost." 

Študija tudi kaže, da lahko učenje poteka brez učnih korakov. To je mogoče doseči s samoprilagoditvijo, ki temelji na asinhronih vhodih. V človeških možganih se ta vrsta učenja dogaja v dendritih, ki so kratki podaljški živčnih celic, in različnih terminalih vsakega nevrona. To je bilo opaženo že prej. Prej se je verjelo, da ni pomembno, da dinamiko omrežja pod dendeitskim učenjem nadzirajo šibke uteži. 

Te nove raziskave in ugotovitve lahko pomenijo veliko različnih stvari. Ti učinkoviti algoritmi globokega učenja in njihova podobnost z dinamiko zelo počasnih možganov lahko pomagajo ustvariti nov razred napredne umetne inteligence s hitrimi računalniki. 

Študija spodbuja tudi sodelovanje med področji nevrobiologije in umetne inteligence, kar lahko obema področjema pomaga pri nadaljnjem napredku. Po mnenju raziskovalne skupine morajo biti "vpogledi v temeljna načela naših možganov ponovno v središču prihodnje umetne inteligence."