Modellering av artificiella neuronnät (ANN) efter djurhjärnor

Cold Spring Harbor Laboratory (CSHL) neuroscientist Anthony Zador har visat att evolution och djurhjärnor kan användas som inspiration för maskinlärning. Det kan vara till nytta för att hjälpa AI lösa många olika problem.

Enligt CSHL neuroscientist Anthony Zador kan Artificiell Intelligens (AI) förbättras avsevärt genom att titta på djurhjärnor. Med detta tillvägagångssätt har neuroscientister och de som arbetar inom AI-fältet en ny metod för att lösa några av AI:s mest pressande problem.

Anthony Zador, M.D., Ph.D., har tillbringat en stor del av sin karriär med att förklara de komplexa neurala nätverken inom den levande hjärnan. Han går så långt ner som till den enskilda neuronen. I början av sin karriär fokuserade han på något annat. Han studerade artificiella neuronnät (ANN). ANN är datorsystem som har varit grunden för många av våra utvecklingar inom AI-sektorn. De är modellerade efter nätverken i både djur- och människohjärnor. Tills nu har detta varit där konceptet slutade.

En nylig perspektivartikel, skriven av Zador, publicerades i Nature Communications. I den artikeln beskrev Zador hur nya och förbättrade läralgoritmerna hjälper AI-system att utvecklas till en punkt där de överträffar människor avsevärt. Detta sker i en mängd olika uppgifter, problem och spel som schack och poker. Även om några av dessa datorer kan utföra så väl i en mängd komplexa problem, är de ofta förvirrade av saker som vi människor skulle betrakta som enkla.

Om de som arbetar inom detta område kunde lösa detta problem, kunde robotar nå en punkt i utvecklingen där de kunde lära sig att göra extremt naturliga och organiska saker som att stalka byte eller bygga ett bo. De kunde till och med göra något som att diska, vilket har visat sig vara extremt svårt för robotar.

“De saker som vi tycker är svåra, som abstrakt tanke eller schackspel, är faktiskt inte de svåra sakerna för maskiner. De saker som vi tycker är lätta, som interaktion med den fysiska världen, det är vad som är svårt”, förklarade Zador. “Anledningen till att vi tycker att det är lätt är att vi har haft en halv miljard år av evolution som har kopplat upp våra kretsar så att vi gör det utan ansträngning.”

Zador tycker att om vi vill att robotar ska uppnå snabb inlärning, något som skulle förändra allt inom sektorn, kanske vi inte bara ska titta på en perfekt allmän läralgoritm. Vad forskare och andra bör göra är att titta på biologiska neurala nätverk som har getts till oss genom naturen och evolution. Dessa kunde användas som en bas för att bygga på för snabb och lätt inlärning av specifika typer av uppgifter, uppgifter som är viktiga för överlevnad.

Zador talar om vad vi kan lära oss av ekorrar som lever i våra egna bakgårdar om vi bara tittar på genetik, neurala nätverk och genetisk predisposition.

“Du har ekorrar som kan hoppa från träd till träd inom några veckor efter födseln, men vi har inte möss som lär sig samma sak. Varför inte?” sa Zador. “Det är för att en är genetiskt förutbestämd att bli ett trädlevande djur.”

Zador tror att en sak som kan komma från genetisk predisposition är den medfödda kretsen som finns i ett djur. Den hjälper djuret och vägleder dess tidiga inlärning. Ett av problemen med att koppla detta till AI-världen är att nätverken som används inom maskinlärning, de som förföljs av AI-experter, är mycket mer generaliserade än de i naturen.

Om vi kan nå en punkt där ANN når en punkt i utvecklingen där de kan modelleras efter de saker vi ser i naturen, kan robotar börja göra uppgifter som tidigare var extremt svåra.