Fysiska begränsningar driver utvecklingen av hjärnliknande AI

I en banbrytande studie har Cambridge-forskare tagit en ny approach till artificiell intelligens och visat hur fysiska begränsningar kan påverka utvecklingen av ett AI-system på ett djupgående sätt.

Denna forskning, som påminner om de utvecklingsmässiga och operativa begränsningarna i den mänskliga hjärnan, erbjuder nya insikter i utvecklingen av komplexa neurala system. Genom att integrera dessa begränsningar speglar AI-systemet inte bara aspekter av mänsklig intelligens, utan avslöjar också den intrikata balansen mellan resursåtgång och informationsbearbetningseffektivitet.

Konceptet fysiska begränsningar i AI

Den mänskliga hjärnan, ett mönster för naturliga neurala nätverk, utvecklas och fungerar inom en mängd fysiska och biologiska begränsningar. Dessa begränsningar är inte hinder, utan är avgörande för att forma dess struktur och funktion. I Jascha Achterbergs ord, en Gates-stipendiat från Medical Research Council Cognition and Brain Sciences Unit (MRC CBSU) vid University of Cambridge, “Inte bara är hjärnan bra på att lösa komplexa problem, den gör det också medan den använder mycket lite energi. I vårt nya arbete visar vi att om man betraktar hjärnans förmåga att lösa problem tillsammans med dess mål att använda så få resurser som möjligt, kan det hjälpa oss att förstå varför hjärnor ser ut som de gör.”

Experimentet och dess betydelse

Cambridge-teamet inledde ett ambitiöst projekt för att skapa ett artificiellt system som modellerar en starkt förenklad version av hjärnan. Detta system var distinkt i sin tillämpning av ‘fysiska’ begränsningar, liknande de i den mänskliga hjärnan.

<p Вар och en beräkningsnod inom systemet tilldelades en specifik plats i ett virtuellt utrymme, som imiterar den rumsliga organisationen av neuroner. Ju större avståndet mellan två noder, desto svårare var deras kommunikation, vilket speglar den neuronal organiseringen i mänskliga hjärnor.

Detta virtuella hjärnsystem fick sedan i uppgift att navigera en labyrint, en förenklad version av labyrintnavigeringsuppgifter som ofta ges till djur i hjärnstudier. Vikten av denna uppgift ligger i att systemet måste integrera flera bitar av information – såsom start- och slutpunkter, samt mellanliggande steg – för att hitta den kortaste vägen. Denna uppgift testar inte bara systemets förmåga att lösa problem, utan tillåter också observation av hur olika noder och kluster blir kritiska vid olika stadier av uppgiften.

Inlärning och anpassning i AI-systemet

Den artificiella systemets resa från nybörjare till expert inom labyrintnavigering är ett bevis på AI:s anpassningsförmåga. Initialt kämpade systemet, likt en människa som lär sig en ny färdighet, med uppgiften och gjorde många fel. Men genom en process av trial and error och efterföljande feedback förbättrade systemet gradvis sin metod.

Avgörande var att denna inlärning skedde genom förändringar i styrkan hos anslutningarna mellan dess beräkningsnoder, vilket speglar den synaptiska plasticiteten i mänskliga hjärnor. Vad som är särskilt fascinerande är hur de fysiska begränsningarna påverkade denna inlärningsprocess. Svårigheten att etablera anslutningar mellan avlägsna noder innebar att systemet måste hitta mer effektiva, lokala lösningar, vilket imiterar den energi- och resurseffektivitet som ses i biologiska hjärnor.

Framväxande egenskaper i det artificiella systemet

Allteftersom systemet utvecklades började det visa egenskaper som är förbluffande lika dem i den mänskliga hjärnan. En sådan utveckling var bildandet av nav – starkt sammanknutna noder som fungerar som informationskanaler över nätverket, liknande neurala nav i den mänskliga hjärnan.

Mer intressant var dock skiftet i hur enskilda noder bearbetade information. Istället för en rigid kodning där varje nod var ansvarig för ett specifikt aspekt av labyrinten, antog noderna en flexibel kodningsschema. Detta innebar att en enskild nod kunde representera flera aspekter av labyrinten vid olika tillfällen, en funktion som påminner om den adaptiva naturen hos neuroner i komplexa organismer.

Professor Duncan Astle från Cambridges avdelning för psykiatri betonade denna aspekt och sa: “Denna enkla begränsning – det är svårare att ansluta noder som är långt ifrån varandra – tvingar artificiella system att producera ganska komplicerade egenskaper. Intressant nog är dessa egenskaper delade av biologiska system som den mänskliga hjärnan.”

Större implikationer

Implikationerna av denna forskning sträcker sig långt bortom områdena för artificiell intelligens och in i förståelsen av mänsklig kognition. Genom att replikera begränsningarna i den mänskliga hjärnan i ett AI-system kan forskare få ovärderliga insikter i hur dessa begränsningar formar hjärnans organisation och bidrar till individuella kognitiva skillnader.

Denna metod erbjuder ett unikt fönster in i hjärnans komplexitet, särskilt när det gäller att förstå tillstånd som påverkar kognitiv och mental hälsa. Professor John Duncan från MRC CBSU tillägger: “Dessa artificiella hjärnor ger oss ett sätt att förstå den rika och förvirrande datan vi ser när aktiviteten hos riktiga neuroner registreras i riktiga hjärnor.”

Framtiden för AI-design

Denna banbrytande forskning har betydande implikationer för framtida design av AI-system. Studien visar tydligt hur inkorporering av biologiska principer, särskilt de som relaterar till fysiska begränsningar, kan leda till mer effektiva och anpassningsbara artificiella neurala nätverk.

Dr. Danyal Akarca från MRC CBSU understryker detta och säger: “AI-forskare försöker ständigt ta reda på hur man kan skapa komplexa, neurala system som kan koda och utföra på ett flexibelt sätt som är effektivt. För att uppnå detta tror vi att neurobiologi kommer att ge oss mycket inspiration.”

Jascha Achterberg förklarar vidare potentialen för dessa fynd för att bygga AI-system som nära imiterar mänskliga förmågor att lösa problem. Han föreslår att AI-system som hanterar utmaningar liknande de som människor står inför sannolikt kommer att utveckla strukturer som liknar den mänskliga hjärnan, särskilt när de opererar inom fysiska begränsningar som energibegränsningar. “Hjärnor i robotar som är utplacerade i den verkliga fysiska världen”, förklarar Achterberg, “kommer förmodligen att se ut som våra hjärnor eftersom de kan ställas inför samma utmaningar som vi.”

Forskningen som utförts av Cambridge-teamet markerar ett betydande steg i förståelsen av parallellerna mellan mänskliga neurala system och artificiell intelligens. Genom att införa fysiska begränsningar på ett AI-system har de inte bara replikerat nyckelkaraktäristika hos den mänskliga hjärnan, utan har också öppnat nya vägar för design av mer effektiv och anpassningsbar AI.