Forskare Får Insikt I Att Göra AI Tänka Som Oss

Forskare från Tokyos universitet har fått någon ny insikt i hur en artificiell intelligens (AI) kan göras för att tänka som oss. Forskarna beskriver hur en robot kan läras att navigera genom en labyrint genom att elektriskt stimulera en odling av hjärnceller som är anslutna till roboten.

Den nya forskningen publicerades i Applied Physics Letters.

Nervceller Som Fysisk Reservoar

Nervcellerna, som är neuroner, odlades från levande celler. De fungerar som den fysiska reservoaren som möjliggör för maskinen att konstruera sammanhängande signaler, som betraktas som homeostatiska signaler.

Dessa signaler informerar roboten om att miljön hålls inom ett visst område, och de fungerar som en baslinje när den rör sig fritt genom labyrinten.

Under testningen stördes neuronerna i cellkulturen av en elektrisk impuls varje gång roboten gick åt fel håll eller vände sig åt fel håll. Under alla försök matades roboten kontinuerligt med homeostatiska signaler som avbröts av störningssignalerna tills den kunde lösa labyrintuppgiften.

Att Uppnå Målinriktat Beteende

Enligt forskarna tyder dessa resultat på att målinriktat beteende kan genereras utan någon ytterligare inlärning. Detta uppnås genom att skicka störningssignaler till ett inkarnerat system. Roboten var helt beroende av de elektriska trial-and-error-impulserna eftersom den inte kunde se miljön eller få sensorisk information.

Hirokazu Takahashi är en biträdande professor i mechano-informatik.

“Jag, själv, blev inspirerad av våra experiment att hypotetisera att intelligens i ett levande system uppstår från en mekanism som extraherar en sammanhängande utdata från en oorganiserad tillstånd, eller en kaotisk tillstånd”, sa Takahashi.

Forskarna använde denna princip för att visa att intelligent uppgiftslösande förmåga kan produceras genom användning av fysiska reservdatorer, vilket möjliggör extrahering av neuronala signaler. Detta möjliggör också leverans av homeostatiska eller störningssignaler, och allt detta tillåter datorn att skapa en reservoar som förstår hur man löser uppgiften.

“En hjärna av [en] grundskoleelev kan inte lösa matematiska problem på en collegeinträdesexamen, möjligen för att hjärnans dynamik eller deras ‘fysiska reservdator’ inte är tillräckligt rik”, sa Takahashi. “Uppgiftslösande förmåga bestäms av hur rik en repertoar av rumsliga och tidsmässiga mönster nätverket kan generera.”

Enligt teamet kan användningen av fysisk reservdator i detta sammanhang bidra till en bättre förståelse av hur hjärnan fungerar, och det kan leda till den nya utvecklingen av en neuromorf dator.