การสร้างแบบจำลองเครือข่ายประสาทเทียม (ANNs) ตามสมองของสัตว์

นักวิทยาศาสตร์สมองจาก Cold Spring Harbor Laboratory (CSHL) Anthony Zador ได้แสดงให้เห็นว่าวิวัฒนาการและสมองของสัตว์สามารถใช้เป็นแรงบันดาลใจสำหรับการเรียนรู้ของเครื่องจักรได้ ซึ่งสามารถช่วยให้ AI แก้ปัญหาได้หลากหลาย

ตามที่ Anthony Zador นักวิทยาศาสตร์สมองจาก CSHL ระบุว่า AI สามารถปรับปรุงได้โดยการมองไปที่สมองของสัตว์ ด้วยวิธีนี้ นักวิทยาศาสตร์สมองและผู้ที่ทำงานในด้าน AI มีวิธีใหม่ในการแก้ปัญหาบางอย่างที่ยากที่สุดของ AI

Anthony Zador, M.D., Ph.D. ได้อุทิศชีวิตการทำงานของเขาในการอธิบายเครือข่ายประสาทที่ซับซ้อนภายในสมอง โดยไปถึงระดับของเซลล์ประสาทเดี่ยวๆ ในช่วงต้นของอาชีพการงาน เขาได้ศึกษาการสร้างแบบจำลองเครือข่ายประสาทเทียม (ANNs) ซึ่งเป็นระบบคอมพิวเตอร์ที่เป็นพื้นฐานของการพัฒนาของเราในด้าน AI ANNs ถูกสร้างขึ้นตามเครือข่ายในสมองของสัตว์และมนุษย์ จนถึงตอนนี้ นี่คือจุดที่แนวคิดหยุดอยู่

บทความที่เขียนโดย Zador ได้รับการตีพิมพ์ใน Nature Communications ในบทความนั้น Zador ได้อธิบายถึงการเรียนรู้ของ AI ที่ดีขึ้นและพัฒนาการของ AI ที่สามารถทำได้ดีกว่ามนุษย์ในหลายๆ งาน ปัญหา และเกม เช่น หมากรุกและโป๊กเกอร์ แม้ว่าคอมพิวเตอร์บางเครื่องจะสามารถทำงานได้ดีในหลายๆ ปัญหา แต่ก็ยังสามารถสับสนได้ง่ายๆ กับสิ่งที่มนุษย์ถือว่าเรียบง่าย

หากผู้ที่ทำงานในด้านนี้สามารถแก้ปัญหาได้ โรบอทจะสามารถพัฒนาได้จนถึงจุดที่สามารถเรียนรู้และทำสิ่งที่เป็นธรรมชาติและเป็นของจริง เช่น การล่าเหยื่อหรือการสร้างรัง โรบอทอาจจะสามารถทำสิ่งที่มนุษย์ทำได้ง่ายๆ เช่น การล้างจาน ซึ่งเป็นสิ่งที่ยากสำหรับโรบอท

“สิ่งที่เราพบว่ายาก เช่น การคิดอย่างสูงหรือการเล่นหมากรุก จริงๆ แล้วไม่ใช่สิ่งที่ยากสำหรับเครื่องจักร สิ่งที่เราพบว่าเรียบง่าย เช่น การโต้ตอบกับโลกแห่งความเป็นจริง นั่นคือสิ่งที่ยาก” Zador อธิบาย “สาเหตุที่เราเห็นว่ามันง่ายเพราะว่าเราได้มีการวิวัฒนาการมา 5 พันล้านปี ซึ่งได้เชื่อมต่อวงจรของเราให้สามารถทำได้อย่างไม่มีปัญหา”

Zador คิดว่าหากเราต้องการให้โรบอทเรียนรู้ได้อย่างรวดเร็ว ซึ่งจะเปลี่ยนแปลงทุกอย่างในด้านนี้ เราอาจไม่ต้องการมองหาคำสั่งการเรียนรู้ที่สมบูรณ์แบบเท่านั้น สิ่งที่นักวิทยาศาสตร์และผู้อื่นควรทำคือมองไปที่เครือข่ายประสาททางชีววิทยาที่ได้รับจากธรรมชาติและวิวัฒนาการ ซึ่งสามารถใช้เป็นพื้นฐานในการสร้างการเรียนรู้ที่รวดเร็วและง่ายๆ สำหรับงานที่สำคัญต่อการอยู่รอด

Zador พูดถึงสิ่งที่เราสามารถเรียนรู้จากกระต่ายที่อาศัยอยู่ในบ้านเรือนของเราเอง หากเรามองไปที่พันธุกรรม เครือข่ายประสาท และการมีแนวโน้มทางพันธุกรรม

“คุณมีกระต่ายที่สามารถกระโดดจากต้นไม้ไปต้นไม้ภายในไม่กี่สัปดาห์หลังจากเกิด แต่เรามีสัตว์ไม่ได้เรียนรู้สิ่งเดียวกัน ทำไม” Zador กล่าว “เพราะว่าหนึ่งในนั้นถูกกำหนดโดยพันธุกรรมให้เป็นสัตว์ที่อาศัยอยู่บนต้นไม้”

Zador เชื่อว่าสิ่งหนึ่งที่สามารถเกิดขึ้นจากแนวโน้มทางพันธุกรรมคือวงจรที่อยู่ภายในสัตว์ ซึ่งช่วยให้สัตว์เรียนรู้ได้ง่ายๆ ในช่วงแรกของชีวิต หนึ่งในปัญหาที่เกิดขึ้นเมื่อนำสิ่งนี้ไปใช้กับโลก AI คือเครือข่ายที่ใช้ในการเรียนรู้ของเครื่องจักร ซึ่งถูกตาม đuổiโดยผู้เชี่ยวชาญ AI มีความหลากหลายมากกว่าเครือข่ายในธรรมชาติ

หากเราสามารถพัฒนา ANNs จนถึงจุดที่สามารถสร้างแบบจำลองตามสิ่งที่เราเห็นในธรรมชาติได้ โรบอทจะสามารถเรียนรู้และทำสิ่งที่เคยยากมาก่อนหน้านี้ได้