Фізичні обмеження сприяють еволюції штучного інтелекту, подібного до мозку

У революційному дослідженні вчені з Кембриджа підійшли до штучного інтелекту з нової сторони, продемонструвавши, як фізичні обмеження можуть суттєво впливати на розвиток системи штучного інтелекту.

Це дослідження, яке нагадує розвиток і операційні обмеження людського мозку, пропонує нові ідеї щодо еволюції складних нейронних систем. Інтегруючи ці обмеження, штучний інтелект не тільки відображає аспекти людської інтелектуальності, але також розкриває складний баланс між витратами ресурсів і ефективністю обробки інформації.

Концепція фізичних обмежень у штучному інтелекті

Лудський мозок, зразок природних нейронних мереж, розвивається і функціонує у межах багатьох фізичних і біологічних обмежень. Ці обмеження не є перешкодами, а є інструментальними у формуванні його структури і функції. За словами Джаски Ахтерберга, стипендіата Ґейтса від Медичного дослідницького ради з когнітивної науки та науки про мозок (MRC CBSU) у Кембриджському університеті, “Не тільки мозок добре справляється з складними проблемами, але й робить це, використовуючи дуже мало енергії. У нашій новій роботі ми показуємо, що考虑 проблемних можливостей мозку разом з його цілями щодо мінімальних витрат ресурсів може допомогти нам зрозуміти, чому мозок виглядає так, як він виглядає.”

Експеримент і його значення

Кембриджська команда розпочала амбіційний проєкт з створення штучної системи, яка моделює високо спрощену версію мозку. Ця система була відмінна у застосуванні “фізичних” обмежень, подібних до тих, які існують у людському мозку.

Кожний обчислювальний вузол у системі був призначений для конкретного місця у віртуальному просторі, імітуючи просторову організацію нейронів. Чим більша відстань між двома вузлами, тим складніше їхнє спілкування, що нагадує нейронну організацію у людському мозку.

Цей віртуальний мозок потім був поставлений перед завданням навігації у лабіринті, спрощеної версії завдань навігації у лабіринті, які часто даються тваринам у дослідженнях мозку. Важливість цього завдання полягає у тому, що система повинна інтегрувати кілька частин інформації – таких як початкова і кінцева точки, а також проміжні кроки – щоб знайти найкоротший шлях. Це завдання не тільки перевіряє проблемні можливості системи, але також дозволяє спостерігати, як різні вузли і кластери стають критичними на різних етапах завдання.

Навчання і адаптація у штучній системі

Подорож штучної системи від новачка до експерта у навігації лабіринтом є свідченням адаптивності штучного інтелекту. Спочатку система, подібна до людини, яка вчиться новому навичку, боролася з завданням, робила численні помилки. Однак через процес спроб і помилок та подальшої зворотної зв’язки система поступово удосконалювала свій підхід.

Вирішальне значення мало те, що це навчання відбувалося через зміни сили зв’язків між обчислювальними вузлами, що нагадує синаптичну пластичність, спостережувану у людському мозку. Що особливо цікаво, так це те, як фізичні обмеження вплинули на цей процес навчання. Складність у встановленні зв’язків між віддаленими вузлами означала, що система повинна була знайти більш ефективні, локалізовані рішення, тим самим імітуючи енергетичну і ресурсну ефективність, спостережувану у біологічних мозках.

Виникнення характеристик у штучній системі

Під час еволюції система почала демонструвати характеристики, що були вражаюче схожі на ті, які спостерігаються у людському мозку. Одним з таких розвитків було формування хабів – високо зв’язаних вузлів, які діяли як інформаційні канали по всій мережі, подібні до нейронних хабів у людському мозку.

Більше того, було цікаво спостерігати зміну того, як окремі вузли обробляли інформацію. Замість жорсткого кодування, коли кожен вузол був відповідальним за конкретний аспект лабіринту, вузли прийняли гнучкий кодувальний схему. Це означало, що один вузол міг представляти кілька аспектів лабіринту в різні часи, що нагадує адаптивну природу нейронів у складних організмах.

Професор Дункан Астл з кафедри психіатрії Кембриджського університету підкреслив цей аспект, заявивши: “Це просте обмеження – воно робить вузли, які знаходяться далеко один від одного, важче підключити – змушує штучні системи створювати досить складні характеристики. Цікаво, що ці характеристики є спільними для біологічних систем, таких як людський мозок.”

Ширші наслідки

Наслідки цього дослідження виходять далеко за межі штучного інтелекту і проникають у розуміння людської когнітивної діяльності. Відтворюючи обмеження людського мозку у штучній системі, дослідники можуть отримати безцінні ідеї щодо того, як ці обмеження формують організацію мозку і внесок у індивідуальні когнітивні відмінності.

Цей підхід пропонує унікальне вікно у складності мозку, особливо у розумінні станів, які впливають на когнітивне і психічне здоров’я. Професор Джон Дункан з MRC CBSU додає: “Ці штучні мозки дають нам можливість зрозуміти багатий і дивовижний дані, які ми бачимо, коли реєструється активність реальних нейронів у реальних мозках.”

Майбутнє проектування штучного інтелекту

Це революційне дослідження має суттєві наслідки для майбутнього проектування систем штучного інтелекту. Дослідження яскраво демонструє, як включення біологічних принципів, особливо тих, що пов’язані з фізичними обмеженнями, може привести до більш ефективних і адаптивних штучних нейронних мереж.

Доктор Данієль Акарка з MRC CBSU підкреслює це, заявляючи: “Дослідники штучного інтелекту постійно намагаються зрозуміти, як створити складні, нейронні системи, які можуть кодувати і виконувати гнучкий спосіб, який є ефективним. Щоб досягти цього, ми думаємо, що нейробіологія дасть нам багато натхнення.”

Джаска Ахтерберг далі роз’яснює потенціал цих відкриттів для створення систем штучного інтелекту, які тісно імітують людські проблемні можливості. Він припускає, що системи штучного інтелекту, які справляються з проблемами, подібними до тих, з якими стикаються люди, ймовірно, розвинуть структури, подібні до людського мозку, особливо коли вони працюють у фізичних обмеженнях, таких як обмеження енергії. “Мозки роботів, які розгортаються у реальному фізичному світі”, – пояснює Ахтерберг, – “ймовірно, будуть виглядати подібно до наших мозків, оскільки вони можуть зіткнутися з тими ж проблемами, з якими стикаємося ми”.

Дослідження, проведене Кембриджською командою, є суттєвим кроком у розумінні паралелей між людськими нейронними системами і штучним інтелектом. Імпонуючи фізичні обмеження на систему штучного інтелекту, вони не тільки відтворили ключові характеристики людського мозку, але також відкрили нові шляхи для проектування більш ефективних і адаптивних систем штучного інтелекту.