Trí tuệ nhân tạo dựa trên động lực học não chậm

Các nhà khoa học tại Đại học Bar-llan ở Israel đã sử dụng các thí nghiệm tiên tiến trên các nền văn hóa thần kinh và mô phỏng quy mô lớn để tạo ra một trí tuệ nhân tạo siêu nhanh mới. Trí tuệ nhân tạo mới này dựa trên động lực học não chậm của con người. Những động lực học não đó có tốc độ học tập tốt hơn so với các thuật toán học tập tốt nhất mà chúng ta có ngày nay.

Học máy thực sự có liên quan chặt chẽ và dựa trên động lực học của não bộ chúng ta. Với tốc độ của máy tính hiện đại và các tập dữ liệu lớn, chúng ta đã có thể tạo ra các thuật toán học sâu giống như chuyên gia con người trong các lĩnh vực khác nhau. Tuy nhiên, các thuật toán học tập này có các đặc điểm khác với não bộ con người.

Đội ngũ các nhà khoa học tại trường đại học đã xuất bản công việc của họ trên tạp chí Scientific Reports. Họ đã làm việc để kết nối thần kinh học và các thuật toán trí tuệ nhân tạo tiên tiến, một lĩnh vực đã bị bỏ quên trong nhiều thập kỷ.

Giáo sư Ido Kanter của Khoa Vật lý và Nghiên cứu Não bộ Đa ngành Gonda (Goldschmied) tại Đại học Bar-llan, và là tác giả chính của nghiên cứu, đã bình luận về hai lĩnh vực này.

“Quan điểm khoa học và công nghệ hiện tại là thần kinh học và học máy là hai lĩnh vực riêng biệt phát triển độc lập,” ông nói. “Sự vắng mặt của ảnh hưởng tương hỗ dự kiến là khó hiểu.”

“Số lượng neuron trong não ít hơn số bit trong một đĩa cứng thông thường của máy tính cá nhân, và tốc độ tính toán của não giống như kim giây trên đồng hồ, thậm chí còn chậm hơn máy tính đầu tiên được phát minh hơn 70 năm trước,” ông nói.

“Ngoài ra, các quy tắc học tập của não rất phức tạp và xa rời khỏi các nguyên tắc của các bước học tập trong các thuật toán trí tuệ nhân tạo hiện tại.”

Giáo sư Kanter làm việc với một nhóm nghiên cứu bao gồm Herut Uzan, Shira Sardi, Amir Goldental và Roni Vardi.

Khi nói đến động lực học não, họ xử lý các đầu vào không đồng bộ vì thực tế vật lý thay đổi và phát triển. Do đó, không có sự đồng bộ hóa cho các tế bào thần kinh. Điều này khác với các thuật toán trí tuệ nhân tạo vì chúng dựa trên các đầu vào đồng bộ. Các đầu vào khác nhau trong cùng một khung và thời gian của chúng thường bị bỏ qua.

Giáo sư Kanter tiếp tục giải thích động lực này.

“Khi nhìn về phía trước, ngay lập tức chúng ta quan sát một khung với nhiều đối tượng. Ví dụ, trong khi lái xe, chúng ta quan sát các xe hơi, vạch qua đường và biển báo hiệu, và có thể dễ dàng xác định thứ tự thời gian và vị trí tương đối của chúng,” ông nói. “Phần cứng sinh học (các quy tắc học tập) được thiết kế để xử lý các đầu vào không đồng bộ và tinh chỉnh thông tin tương đối của chúng.”

Một trong những điểm mà nghiên cứu này chỉ ra là tốc độ học tập siêu nhanh là giống nhau cho dù đó là một mạng nhỏ hay lớn. Theo các nhà nghiên cứu, “nhược điểm của sơ đồ học tập phức tạp của não thực sự là một lợi thế.”

Nghiên cứu cũng cho thấy rằng học tập có thể diễn ra mà không cần các bước học tập. Nó có thể được thực hiện thông qua tự thích nghi dựa trên các đầu vào không đồng bộ. Trong não bộ con người, loại học tập này xảy ra trong các dendrit, là các phần mở rộng ngắn của các tế bào thần kinh, và các đầu cuối khác nhau của mỗi neuron. Điều này đã được quan sát trước đây. Trước đây, người ta tin rằng không quan trọng rằng động lực học mạng dưới học tập dendrit được kiểm soát bởi các trọng số yếu.

Những nghiên cứu và phát hiện mới này có thể có nhiều ý nghĩa khác nhau. Những thuật toán học sâu hiệu quả và sự tương似 của chúng với động lực học não chậm có thể giúp tạo ra một lớp mới của trí tuệ nhân tạo tiên tiến với máy tính nhanh.

Nghiên cứu cũng thúc đẩy sự hợp tác giữa các lĩnh vực thần kinh học và trí tuệ nhân tạo, điều này có thể giúp cả hai lĩnh vực phát triển进一步. Theo nhóm nghiên cứu, “Những hiểu biết về các nguyên tắc cơ bản của não bộ chúng ta phải được đặt lại vào trung tâm của trí tuệ nhân tạo trong tương lai.”