Mô hình hóa mạng lưới thần kinh nhân tạo (ANN) trên não động vật

Nhà thần kinh học Anthony Zador của Phòng thí nghiệm Cold Spring Harbor (CSHL) đã chỉ ra rằng sự tiến hóa và bộ não động vật có thể được sử dụng làm nguồn cảm hứng cho việc học máy. Nó có thể có ích trong việc giúp AI giải quyết nhiều vấn đề khác nhau. 

Theo nhà thần kinh học Anthony Zador của CSHL, Trí tuệ nhân tạo (AI) có thể được cải thiện rất nhiều bằng cách nghiên cứu bộ não động vật. Với cách tiếp cận này, các nhà thần kinh học và những người làm việc trong lĩnh vực AI có một cách mới để giải quyết một số vấn đề cấp bách nhất của AI. 

Anthony Zador, MD, Ph.D., đã dành phần lớn sự nghiệp của mình để giải thích mạng lưới thần kinh phức tạp trong bộ não sống. Anh ta đi sâu vào từng tế bào thần kinh. Khi bắt đầu sự nghiệp, anh ấy tập trung vào một điều gì đó khác biệt. Ông đã nghiên cứu mạng lưới thần kinh nhân tạo (ANN). ANN là hệ thống máy tính là nền tảng cho phần lớn sự phát triển của chúng tôi trong lĩnh vực AI. Chúng được mô phỏng theo mạng lưới trong cả bộ não động vật và con người. Cho đến bây giờ, đây là nơi khái niệm dừng lại. 

Một tác phẩm phối cảnh gần đây, của tác giả Zador, đã được xuất bản trên Truyền thông tự nhiên. Trong phần đó, Zador trình bày chi tiết cách các thuật toán học tập mới và cải tiến đang giúp các hệ thống AI phát triển đến mức chúng vượt trội hơn con người rất nhiều. Điều này xảy ra trong nhiều nhiệm vụ, vấn đề và trò chơi như cờ vua và bài xì phé. Mặc dù một số máy tính này có thể thực hiện rất tốt trong nhiều vấn đề phức tạp, nhưng chúng thường bị nhầm lẫn bởi những thứ mà con người chúng ta cho là đơn giản. 

Nếu những người làm việc trong lĩnh vực này có thể giải quyết vấn đề này, robot có thể đạt đến một điểm phát triển mà chúng có thể học cách làm những việc cực kỳ tự nhiên và hữu cơ như rình mồi hoặc xây tổ. Họ thậm chí có thể làm một việc gì đó như rửa bát đĩa, điều đã được chứng minh là cực kỳ khó khăn đối với robot. 

“Những thứ mà chúng ta thấy khó, như suy nghĩ trừu tượng hay chơi cờ, thực ra không phải là thứ khó đối với máy móc. Zador giải thích: “Những thứ mà chúng ta thấy dễ dàng, như tương tác với thế giới vật chất, thì đó lại là điều khó khăn.” “Lý do mà chúng tôi nghĩ rằng nó dễ dàng là vì chúng tôi đã có nửa tỷ năm tiến hóa đã kết nối các mạch của chúng tôi để chúng tôi làm điều đó một cách dễ dàng.”

Zador cho rằng nếu chúng ta muốn rô-bốt đạt được khả năng học hỏi nhanh chóng, một thứ có thể thay đổi mọi thứ trong lĩnh vực này, thì chúng ta có thể không chỉ muốn nhìn vào một thuật toán học tập tổng quát đã được hoàn thiện. Những gì các nhà khoa học và những người khác nên làm là hướng tới các mạng thần kinh sinh học đã được trao cho chúng ta thông qua tự nhiên và quá trình tiến hóa. Chúng có thể được sử dụng làm cơ sở để xây dựng để học nhanh chóng và dễ dàng các loại nhiệm vụ cụ thể, những nhiệm vụ quan trọng cho sự sống còn. 

Zador nói về những gì chúng ta có thể học được từ những con sóc sống trong sân sau của chính chúng ta nếu chúng ta chỉ nhìn vào di truyền học, mạng lưới thần kinh và khuynh hướng di truyền.

“Bạn có những con sóc có thể nhảy từ cây này sang cây khác trong vòng vài tuần sau khi sinh, nhưng chúng ta không có những con chuột học được điều tương tự. Tại sao không?" Zador nói. “Đó là bởi vì một người được xác định trước về mặt di truyền để trở thành một sinh vật sống trên cây.”

Zador tin rằng một thứ có thể đến từ khuynh hướng di truyền là mạch bẩm sinh bên trong động vật. Nó giúp con vật đó và hướng dẫn việc học sớm của nó. Một trong những vấn đề khi gắn điều này với thế giới AI là các mạng được sử dụng trong máy học, mạng được các chuyên gia AI theo đuổi, được khái quát hóa hơn nhiều so với mạng trong tự nhiên. 

Nếu chúng ta có thể đạt đến điểm mà ANN đạt đến điểm phát triển nơi chúng có thể được mô hình hóa theo những thứ chúng ta thấy trong tự nhiên, rô-bốt có thể bắt đầu thực hiện các nhiệm vụ mà tại một thời điểm cực kỳ khó khăn.