Mô hình Mạng nơ-ron nhân tạo (ANNs) Trên Não động vật

Nhà khoa học thần kinh Cold Spring Harbor Laboratory (CSHL) Anthony Zador đã chỉ ra rằng sự tiến hóa và não động vật có thể được sử dụng làm nguồn cảm hứng cho học máy. Điều này có thể mang lại lợi ích trong việc giúp AI giải quyết nhiều vấn đề khác nhau. 

Theo nhà khoa học thần kinh CSHL Anthony Zador, Trí tuệ nhân tạo (AI) có thể được cải thiện đáng kể bằng cách nhìn vào não động vật. Với cách tiếp cận này, các nhà khoa học thần kinh và những người làm việc trong lĩnh vực AI có một cách mới để giải quyết một số vấn đề bức xúc nhất của AI. 

Anthony Zador, M.D., Ph.D., đã dành phần lớn sự nghiệp của mình để giải thích các mạng nơ-ron phức tạp trong não sống. Ông đi sâu vào từng nơ-ron riêng lẻ. Ở đầu sự nghiệp của mình, ông tập trung vào điều gì đó khác. Ông đã nghiên cứu các mạng nơ-ron nhân tạo (ANNs). ANNs là hệ thống tính toán đã là nền tảng của nhiều phát triển trong lĩnh vực AI. Chúng được mô hình hóa dựa trên các mạng trong não động vật và não người. Cho đến nay, đây là nơi khái niệm dừng lại. 

Một bài viết gần đây, được viết bởi Zador, đã được xuất bản trên Nature Communications. Trong bài viết đó, Zador đã mô tả cách các thuật toán học mới và cải tiến đang giúp các hệ thống AI phát triển đến mức chúng vượt trội so với con người. Điều này xảy ra trong nhiều nhiệm vụ, vấn đề và trò chơi như cờ vua và poker. 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 điều mà con người chúng ta coi 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 thực hiện các hành động tự nhiên và hữu cơ như theo dõi con mồi hoặc xây dựng một tổ. Chúng thậm chí có thể làm điều gì đó như rửa chén, điều mà đã chứng minh là cực kỳ khó khăn cho robot. 

“Những điều mà chúng ta thấy khó, như tư duy trừu tượng hoặc chơi cờ vua, thực sự không phải là điều khó đối với máy móc. Những điều mà chúng ta thấy dễ, như tương tác với thế giới vật lý, đó là điều khó,” Zador giải thích. “Lý do chúng ta nghĩ nó dễ là vì chúng ta đã có nửa tỷ năm tiến hóa đã kết nối các mạch của chúng ta để chúng ta làm điều đó một cách dễ dàng.”

Zador nghĩ rằng nếu chúng ta muốn robot đạt được khả năng học nhanh, điều mà sẽ thay đổi mọi thứ trong lĩnh vực này, chúng ta có thể không chỉ muốn nhìn vào một thuật toán học tổng quát hoàn hảo. Điều mà các nhà khoa học và những người khác nên làm là nhìn vào các mạng nơ-ron sinh học đã được thiên nhiên và tiến hóa trao cho chúng. Những mạng này có thể được sử dụng làm cơ sở để xây dựng khả năng học nhanh và dễ dàng cho các nhiệm vụ cụ thể, các 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 chúng ta nếu chúng ta chỉ nhìn vào di truyền, mạng nơ-ron và sự sẵn sàng di truyền.

“Bạn có những con sóc có thể nhảy từ cây này sang cây khác trong vài tuần sau khi sinh, nhưng chúng ta không có chuột học điều tương tự. Tại sao không?” Zador nói. “Điều đó là vì một trong số chúng được quyết định di truyền để trở thành một sinh vật sống trên cây.”

Zador tin rằng một điều mà có thể đến từ sự sẵn sàng di truyền là mạch nơ-ron bẩm sinh trong một con vật. Nó giúp con vật và hướng dẫn việc học tập sớm của nó. Một trong những vấn đề khi gắn điều này với thế giới AI là các mạng được sử dụng trong học máy, những mạng được theo đuổi bởi các chuyên gia AI, là tổng quát hơn nhiều so với những mạng trong tự nhiên. 

Nếu chúng ta có thể đạt đến một điểm mà các mạng nơ-ron nhân tạo (ANNs) đạt đến một điểm phát triển mà chúng có thể được mô hình hóa dựa trên những gì chúng ta thấy trong tự nhiên, robot có thể bắt đầu thực hiện các nhiệm vụ mà một thời điểm đã cực kỳ khó khăn.