Mô hình hóa Mạng nơ-ron nhân tạo (ANNs) dựa trên Não động vật

Nhà khoa học thần kinh Cold Spring Harbor Laboratory (CSHL) Anthony Zador đã chỉ ra rằng 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 trí tuệ nhân tạo (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 quan trọng 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. Tại đầu sự nghiệp của mình, ông tập trung vào điều gì đó khác. Ông nghiên cứu các mạng nơ-ron nhân tạo (ANNs). ANNs là các hệ thống tính toán đã trở thành cơ sở của nhiều phát triển trong lĩnh vực AI. Chúng được mô hình hóa dựa trên các mạng trong cả não động vật và não người. Cho đến nay, đây là điểm mà khái niệm này dừng lại.

Một bài viết gần đây, được viết bởi Zador, đã được xuất bản trên Tạp chí Truyền thông Thiên nhiên. 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 thứ mà con người chúng ta coi là đơn giản.

Nếu những người làm việc trong lĩnh vực này có thể giải quyết được vấn đề này, robot có thể đạt đến một điểm trong sự phát triển mà chúng có thể học để làm những việc rất tự nhiên và hữu cơ như theo dõi con mồi hoặc xây dựng một tổ. Chúng thậm chí có thể làm những việc như rửa chén, điều mà đã chứng minh là rất khó khăn đối với robot.

“Những thứ mà chúng ta thấy khó, như tư duy trừu tượng hoặc chơi cờ vua, thực sự không phải là khó đối với máy móc. Những thứ mà chúng ta thấy dễ, như tương tác với thế giới vật lý, đó là điều khó khăn,” 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 nhìn vào một thuật toán học tổng quát hoàn hảo. Những gì các nhà khoa học và những người khác nên làm là nhìn vào các mạng nơ-ron sinh học đã được cung cấp cho chúng ta thông qua tự nhiên và tiến hóa. 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, những nhiệm vụ quan trọng cho sự sống còn.

Zador nói về những gì chúng ta có thể học từ những con sóc sống trong sân nhà của chúng ta nếu chúng ta chỉ nhìn vào di truyền, mạng nơ-ron và sự định hướng 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 được điều tương tự. Tại sao không?” Zador nói. “Điều đó là vì một trong số chúng được định sẵn di truyền để trở thành một sinh vật sống trên cây.”

Zador tin rằng một trong những điều có thể đến từ sự định hướng di truyền là các mạch nơ-ron bẩm sinh trong một con 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 học máy, những mạng mà các chuyên gia AI theo đuổi, là tổng quát hơn 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 trong sự phát triển mà chúng có thể được mô hình hóa dựa trên những thứ mà chúng ta thấy trong tự nhiên, robot có thể bắt đầu thực hiện các nhiệm vụ mà trước đây rất khó khăn.