Những hạn chế về mặt vật lý thúc đẩy sự phát triển của AI giống não

Trong một đột phá nghiên cứuCác nhà khoa học Cambridge đã thực hiện một cách tiếp cận mới đối với trí tuệ nhân tạo, chứng minh những hạn chế về mặt vật lý có thể ảnh hưởng sâu sắc đến sự phát triển của hệ thống AI như thế nào.

Nghiên cứu này gợi nhớ đến những hạn chế về phát triển và hoạt động của bộ não con người, đưa ra những hiểu biết mới về sự phát triển của các hệ thống thần kinh phức tạp. Bằng cách tích hợp những hạn chế này, AI không chỉ phản ánh các khía cạnh của trí thông minh con người mà còn làm sáng tỏ sự cân bằng phức tạp giữa chi tiêu tài nguyên và hiệu quả xử lý thông tin.

Khái niệm về các ràng buộc vật lý trong AI

Bộ não con người, một ví dụ điển hình của mạng lưới thần kinh tự nhiên, tiến hóa và hoạt động trong vô số những hạn chế về mặt vật lý và sinh học. Những hạn chế này không phải là rào cản mà là công cụ định hình cấu trúc và chức năng của nó. Theo lời Jascha Achterberg, Học giả Gates từ Đơn vị Khoa học Não bộ và Nhận thức của Hội đồng Nghiên cứu Y khoa (MRC CBSU) tại Đại học Cambridge, “Bộ não không chỉ giỏi giải quyết các vấn đề phức tạp mà còn làm được điều đó trong khi sử dụng rất ít năng lượng. Trong nghiên cứu mới này, chúng tôi chỉ ra rằng việc xem xét khả năng giải quyết vấn đề của bộ não cùng với mục tiêu sử dụng càng ít tài nguyên càng tốt có thể giúp chúng ta hiểu tại sao bộ não lại trông như vậy.”

Thí nghiệm và ý nghĩa của nó

Nhóm nghiên cứu Cambridge đã bắt tay vào một dự án đầy tham vọng nhằm tạo ra một hệ thống nhân tạo mô phỏng phiên bản não bộ được đơn giản hóa tối đa. Hệ thống này đặc biệt ở chỗ áp dụng các ràng buộc "vật lý", rất giống với não người.

Mỗi nút tính toán trong hệ thống được chỉ định một vị trí cụ thể trong không gian ảo, mô phỏng tổ chức không gian của các nơ-ron. Khoảng cách giữa hai nút càng lớn thì khả năng giao tiếp của chúng càng khó khăn hơn, phản ánh tổ chức tế bào thần kinh trong não người.

Bộ não ảo này sau đó được giao nhiệm vụ định hướng trong mê cung, một phiên bản đơn giản hóa của các bài tập định hướng trong mê cung thường được giao cho động vật trong các nghiên cứu về não bộ. Tầm quan trọng của nhiệm vụ này nằm ở việc hệ thống cần tích hợp nhiều thông tin—chẳng hạn như vị trí bắt đầu và kết thúc, và các bước trung gian—để tìm ra tuyến đường ngắn nhất. Nhiệm vụ này không chỉ kiểm tra khả năng giải quyết vấn đề của hệ thống mà còn cho phép quan sát cách các nút và cụm khác nhau trở nên quan trọng ở các giai đoạn khác nhau của nhiệm vụ.

Học tập và thích ứng trong hệ thống AI

Hành trình của hệ thống nhân tạo từ người mới đến chuyên gia điều hướng mê cung là minh chứng cho khả năng thích ứng của AI. Ban đầu, hệ thống, giống như một con người học một kỹ năng mới, gặp khó khăn với nhiệm vụ và mắc nhiều lỗi. Tuy nhiên, thông qua quá trình thử nghiệm, sai sót và phản hồi tiếp theo, hệ thống dần dần hoàn thiện cách tiếp cận của mình.

Điều quan trọng là quá trình học tập này diễn ra thông qua sự thay đổi về cường độ kết nối giữa các nút tính toán, phản ánh tính dẻo dai của khớp thần kinh được quan sát thấy ở não người. Điều đặc biệt thú vị là các ràng buộc vật lý đã ảnh hưởng đến quá trình học tập này như thế nào. Khó khăn trong việc thiết lập kết nối giữa các nút ở xa đồng nghĩa với việc hệ thống phải tìm ra các giải pháp hiệu quả hơn, cục bộ hơn, từ đó mô phỏng hiệu quả năng lượng và tài nguyên được thấy trong não bộ sinh học.

Các đặc điểm mới nổi trong hệ thống nhân tạo

Khi hệ thống phát triển, nó bắt đầu thể hiện những đặc điểm tương tự một cách đáng kinh ngạc với đặc điểm của bộ não con người. Một trong những sự phát triển đó là sự hình thành các trung tâm – các nút có tính kết nối cao đóng vai trò là đường dẫn thông tin trên mạng, giống như các trung tâm thần kinh trong não con người.

Tuy nhiên, điều hấp dẫn hơn là sự thay đổi trong cách các nút riêng lẻ xử lý thông tin. Thay vì mã hóa cứng nhắc trong đó mỗi nút chịu trách nhiệm về một khía cạnh cụ thể của mê cung, các nút đã áp dụng sơ đồ mã hóa linh hoạt. Điều này có nghĩa là một nút duy nhất có thể đại diện cho nhiều khía cạnh của mê cung ở những thời điểm khác nhau, một đặc điểm gợi nhớ đến bản chất thích nghi của tế bào thần kinh ở các sinh vật phức tạp.

Giáo sư Duncan Astle từ Khoa Tâm thần học của Đại học Cambridge đã nhấn mạnh khía cạnh này: “Rào cản đơn giản này – việc kết nối các nút ở xa nhau sẽ khó khăn hơn – buộc các hệ thống nhân tạo phải tạo ra một số đặc điểm khá phức tạp. Điều thú vị là chúng là những đặc điểm chung của các hệ thống sinh học như não người.”

Hàm ý rộng hơn

Ý nghĩa của nghiên cứu này vượt xa lĩnh vực trí tuệ nhân tạo và đi sâu vào sự hiểu biết về nhận thức của con người. Bằng cách tái tạo các hạn chế của bộ não con người trong hệ thống AI, các nhà nghiên cứu có thể thu được những hiểu biết vô giá về cách những hạn chế này hình thành nên tổ chức não và góp phần tạo ra sự khác biệt về nhận thức của từng cá nhân.

Cách tiếp cận này cung cấp một cái nhìn độc đáo về sự phức tạp của não, đặc biệt là trong việc tìm hiểu các tình trạng ảnh hưởng đến sức khỏe nhận thức và tinh thần. Giáo sư John Duncan từ MRC CBSU cho biết thêm, “Những bộ não nhân tạo này cho chúng ta cách hiểu được dữ liệu phong phú và gây hoang mang mà chúng ta thấy khi hoạt động của các tế bào thần kinh thực được ghi lại trong não thật”.

Tương lai của thiết kế AI

Nghiên cứu đột phá này có ý nghĩa quan trọng đối với việc thiết kế các hệ thống AI trong tương lai. Nghiên cứu minh họa một cách sinh động cách kết hợp các nguyên tắc sinh học, đặc biệt là những nguyên tắc liên quan đến hạn chế vật lý, có thể dẫn đến mạng lưới thần kinh nhân tạo hiệu quả và thích ứng hơn.

Tiến sĩ Danyal Akarca từ MRC CBSU nhấn mạnh điều này, nói rằng, “Các nhà nghiên cứu AI không ngừng cố gắng tìm ra cách tạo ra các hệ thống thần kinh phức tạp có thể mã hóa và hoạt động theo cách linh hoạt và hiệu quả. Để đạt được điều này, chúng tôi nghĩ rằng sinh học thần kinh sẽ mang lại cho chúng tôi rất nhiều cảm hứng.”

Jascha Achterberg giải thích thêm về tiềm năng của những phát hiện này trong việc xây dựng các hệ thống AI mô phỏng gần giống khả năng giải quyết vấn đề của con người. Ông gợi ý rằng các hệ thống AI giải quyết những thách thức tương tự như những thách thức mà con người phải đối mặt sẽ có khả năng phát triển các cấu trúc giống như bộ não con người, đặc biệt là khi hoạt động trong những hạn chế về thể chất như hạn chế về năng lượng. Achterberg giải thích: “Bộ não của robot được triển khai trong thế giới vật chất thực có thể sẽ trông giống bộ não của chúng ta hơn vì chúng có thể phải đối mặt với những thách thức giống như chúng ta”.

Nghiên cứu do nhóm Cambridge thực hiện đánh dấu một bước quan trọng trong việc tìm hiểu sự tương đồng giữa hệ thống thần kinh của con người và trí tuệ nhân tạo. Bằng cách áp đặt các ràng buộc vật lý lên hệ thống AI, họ không chỉ tái tạo các đặc điểm chính của não người mà còn mở ra những con đường mới để thiết kế AI hiệu quả và dễ thích ứng hơn.