Fra Ada Lovelace og Charles Babbage lagde grunden til Alan Turings banebrydende computerforskning, har verden været betaget af løftet om kunstig intelligens - en drøm om at skabe maskinbaserede enheder, der besidder menneskelignende kognitive evner.
Men senere vendte AI-udviklingen sig væk fra sine biologiske rødder til fordel for brutal regnekraft og algoritmisk kompleksitet.
Dermed er science fiction-drømmene om livagtige robotter svundet lidt ind til en virkelighed med mere overfladisk verdslige store sprogmodeller (LLM'er) som ChatGPT.
Selvfølgelig er de nuværende AI-modeller stadig fængslende, men de fungerer som et værktøj snarere end et væsen.
Det er stadig tidligt, men på trods af fænomenale fremskridt har AI's beregningsmæssige våbenkapløb afsløret huller i vores stræben efter virkelig intelligente maskiner.
Uanset hvor kraftfulde vores algoritmer bliver, mangler de elegance, tilpasningsevne og energieffektivitet - kendetegnene for biologiske systemer.
Det ved forskerne godt - og det frustrerer dem.
Professor Tony Prescott og Dr. Stuart Wilson fra University of Sheffield for nylig fremhævet at de fleste AI-modeller, som ChatGPT, er 'disembodied', hvilket betyder, at de mangler en direkte forbindelse til det fysiske miljø.
I modsætning hertil har den menneskelige hjerne udviklet sig inden for et fysisk system - vores kroppe - som gør det muligt for os at sanse og interagere direkte med verden.
Forskere er ivrige efter at frigøre AI fra deres monolitiske arkitektur, hvilket har ført til en genopblomstring af bioinspireret AI, også kaldet neuromorf AI, en underdisciplin, der søger at efterligne de komplekse processer, der findes i naturen, for at skabe smartere og mere effektive systemer.
Disse bestræbelser trækker på forskellige biologiske rammer, fra de strukturer, der udgør vores hjerner, til sværmintelligens observeret hos myrer eller fugle.
I jagten på autonomi og effektivitet tvinger bioinspireret AI os til at undersøge mangeårige beregningsproblemer, såsom at bevæge os væk fra ressourcetunge arkitekturer bygget af tusindvis af strømslugende GPU'er til lettere, mere indviklede analoge systemer.
Prescott, som var medforfatter på en nylig artikel, "Forstå hjernens funktionelle arkitektur gennem robotteknologi"Det er meget mere sandsynligt, at AI-systemer vil udvikle menneskelignende kognition, hvis de er bygget med arkitekturer, der lærer og forbedrer sig på samme måde som den menneskelige hjerne ved at bruge dens forbindelser til den virkelige verden."
Den menneskelige hjerne er et godt eksempel - hver eneste tanke og handling, din hjerne fremkalder, kræver kun en svag pæres effekt - omkring 20 watt.
Og det går længere end det. Selv når mennesker ikke får nogen ekstern energi fra mad, kan de overleve i over en måned. Ekstremofiler har fundet metoder til at trives i nogle af de mest ugæstfrie miljøer på planeten.
Sammenlign det med den infrastruktur, der kræves for at drive AI-modeller som ChatGPT, som kræver strøm svarende til en lille by og ikke kan replikere sig selv, helbrede sig selv eller tilpasse sig sine omgivelser.
For at give AI en fair chance kan man argumentere for, at det er en forkert øvelse at sammenligne AI med biologisk intelligente systemer.
Når alt kommer til alt, udmærker computere og hjerner sig simpelthen ved forskellige opgaver - det er måske menneskets natur at smelte dem sammen i antropomorfe visioner om autonome AI'er, der interagerer med miljøet som de biologiske væsener, vi har udviklet os ved siden af.
Men både AI-forskere og neuroforskere er villige til at gå ind i dette intellektuelle dødvande, og mange vil beskrive hjernen "som en computer", der kan modelleres og replikeres kunstigt.
Den EU's projekt om den menneskelige hjerne (HBP)et multinationalt eksperiment til næsten $1 mia. i Big Science, var en lektion i, hvordan hjernens kompleksitet unddrager sig kunstig modellering.
HBP satte sig for at modellere den menneskelige hjerne i sin helhed, men det lykkedes kun at modellere brudstykker af dens funktionalitet.
Vores hjerne - som en enkelt enhed - besejret de kollektive hjerner hos tusindvis af forskere med enorme midler og computerkraft lige ved hånden - kald det Poetisk retfærdighed.
Tilfældigvis er bevidstheden og essensen af tankedannelse en lige så fjern grænse til det yderste af rummet. - wVi er der bare ikke endnu.
Kernen i dette problem er koblingen mellem biologi og maskiner.
Mens neurale netværk og andre former for maskinlæringsarkitektur (ML) er modelleret via analogi til biologiske hjerner, er beregningsmetoden fundamentalt anderledes.
Rodney Brooks, professor emeritus i robotteknologi ved MIT, reflekterede over dette dødvande, med angivelse af"Der er en bekymring for, at hans version af beregning, der er baseret på funktioner af heltal, er begrænset. Biologiske systemer er klart anderledes. De skal reagere på forskellige stimuli over lange tidsperioder; disse reaktioner ændrer igen deres miljø og efterfølgende stimuli. Sociale insekters individuelle adfærd påvirkes f.eks. af strukturen i det hjem, de bygger, og deres søskendes adfærd i det."
Brooks opsummerer dette paradoks ved at spørge: "Bør disse maskiner modelleres efter hjernen, eftersom vores modeller af hjernen udføres på sådanne maskiner?"
Rejsen med bio-inspireret AI
Naturen har haft millioner af år med 'R&D' til at perfektionere sine utroligt modstandsdygtige mekanismer.
Tendensen til bioinspireret AI kan ses som en kursændring, en ydmyg erkendelse af, at vores søgen efter avanceret AI måske har ført os ind på en vej, der, selv om den stadig er blændende i sin kompleksitet, kan være uholdbar i det lange løb.
Eller i det mindste opfylder den nuværende kurs måske ikke det, som menneskeheden i sidste ende søger fra AI. Hvis vi ønsker at leve i "fremtiden", hvor mennesker og robotter går side om side (selvom det selvfølgelig ikke er alle, der ønsker det), så skal vi gøre mere end at samle flere GPU'er og træne større modeller.
Når det er sagt, er der håb for de glødende futurister blandt os, da forskere har arbejdet med ideer om bioinspireret databehandling i årtier, og nogle spekulative ideer er begyndt at finde fodfæste.
I slutningen af 50'erne og begyndelsen af 60'erne var Frank Rosenblatts arbejde med Perceptron tilbød den første forenklede model af en biologisk neuron.
Men artiklen fra 1986 "Indlæring af repræsentationer ved hjælp af back-propagating-fejl" af David Rumelhart, Geoffrey Hinton og Ronald Williams ændrede spillet.
Hinton og hans team, der nu ofte omtales som "gudfaderen til neurale netværk (eller AI generelt)", introducerede backpropagation-algoritmen, der giver en robust mekanisme til træning af neurale netværk i flere lag, hvilket drev feltet ind i applikationer, der spænder fra naturlig sprogbehandling (NLP) til computersyn (CV) - to grundlæggende grene af moderne AI.
Kort tid efter tog bioinspirationen en anden vej og lånte fra darwinistiske principper. John Hollands bog fra 1975 "Tilpasning i naturlige og kunstige systemer" lagde grunden til genetiske algoritmer.
Ved at simulere mekanismer som mutation og naturlig udvælgelse åbnede denne tilgang op for et kraftfuldt værktøj til optimeringsproblemer, som er blevet brugt i brancher som rumfart og finans.
Begreber som 'sværmintelligens', der er observeret i insektsværme og fugles og fisks synkroniserede bevægelser, blev først introduceret i computere i 80'erne og 90'erne og har oplevet bemærkelsesværdige fremskridt i 2023.
I august 2023 vil tidligere Google-medarbejdere grundlagde Sakanaen startup, der foreslår at udvikle et ensemble af mindre AI-modeller, der arbejder sammen.
Sakanas tilgang er inspireret af biologiske systemer som fiskestimer eller neurale netværk, hvor mindre enheder arbejder sammen om at nå et mere komplekst mål.
I erkendelse af de monolitiske arkitekturer i moderne AI-modeller som ChatGPT lover denne ensembling-tilgang at reducere strømforbruget og giver øget tilpasningsevne og modstandsdygtighed - kvaliteter, der er iboende i biologiske organismer.
Selv forstærkningslæring (RL), en gren af maskinlæring, der beskæftiger sig med at lære algoritmer at træffe beslutninger i jagten på en belønning, var i høj grad bioinspireret.
Richard Sutton og Andrew Bartos banebrydende bog "Forstærkningslæring: En introduktion" trækker mange eksempler fra, hvordan dyr lærer af deres miljø, og inspirerer algoritmer, der kan tilpasse sig baseret på belønninger og straffe.
Bogen indeholder hundredvis af sammenligninger med dyrs adfærd og siger: "Af alle former for maskinlæring er forstærkningslæring det, der kommer tættest på den form for læring, som mennesker og andre dyr foretager sig."
På vej mod bio-inspireret AI
I komplekse biologiske væsener som mennesker og andre hvirveldyr arbejder forskellige komponenter i nervesystemet sammen om at styre en lang række funktioner.
Centralnervesystemet (CNS) fungerer som et kontrolcenter, der behandler information og orkestrerer reaktioner.
I mellemtiden fungerer det perifere nervesystem (PNS) som et kommunikationsnetværk, der sender signaler mellem CNS og andre dele af kroppen.
Inden for PNS ligger det specialiserede autonome nervesystem (ANS), som arbejder ufrivilligt for at styre vitale funktioner som puls og fordøjelse. Hvert system har sine egne roller, men de er indbyrdes forbundne og samarbejder problemfrit for at hjælpe os med at navigere i miljøet.
Enklere organismer som insekter har et slankere og mere økonomisk nervesystem, som dog stadig er utroligt komplekst. En bananflue har nogle 3.000 neuroner og en halv million synapser.
Komponenterne i det biologiske nervesystem er anatomisk adskilte, men fungerer holistisk, forbundet via neuroner, der sender og modtager sensoriske stimuli og i sidste ende danner en konceptuel forståelse - eller bevidsthed hos mere komplekse væsener.
For at skabe autonome robotter med tæt koblede hjerner og sansesystemer må forskerne bevæge sig væk fra brute-force computing og skabe letvægtssystemer, der er forankret i den sensoriske virkelighed.
Selv om AI-modeller som ChatGPT har en enorm viden, er de på en måde låst fast i tiden og udelukket fra den sanselige virkelighed, hvor forståelsen primært er drevet af deres træningsdata.
Det giver fordele, eller rettere, det giver AI en række færdigheder, der adskiller sig fra biologiske væsener - og det er måske derfor, menneskeheden er ivrig efter at udvikle AI for at afhjælpe den ineffektivitet, der er forbundet med at være et biologisk væsen.
Som Amnon Shashua HøjdepunkterDen "meget anderledes arkitektur i computeren favoriserer strategier, der gør optimal brug af dens praktisk talt ubegrænsede hukommelseskapacitet og brute-force."
Men hvis vi nogensinde skal frigøre AI fra datacentre og webbrowsere, skal forskerne løse disse udfordringer og finde måder at forbinde AI-systemer med en 'krop' eller i det mindste give dem et robust sensorisk grundlag.
Det har umiddelbare praktiske anvendelser. Tag eksemplet med førerløse biler - deres sensoriske systemer skal fungere på samme måde som vores for at fungere sikkert. Ellers har de intet håb om at "se" en potentiel forhindring og reagere hurtigt for at undgå en katastrofe, hvilket har vist sig at være en væsentlig hindring for deres udbredelse.
Dennis Bray, Department of Physiology, Development and Neuroscience, University of Cambridge, argumenterede i samme retning: "Maskiner kan matche os i mange opgaver, men de fungerer anderledes end netværk af nerveceller. Hvis vores mål er at bygge maskiner, der bliver stadig mere intelligente og behændige, så skal vi bruge kredsløb af kobber og silicium. Men hvis vores mål er at genskabe den menneskelige hjerne med dens finurlige genialitet, evne til multitasking og selvfølelse, må vi lede efter andre materialer og andre designs."
Disse kommentarer, som stadig er relevante i dag, blev offentliggjort i en Diskussionsartikel om naturen udgivet i 2012 i anledning af Turings 100-årsdag - og AI har udviklet sig hurtigt siden da.
Så hvor er vi nu?
Spiking neurale netværk (SNN) og biologisk hardware
Forskere udforsker i dag de "andre materialer og forskellige designs", som Bray henviser til, såsom spiking neural networks (SNN'er), en type neuralt netværk, der er nøje modelleret efter neuronal funktionalitet.
SNN'er er et specialiseret alternativ til de konventionelle neurale netværk, som vi ofte støder på i maskinlæring.
I stedet for at bruge kontinuerlige aktiveringsfunktioner til at behandle inputdata efterligner SNN'er de indviklede forhold i biologiske neurale netværk ved at bruge diskrete spikes til kommunikation mellem neuronerne.
I disse netværk integrerer hver kunstig neuron indkommende spikes fra de forbundne neuroner over tid. Når det akkumulerede signal, eller membranpotentialet, overskrider en bestemt tærskel, affyrer neuronen selv en spike.
Denne spiking-mekanisme gør det muligt for netværket at opfange og behandle både rumlige og tidsmæssige mønstre, ligesom neuronerne i biologiske hjerner.
Så hvad gør SNN'er til et fokuspunkt inden for bioinspireret AI?
For det første adskiller de sig ved deres evne til naturligt at behandle tidsmæssige datasekvenser, hvilket eliminerer behovet for ekstra hukommelsesenheder som dem, der ses i tilbagevendende neurale netværk (RNN'er).
For det andet er SNN'er designet til at være utroligt energieffektive. I modsætning til traditionelle neurale netværk, hvor hver neuron er konstant aktiv, gør SNN'ernes sparsomme og begivenhedsdrevne natur det muligt for neuronerne at forblive stort set inaktive og kun affyre spikes, når det er nødvendigt. Det sænker deres energiforbrug betydeligt.
Endelig har SNN'er potentialet til øget robusthed og fleksibilitet ved at efterligne biologiske systemer bedre, især i støjende eller uforudsigelige omgivelser.
Selvom begrebet SNN har sine rødder i en teoretisk forståelse af biologiske neurale systemer, har fremskridt inden for hardwareteknologi gjort disse netværk mere tilgængelige for beregningsopgaver.
Neuromorfe chips, der er specielt designet til effektivt at simulere spiking-dynamik, har spillet en vigtig rolle i at gøre SNN'er praktisk anvendelige.
IBM's bio-inspirerede analoge chip og SNN'er
De sidste to år har budt på væsentlige fremskridt i opbygningen af ultralette bygninger, Energieffektiv AI løsninger, også kaldet neuromorfiske chips.
Flere andre typer neuromorfiske teknologier er også tilgængelige nu, f.eks. neuromorfiske kameraer modelleret efter biologiske øjne.
Udviklet i 2023, IBM's chip bruger analoge komponenter som memristorer til at lagre varierende numeriske værdier. Den anvender også faseændringshukommelse (PCM) til at registrere et spektrum af værdier i stedet for 0'er og 1'er.
Disse egenskaber giver mulighed for reduceret datatransmission mellem hukommelse og processor, hvilket giver en fordel i energieffektivitet. IBM's design har "64 analoge computerkerner i hukommelsen, som hver indeholder et 256 x 256 synaptisk array." Den opnåede en imponerende nøjagtighed på 92,81% i en benchmark-test for computersyn (CV), samtidig med at den var over 15 gange mere effektiv end flere eksisterende chips.
IBM's chip er ikke eksplicit baseret på SNN'er, men den analoge karakter og brugen af memristorer gør den meget kompatibel med SNN-modellen.
I bund og grund kan SNN'erne implementeres mere naturligt på denne type arkitektur.
IIT Bombays SNN-baserede chip
I 2022 har forskere fra Indian Institute of Technology, Bombay, designet en chip der arbejder specifikt med SNN'er.
Denne chip bruger bånd-til-bånd-tunnelstrøm (BTBT) til kunstige neuroner med ultralav energi. Ifølge professor Udayan Ganguly opnår chippen "5.000 gange lavere energi pr. spike på et tilsvarende areal og 10 gange lavere standby-strøm på et tilsvarende areal og energi pr. spike."
Denne type chip har direkte anvendelser i kompakte enheder som mobiltelefoner, ubemandede autonome køretøjer (UAV'er) og IoT-enheder, der opfylder behovet for let og energieffektiv AI-computing.
Begge tilgange sigter mod i sidste ende at muliggøre det, Ganguly beskriver som "en ekstremt strømbesparende neurosynaptisk kerne og udvikling af en on-chip læringsmekanisme i realtid, som er nøglen til autonome biologisk inspirerede neurale netværk. Det er den hellige gral."
Disse systemer kunne kombinere "tankesystemet" med "handlings- og bevægelsessystemet" i lighed med det, vi ser i biologiske organismer.
Det ville give os mulighed for at tage et stort skridt i retning af at skabe kunstige systemer, der er kraftfulde, bæredygtige og tæt på de biologiske systemer, der har inspireret AI i næsten et århundrede.
Endelig kunne menneskeheden frigøre AI'er fra monolitisk arkitektur, koble dem fra deres strømkilder og sende dem ud i verden - og universet - som selvstændige væsener.
Om det er en god idé eller ej - ja, det er en diskussion til en anden gang.
