Forskere fra MRC Brain Network Dynamics Unit og Oxford University's Department of Computer Science har fundet en ny metode til at sammenligne indlæring i AI-systemer og den menneskelige hjerne.
Undersøgelsen begynder med at behandle et grundlæggende spørgsmål i både menneskelig og maskinel læring: kredittildeling. Dette koncept identificerer, hvilke dele af læringsprocessen der er ansvarlige for fejl, hvilket er iboende i selve læringsprocessen.
AI-systemer nærmer sig dette gennem backpropagation, der justerer parametre for at korrigere fejl i output.
Backpropagation fungerer som en feedback-loop. Når en AI træffer en forudsigelse eller beslutning, som viser sig at være forkert, sporer denne metode tilbage gennem netværkets lag.
Processen identificerer, hvilke dele af beregningen der bidrog til fejlen, og justerer derefter disse specifikke dele, hvilket effektivt forfiner AI'ens beslutningsproces til fremtidige forudsigelser.
Den undersøgelseudgivet i Nature Neuroscience, forklarer, hvordan backpropagation adskiller sig markant fra den menneskelige hjernes indlæringsmetode.
Ny forskning fra @MRCBNDU viser, at den måde, hjernen lærer på, er anderledes og bedre end den måde, systemer med kunstig intelligens lærer på: https://t.co/Tg1d9vdsKy#OxfordAI
- Nuffield Institut for Klinisk Neurovidenskab (@NDCNOxford) 3. januar 2024
Mens AI traditionelt benytter sig af backpropagation til at håndtere fejl, foreslår forskerne, at hjernen udfører de samme opgaver gennem en proces, der kaldes 'prospektiv konfiguration'.
I prospektiv konfiguration forudsiger hjernen først det ideelle mønster af neural aktivitet som følge af indlæring i stedet for direkte at justere forbindelser baseret på fejl. Først efter denne forudsigelse sker der ændringer i de neurale forbindelser.
Denne metode står i kontrast til backpropagation, som bruges i AI, hvor processen er omvendt - justeringer af forbindelser fører, og ændringer i neural aktivitet følger.
Afgørende er det, at prospektiv konfiguration, en tilgang, der sandsynligvis deles af stort set alle biologiske hjerner, tilbyder en mere effektiv læringsmekanisme end backpropagation.
I modsætning til AI kan mennesker hurtigt indoptage ny information med minimal eksponering og uden at udhule eksisterende viden, en evne, som AI har svært ved at matche.
Denne strategi bevarer ikke kun den eksisterende viden, men fremskynder også læringsprocessen.
Der er stadig liv i den gamle menneskehjerne
Teamet illustrerer dette koncept med en analogi. Forestil dig en bjørn, der fisker efter laks: Den bruger synet af floden og lugten af laks til at forudsige succes.
Hvis bjørnen pludselig ikke kan høre floden på grund af et beskadiget øre, vil en AI-model fejlagtigt antage, at der ikke er nogen laks.
I modsætning hertil ville dyrets hjerne, der arbejder med prospektiv konfiguration, stadig være afhængig af lugten for at udlede laksens tilstedeværelse.
Denne teori, der understøttes af computersimuleringer, viser, at modeller, der bruger prospektiv konfiguration, overgår traditionelle AI-neurale netværk i indlæringseffektivitet.
Professor Rafal Bogacz, den ledende forsker fra MRC Brain Network Dynamics Unit og Oxfords Nuffield Department of Clinical Neurosciences, beskrevet af undersøgelsen: "Der er i øjeblikket en stor kløft mellem abstrakte modeller, der udfører prospektiv konfiguration, og vores detaljerede viden om hjernenetværkets anatomi."
"Vores gruppes fremtidige forskning har til formål at bygge bro over kløften mellem abstrakte modeller og virkelige hjerner og forstå, hvordan algoritmen for prospektiv konfiguration implementeres i anatomisk identificerede kortikale netværk."
Medforfatter Dr. Yuhang Song tilføjer desuden: "Når det gælder maskinlæring, er simuleringen af prospektiv konfiguration på eksisterende computere langsom, fordi de fungerer på fundamentalt forskellige måder fra den biologiske hjerne. Der skal udvikles en ny type computer eller dedikeret hjerneinspireret hardware, som kan implementere prospektiv konfiguration hurtigt og med et lavt energiforbrug."
Bio-inspireret AI er i støbeskeen
Bio-inspireret AIogså kaldet neuromorfisk AI, sigter mod at skabe systemer, der kan sanse, tænke og opføre sig på samme måde som naturlige organismer.
It fokuserer på elegance, tilpasningsevne og energieffektivitet - egenskaber, der er iboende i biologiske systemer.
Den menneskelige hjerne med dens effektive brug af energi og evne til at trives i forskellige miljøer overtrumfer stadig AI på tværs af mange discipliner og anvendelser.
Vores hjerne er faktisk bevidst - med minimal kraft. en milepæl, som AI ifølge de fleste skøn endnu ikke har nået.
I modsætning til de kolossale strømkrav i nuværende AI-modeller som ChatGPT, der kræver tusindvis af strømslugende GPU'er, sigter bioinspireret AI mod at udvikle mere bæredygtige og tilpasningsdygtige systemer.
Der er sket fremskridt på dette område på det seneste, med IBM og Rain AI Udvikling af chips med lavt strømforbrug modelleret på synaptiske funktioner.
OpenAI's administrerende direktør Sam Altman støttet Rain AI sidste år, og OpenAI havde som mål at sikre sig chips for millioner af dollars fra dem.
Andre nye tilgange til bio-inspireret AI inkluderer sværmintelligenssom forsøger at efterligne den kollektive beslutningstagning hos grupper af insekter, fugle og fisk.
Efterhånden som dette felt udvikler sig, lover det at bygge bro over de huller, der er identificeret i traditionelle AI-modeller, og føre os mod en fremtid, hvor maskiner ikke bare er værktøjer, men enheder med en vis grad af autonomi og interaktion med omgivelserne.
Som Oxford-undersøgelsen viser, er der dog grundlæggende spørgsmål, som AI skal besvare, før den kan matche biologiske hjerner.
