Dermed er science fiction-dr\u00f8mmene om livagtige robotter svundet lidt ind til en virkelighed med mere overfladisk verdslige store sprogmodeller (LLM'er) som ChatGPT. <\/span><\/p>\n Selvf\u00f8lgelig er de nuv\u00e6rende AI-modeller stadig f\u00e6ngslende, men de fungerer som et v\u00e6rkt\u00f8j snarere end et v\u00e6sen.\u00a0<\/span><\/p>\n Det er stadig tidligt, men p\u00e5 trods af f\u00e6nomenale fremskridt har AI's beregningsm\u00e6ssige v\u00e5benkapl\u00f8b afsl\u00f8ret huller i vores str\u00e6ben efter virkelig intelligente maskiner.\u00a0<\/span><\/p>\n Uanset hvor kraftfulde vores algoritmer bliver, mangler de elegance, tilpasningsevne og energieffektivitet - kendetegnene for biologiske systemer. <\/span><\/p>\n Det ved forskerne godt - og det frustrerer dem.\u00a0<\/span><\/p>\n Professor Tony Prescott og Dr. Stuart Wilson fra University of Sheffield for nylig <\/span>fremh\u00e6vet<\/span><\/a> at de fleste AI-modeller, som ChatGPT, er 'disembodied', hvilket betyder, at de mangler en direkte forbindelse til det fysiske milj\u00f8.\u00a0<\/span><\/p>\n I mods\u00e6tning hertil har den menneskelige hjerne udviklet sig inden for et fysisk system - vores kroppe - som g\u00f8r det muligt for os at sanse og interagere direkte med verden.<\/span><\/p>\n Forskere er ivrige efter at frig\u00f8re AI fra deres monolitiske arkitektur, hvilket har f\u00f8rt til en genopblomstring af bioinspireret AI, ogs\u00e5 kaldet neuromorf AI, en underdisciplin, der s\u00f8ger at efterligne de komplekse processer, der findes i naturen, for at skabe smartere og mere effektive systemer.\u00a0<\/span><\/p>\n Disse bestr\u00e6belser tr\u00e6kker p\u00e5 forskellige biologiske rammer, fra de strukturer, der udg\u00f8r vores hjerner, til sv\u00e6rmintelligens observeret hos myrer eller fugle.<\/span><\/p>\n I jagten p\u00e5 autonomi og effektivitet tvinger bioinspireret AI os til at unders\u00f8ge mange\u00e5rige beregningsproblemer, s\u00e5som at bev\u00e6ge os v\u00e6k fra ressourcetunge arkitekturer bygget af tusindvis af str\u00f8mslugende GPU'er til lettere, mere indviklede analoge systemer.\u00a0<\/span><\/p>\n Prescott, som var medforfatter p\u00e5 en nylig artikel, \"<\/span>Forst\u00e5 hjernens funktionelle arkitektur gennem robotteknologi<\/span><\/a>\"Det er meget mere sandsynligt, at AI-systemer vil udvikle menneskelignende kognition, hvis de er bygget med arkitekturer, der l\u00e6rer og forbedrer sig p\u00e5 samme m\u00e5de som den menneskelige hjerne ved at bruge dens forbindelser til den virkelige verden.\"<\/span><\/p>\n Den menneskelige hjerne er et godt eksempel - hver eneste tanke og handling, din hjerne fremkalder, kr\u00e6ver kun en svag p\u00e6res effekt - omkring 20 watt.\u00a0<\/span><\/p>\n Og det g\u00e5r l\u00e6ngere end det. Selv n\u00e5r mennesker ikke f\u00e5r nogen ekstern energi fra mad, kan de overleve i over en m\u00e5ned. Ekstremofiler har fundet metoder til at trives i nogle af de mest ug\u00e6stfrie milj\u00f8er p\u00e5 planeten. <\/span><\/p>\n Sammenlign det med den infrastruktur, der kr\u00e6ves for at drive AI-modeller som ChatGPT, som kr\u00e6ver str\u00f8m svarende til en lille by og ikke kan replikere sig selv, helbrede sig selv eller tilpasse sig sine omgivelser.\u00a0<\/span><\/p>\n For at give AI en fair chance kan man argumentere for, at det er en forkert \u00f8velse at sammenligne AI med biologisk intelligente systemer.\u00a0<\/span><\/p>\n N\u00e5r alt kommer til alt, udm\u00e6rker computere og hjerner sig simpelthen ved forskellige opgaver - det er m\u00e5ske menneskets natur at smelte dem sammen i antropomorfe visioner om autonome AI'er, der interagerer med milj\u00f8et som de biologiske v\u00e6sener, vi har udviklet os ved siden af.\u00a0\u00a0<\/span><\/p>\n Men b\u00e5de AI-forskere og neuroforskere er villige til at g\u00e5 ind i dette intellektuelle d\u00f8dvande, og mange vil beskrive hjernen \"som en computer\", der kan modelleres og replikeres kunstigt.<\/span><\/p>\n Den <\/span>EU's projekt om den menneskelige hjerne (HBP)<\/span><\/a>et multinationalt eksperiment til n\u00e6sten $1 mia. i Big Science, var en lektion i, hvordan hjernens kompleksitet unddrager sig kunstig modellering. <\/span><\/p>\n HBP satte sig for at modellere den menneskelige hjerne i sin helhed, men det lykkedes kun at modellere brudstykker af dens funktionalitet.\u00a0<\/span><\/p>\n Vores hjerne -<\/span> som en enkelt enhed -<\/span> besejret de kollektive hjerner hos tusindvis af forskere med enorme midler og computerkraft lige ved h\u00e5nden - kald det<\/span> Poetisk retf\u00e6rdighed.<\/p>\n Tilf\u00e6ldigvis er bevidstheden og essensen af tankedannelse en lige s\u00e5 fjern gr\u00e6nse til det yderste af rummet. - w<\/span>Vi er der bare ikke endnu.<\/p>\n Kernen i dette problem er koblingen mellem biologi og maskiner. <\/span><\/p>\n Mens neurale netv\u00e6rk og andre former for maskinl\u00e6ringsarkitektur (ML) er modelleret via analogi til biologiske hjerner, er beregningsmetoden fundamentalt anderledes.\u00a0<\/span><\/p>\n Rodney Brooks, professor emeritus i robotteknologi ved MIT, reflekterede over dette d\u00f8dvande, <\/span>med angivelse af<\/span><\/a>\"Der er en bekymring for, at hans version af beregning, der er baseret p\u00e5 funktioner af heltal, er begr\u00e6nset. Biologiske systemer er klart anderledes. De skal reagere p\u00e5 forskellige stimuli over lange tidsperioder; disse reaktioner \u00e6ndrer igen deres milj\u00f8 og efterf\u00f8lgende stimuli.\u00a0<\/span>Sociale insekters individuelle adf\u00e6rd p\u00e5virkes f.eks. af strukturen i det hjem, de bygger, og deres s\u00f8skendes adf\u00e6rd i det.\"\u00a0<\/span><\/p>\n Brooks opsummerer dette paradoks ved at sp\u00f8rge: \"B\u00f8r disse maskiner modelleres efter hjernen, eftersom vores modeller af hjernen udf\u00f8res p\u00e5 s\u00e5danne maskiner?\"<\/span><\/p>\n Naturen har haft millioner af \u00e5r med 'R&D' til at perfektionere sine utroligt modstandsdygtige mekanismer.\u00a0<\/span><\/p>\n Tendensen til bioinspireret AI kan ses som en kurs\u00e6ndring, en ydmyg erkendelse af, at vores s\u00f8gen efter avanceret AI m\u00e5ske har f\u00f8rt os ind p\u00e5 en vej, der, selv om den stadig er bl\u00e6ndende i sin kompleksitet, kan v\u00e6re uholdbar i det lange l\u00f8b. <\/span><\/p>\n Eller i det mindste opfylder den nuv\u00e6rende kurs m\u00e5ske ikke det, som menneskeheden i sidste ende s\u00f8ger fra AI. Hvis vi \u00f8nsker at leve i \"fremtiden\", hvor mennesker og robotter g\u00e5r side om side (selvom det selvf\u00f8lgelig ikke er alle, der \u00f8nsker det), s\u00e5 skal vi g\u00f8re mere end at samle flere GPU'er og tr\u00e6ne st\u00f8rre modeller.\u00a0<\/span><\/p>\n N\u00e5r det er sagt, er der h\u00e5b for de gl\u00f8dende futurister blandt os, da forskere har arbejdet med ideer om bioinspireret databehandling i \u00e5rtier, og nogle spekulative ideer er begyndt at finde fodf\u00e6ste.\u00a0<\/span><\/p>\n I slutningen af 50'erne og begyndelsen af 60'erne var Frank Rosenblatts arbejde med Perceptron<\/a> tilb\u00f8d den f\u00f8rste forenklede model af en biologisk neuron.\u00a0<\/span><\/p>\n Men artiklen fra 1986 \"<\/span>Indl\u00e6ring af repr\u00e6sentationer ved hj\u00e6lp af back-propagating-fejl<\/span><\/a>\" af David Rumelhart, Geoffrey Hinton og Ronald Williams \u00e6ndrede spillet.\u00a0<\/span><\/p>\n Hinton og hans team, der nu ofte omtales som \"gudfaderen til neurale netv\u00e6rk (eller AI generelt)\", introducerede backpropagation-algoritmen, der giver en robust mekanisme til tr\u00e6ning af neurale netv\u00e6rk i flere lag, hvilket drev feltet ind i applikationer, der sp\u00e6nder fra naturlig sprogbehandling (NLP) til computersyn (CV) - to grundl\u00e6ggende grene af moderne AI.<\/span><\/p>\n Kort tid efter tog bioinspirationen en anden vej og l\u00e5nte fra darwinistiske principper. John Hollands bog fra 1975 \"<\/span>Tilpasning i naturlige og kunstige systemer<\/span><\/a>\" lagde grunden til genetiske algoritmer.\u00a0<\/span><\/p>\n Ved at simulere mekanismer som mutation og naturlig udv\u00e6lgelse \u00e5bnede denne tilgang op for et kraftfuldt v\u00e6rkt\u00f8j til optimeringsproblemer, som er blevet brugt i brancher som rumfart og finans.<\/span><\/p>\n Begreber som 'sv\u00e6rmintelligens', der er observeret i insektsv\u00e6rme og fugles og fisks synkroniserede bev\u00e6gelser, blev f\u00f8rst introduceret i computere i 80'erne og 90'erne og har oplevet bem\u00e6rkelsesv\u00e6rdige fremskridt i 2023.\u00a0<\/span><\/p>\n I august 2023 vil tidligere Google-medarbejdere <\/span>grundlagde Sakana<\/span><\/a>en startup, der foresl\u00e5r at udvikle et ensemble af mindre AI-modeller, der arbejder sammen. <\/span><\/p>\n Sakanas tilgang er inspireret af biologiske systemer som fiskestimer eller neurale netv\u00e6rk, hvor mindre enheder arbejder sammen om at n\u00e5 et mere komplekst m\u00e5l.\u00a0<\/span><\/p>\n I erkendelse af de monolitiske arkitekturer i moderne AI-modeller som ChatGPT lover denne ensembling-tilgang at reducere str\u00f8mforbruget og giver \u00f8get tilpasningsevne og modstandsdygtighed - kvaliteter, der er iboende i biologiske organismer.<\/span><\/p>\n Selv forst\u00e6rkningsl\u00e6ring (RL), en gren af maskinl\u00e6ring, der besk\u00e6ftiger sig med at l\u00e6re algoritmer at tr\u00e6ffe beslutninger i jagten p\u00e5 en bel\u00f8nning, var i h\u00f8j grad bioinspireret.\u00a0<\/span><\/p>\n Richard Sutton og Andrew Bartos banebrydende bog \"<\/span>Forst\u00e6rkningsl\u00e6ring: En introduktion<\/span><\/a>\" tr\u00e6kker mange eksempler fra, hvordan dyr l\u00e6rer af deres milj\u00f8, og inspirerer algoritmer, der kan tilpasse sig baseret p\u00e5 bel\u00f8nninger og straffe.<\/span><\/p>\n Bogen indeholder hundredvis af sammenligninger med dyrs adf\u00e6rd og siger: \"Af alle former for maskinl\u00e6ring er forst\u00e6rkningsl\u00e6ring det, der kommer t\u00e6ttest p\u00e5 den form for l\u00e6ring, som mennesker og andre dyr foretager sig.\"<\/span><\/p>\n I komplekse biologiske v\u00e6sener som mennesker og andre hvirveldyr arbejder forskellige komponenter i nervesystemet sammen om at styre en lang r\u00e6kke funktioner.<\/p>\n Centralnervesystemet (CNS) fungerer som et kontrolcenter, der behandler information og orkestrerer reaktioner.<\/p>\n I mellemtiden fungerer det perifere nervesystem (PNS) som et kommunikationsnetv\u00e6rk, der sender signaler mellem CNS og andre dele af kroppen.<\/p>\n Inden for PNS ligger det specialiserede autonome nervesystem (ANS), som arbejder ufrivilligt for at styre vitale funktioner som puls og ford\u00f8jelse. Hvert system har sine egne roller, men de er indbyrdes forbundne og samarbejder problemfrit for at hj\u00e6lpe os med at navigere i milj\u00f8et.<\/p>\n Enklere organismer som insekter har et slankere og mere \u00f8konomisk nervesystem, som dog stadig er utroligt komplekst. En bananflue har nogle 3.000 neuroner og en halv million synapser<\/a>.\u00a0<\/span><\/p>\n 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 forst\u00e5else - eller bevidsthed hos mere komplekse v\u00e6sener.\u00a0<\/span><\/p>\n For at skabe autonome robotter med t\u00e6t koblede hjerner og sansesystemer m\u00e5 forskerne bev\u00e6ge sig v\u00e6k fra brute-force computing og skabe letv\u00e6gtssystemer, der er forankret i den sensoriske virkelighed.\u00a0<\/span><\/p>\n Selv om AI-modeller som ChatGPT har en enorm viden, er de p\u00e5 en m\u00e5de l\u00e5st fast i tiden og udelukket fra den sanselige virkelighed, hvor forst\u00e5elsen prim\u00e6rt er drevet af deres tr\u00e6ningsdata.<\/span><\/p>\n Det giver fordele, eller rettere, det giver AI en r\u00e6kke f\u00e6rdigheder, der adskiller sig fra biologiske v\u00e6sener - og det er m\u00e5ske derfor, menneskeheden er ivrig efter at udvikle AI for at afhj\u00e6lpe den ineffektivitet, der er forbundet med at v\u00e6re et biologisk v\u00e6sen.\u00a0<\/span><\/p>\n Som Amnon Shashua <\/span>H\u00f8jdepunkter<\/span><\/a>Den \"meget anderledes arkitektur i computeren favoriserer strategier, der g\u00f8r optimal brug af dens praktisk talt ubegr\u00e6nsede hukommelseskapacitet og brute-force.\"<\/span><\/p>\n Men hvis vi nogensinde skal frig\u00f8re AI fra datacentre og webbrowsere, skal forskerne l\u00f8se disse udfordringer og finde m\u00e5der at forbinde AI-systemer med en 'krop' eller i det mindste give dem et robust sensorisk grundlag.\u00a0<\/span><\/p>\n Det har umiddelbare praktiske anvendelser. Tag eksemplet med f\u00f8rerl\u00f8se biler - deres sensoriske systemer skal fungere p\u00e5 samme m\u00e5de som vores for at fungere sikkert. Ellers har de intet h\u00e5b om at \"se\" en potentiel forhindring og reagere hurtigt for at undg\u00e5 en katastrofe, hvilket har vist sig at v\u00e6re en v\u00e6sentlig hindring for deres udbredelse.\u00a0\u00a0<\/span><\/p>\n 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 netv\u00e6rk af nerveceller. Hvis vores m\u00e5l er at bygge maskiner, der bliver stadig mere intelligente og beh\u00e6ndige, s\u00e5 skal vi bruge kredsl\u00f8b af kobber og silicium. Men hvis vores m\u00e5l er at genskabe den menneskelige hjerne med dens finurlige genialitet, evne til multitasking og selvf\u00f8lelse, m\u00e5 vi lede efter andre materialer og andre designs.\"\u00a0<\/span><\/p>\n Disse kommentarer, som stadig er relevante i dag, blev offentliggjort i en <\/span>Diskussionsartikel om naturen<\/span><\/a> udgivet i 2012 i anledning af Turings 100-\u00e5rsdag - og AI har udviklet sig hurtigt siden da.\u00a0<\/span><\/p>\n S\u00e5 hvor er vi nu?<\/p>\n Forskere udforsker i dag de \"andre materialer og forskellige designs\", som Bray henviser til, s\u00e5som spiking neural networks (SNN'er), en type neuralt netv\u00e6rk, der er n\u00f8je modelleret efter neuronal funktionalitet.<\/span><\/p>\n SNN'er er et specialiseret alternativ til de konventionelle neurale netv\u00e6rk, som vi ofte st\u00f8der p\u00e5 i maskinl\u00e6ring.\u00a0<\/span><\/p>\n I stedet for at bruge kontinuerlige aktiveringsfunktioner til at behandle inputdata efterligner SNN'er de indviklede forhold i biologiske neurale netv\u00e6rk ved at bruge diskrete spikes til kommunikation mellem neuronerne.\u00a0<\/span><\/p>\n I disse netv\u00e6rk integrerer hver kunstig neuron indkommende spikes fra de forbundne neuroner over tid. N\u00e5r det akkumulerede signal, eller membranpotentialet, overskrider en bestemt t\u00e6rskel, affyrer neuronen selv en spike.\u00a0<\/span><\/p>\n Denne spiking-mekanisme g\u00f8r det muligt for netv\u00e6rket at opfange og behandle b\u00e5de rumlige og tidsm\u00e6ssige m\u00f8nstre, ligesom neuronerne i biologiske hjerner.<\/span><\/p>\n S\u00e5 hvad g\u00f8r SNN'er til et fokuspunkt inden for bioinspireret AI?\u00a0<\/span><\/p>\n For det f\u00f8rste adskiller de sig ved deres evne til naturligt at behandle tidsm\u00e6ssige datasekvenser, hvilket eliminerer behovet for ekstra hukommelsesenheder som dem, der ses i tilbagevendende neurale netv\u00e6rk (RNN'er).<\/span><\/p>\n For det andet er SNN'er designet til at v\u00e6re utroligt energieffektive. I mods\u00e6tning til traditionelle neurale netv\u00e6rk, hvor hver neuron er konstant aktiv, g\u00f8r SNN'ernes sparsomme og begivenhedsdrevne natur det muligt for neuronerne at forblive stort set inaktive og kun affyre spikes, n\u00e5r det er n\u00f8dvendigt. Det s\u00e6nker deres energiforbrug betydeligt.<\/span><\/p>\n Endelig har SNN'er potentialet til \u00f8get robusthed og fleksibilitet ved at efterligne biologiske systemer bedre, is\u00e6r i st\u00f8jende eller uforudsigelige omgivelser.<\/span><\/p>\n Selvom begrebet SNN har sine r\u00f8dder i en teoretisk forst\u00e5else af biologiske neurale systemer, har fremskridt inden for hardwareteknologi gjort disse netv\u00e6rk mere tilg\u00e6ngelige for beregningsopgaver.\u00a0<\/span><\/p>\n Neuromorfe chips, der er specielt designet til effektivt at simulere spiking-dynamik, har spillet en vigtig rolle i at g\u00f8re SNN'er praktisk anvendelige.\u00a0<\/span><\/p>\n De sidste to \u00e5r har budt p\u00e5 v\u00e6sentlige fremskridt i opbygningen af ultralette bygninger, <\/span>Energieffektiv AI<\/span><\/a> l\u00f8sninger, ogs\u00e5 kaldet neuromorfiske chips.<\/span><\/p>\n Flere andre typer neuromorfiske teknologier er ogs\u00e5 tilg\u00e6ngelige nu, f.eks. neuromorfiske kameraer modelleret efter biologiske \u00f8jne.\u00a0\u00a0<\/span><\/p>\n![\"Android\"](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/shutterstock_2229125163.jpg\")
![\"Hjerneatlas\"](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/Brainatlas-1024x620.png\")
Rejsen med bio-inspireret AI<\/span><\/h2>\n
![\"Perceptron\"](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/NMAH-72-361.jpg\")
![\"Myre](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/shutterstock_1185312127.jpg\")
P\u00e5 vej mod bio-inspireret AI<\/span><\/h2>\n
![\"AI](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/Nerv_1.jpg\")
Spiking neurale netv\u00e6rk (SNN) og biologisk hardware<\/span><\/h2>\n
IBM's bio-inspirerede analoge chip og SNN'er<\/span><\/h3>\n