Forscher der MRC Brain Network Dynamics Unit und des Fachbereichs Informatik der Universität Oxford haben eine neue Methode zum Vergleich des Lernens von KI-Systemen und des menschlichen Gehirns gefunden.
Die Studie befasst sich zunächst mit einem grundlegenden Problem sowohl beim menschlichen als auch beim maschinellen Lernen: der Kreditvergabe. Dieses Konzept zeigt auf, welche Teile des Lernprozesses für Fehler verantwortlich sind, was dem Lernprozess selbst immanent ist.
Bei KI-Systemen erfolgt dies durch Backpropagation, d. h. die Anpassung von Parametern, um Fehler in der Ausgabe zu korrigieren.
Backpropagation funktioniert wie eine Rückkopplungsschleife. Wenn eine KI eine Vorhersage oder Entscheidung trifft, die sich als falsch herausstellt, führt diese Methode durch die Schichten des Netzwerks zurück.
Dabei wird ermittelt, welche Teile der Berechnung zum Fehler beigetragen haben, und diese Teile werden dann angepasst, um den Entscheidungsprozess der KI für künftige Vorhersagen zu verfeinern.
Die StudieDie in der Zeitschrift Nature Neuroscience veröffentlichte Studie erklärt, wie sich die Backpropagation von der Lernmethode des menschlichen Gehirns deutlich unterscheidet.
Neue Forschung von @MRCBNDU zeigt, dass die Art und Weise, wie das Gehirn lernt, sich von der Art und Weise, wie Systeme der künstlichen Intelligenz lernen, unterscheidet und besser ist als diese: https://t.co/Tg1d9vdsKy#OxfordAI
- Nuffield Department of Clinical Neurosciences (@NDCNOxford) 3. Januar 2024
Während die KI traditionell auf Backpropagation setzt, um Fehler zu beheben, schlagen die Forscher vor, dass das Gehirn dieselben Aufgaben durch einen Prozess namens "prospektive Konfiguration" ausführt.
Bei der prospektiven Konfiguration passt das Gehirn die Verbindungen nicht direkt aufgrund von Fehlern an, sondern sagt zunächst das ideale Muster der neuronalen Aktivität voraus, das sich aus dem Lernen ergibt. Erst nach dieser Vorhersage erfolgen Änderungen an den neuronalen Verbindungen.
Diese Methode steht im Gegensatz zu der in der KI verwendeten Backpropagation, bei der der Prozess umgekehrt abläuft - die Anpassung der Verbindungen führt zu einer Veränderung der neuronalen Aktivität und diese folgt.
Entscheidend ist, dass die prospektive Konfiguration, ein Ansatz, der wahrscheinlich von praktisch allen biologischen Gehirnen verwendet wird, einen effizienteren Lernmechanismus als die Backpropagation bietet.
Im Gegensatz zur künstlichen Intelligenz kann der Mensch neue Informationen schnell und mit minimalem Aufwand aufnehmen, ohne dass das vorhandene Wissen verloren geht - eine Fähigkeit, die die künstliche Intelligenz nur schwer erreichen kann.
Diese Strategie bewahrt nicht nur das vorhandene Wissen, sondern beschleunigt auch den Lernprozess.
Es gibt noch Leben im alten menschlichen Gehirn
Das Team veranschaulicht dieses Konzept mit einer Analogie. Stellen Sie sich einen Bären vor, der Lachse angelt: Er nutzt den Anblick des Flusses und den Geruch der Lachse, um den Erfolg vorherzusagen.
Wenn der Bär aufgrund eines beschädigten Ohrs den Fluss plötzlich nicht mehr hören kann, würde ein KI-Modell fälschlicherweise annehmen, dass es keine Lachse gibt.
Im Gegensatz dazu würde sich das Gehirn des Tieres, das auf der Grundlage einer prospektiven Konfiguration arbeitet, immer noch auf den Geruch verlassen, um auf die Anwesenheit des Lachses zu schließen.
Diese Theorie, die durch Computersimulationen gestützt wird, zeigt, dass Modelle, die eine prospektive Konfiguration verwenden, herkömmliche neuronale KI-Netze in ihrer Lernleistung übertreffen.
Professor Rafal Bogacz, der leitende Forscher der MRC Brain Network Dynamics Unit und des Nuffield Department of Clinical Neurosciences in Oxford, beschrieben in der Studie: "Derzeit klafft eine große Lücke zwischen abstrakten Modellen, die eine prospektive Konfiguration vornehmen, und unserem detaillierten Wissen über die Anatomie von Gehirnnetzwerken."
"Zukünftige Forschungen unserer Gruppe zielen darauf ab, die Lücke zwischen abstrakten Modellen und realen Gehirnen zu schließen und zu verstehen, wie der Algorithmus der prospektiven Konfiguration in anatomisch identifizierten kortikalen Netzwerken umgesetzt wird.
Mitautor Dr. Yuhang Song fügt hinzu: "Im Falle des maschinellen Lernens ist die Simulation der prospektiven Konfiguration auf bestehenden Computern langsam, da sie auf eine grundlegend andere Weise arbeiten als das biologische Gehirn. Es muss ein neuer Computertyp oder eine spezielle, vom Gehirn inspirierte Hardware entwickelt werden, die in der Lage ist, die prospektive Konfiguration schnell und mit geringem Energieaufwand zu implementieren."
Bio-inspirierte KI ist in der Pipeline
Bioinspirierte KIDie auch als neuromorphe KI bezeichnete Technologie zielt darauf ab, Systeme zu schaffen, die ähnlich wie natürliche Organismen fühlen, denken und sich verhalten können.
It konzentriert sich auf Eleganz, Anpassungsfähigkeit und Energieeffizienz - Eigenschaften, die biologischen Systemen eigen sind.
Das menschliche Gehirn mit seiner effizienten Energienutzung und seiner Fähigkeit, sich in unterschiedlichen Umgebungen zurechtzufinden, übertrifft die KI in zahlreichen Disziplinen und Anwendungen noch immer.
In der Tat ist unser Gehirn mit minimaler Leistung bewusst - ein Meilenstein, den die KI nach den meisten Schätzungen noch nicht erreicht hat.
Im Gegensatz zu den kolossalen Leistungsanforderungen aktueller KI-Modelle wie ChatGPT, die Tausende leistungshungriger Grafikprozessoren benötigen, zielt die bioinspirierte KI auf die Entwicklung nachhaltigerer und anpassungsfähigerer Systeme ab.
In letzter Zeit hat es in diesem Bereich Fortschritte gegeben: IBM und Rain AI Entwicklung von Chips mit geringem Stromverbrauch auf synaptische Funktionen modelliert.
Sam Altman, CEO von OpenAI Backed Rain AI und OpenAI wollte sich von ihnen Chips im Wert von mehreren Millionen Dollar sichern.
Andere neue Ansätze für bioinspirierte KI Schwarmintelligenz einbeziehendas die kollektive Entscheidungsfindung von Gruppen von Insekten, Vögeln und Fischen nachahmen soll.
Die Fortschritte in diesem Bereich versprechen, die Lücken in den traditionellen KI-Modellen zu schließen und uns in eine Zukunft zu führen, in der Maschinen nicht nur Werkzeuge sind, sondern Wesen mit einem gewissen Maß an Autonomie und Interaktion mit der Umwelt.
Wie die Oxford-Studie zeigt, muss die KI jedoch noch einige grundlegende Fragen beantworten, bevor sie es mit biologischen Gehirnen aufnehmen kann.
