I ricercatori della MRC Brain Network Dynamics Unit e del Dipartimento di Informatica dell'Università di Oxford hanno individuato un nuovo strumento per confrontare l'apprendimento nei sistemi di intelligenza artificiale e nel cervello umano.
Lo studio inizia affrontando una questione fondamentale nell'apprendimento umano e automatico: l'assegnazione dei crediti. Questo concetto identifica quali parti del processo di apprendimento sono responsabili degli errori, il che è intrinseco al processo di apprendimento stesso.
I sistemi di intelligenza artificiale affrontano questo problema attraverso la retropropagazione, regolando i parametri per correggere gli errori in uscita.
La retropropagazione funziona come un ciclo di feedback. Quando un'intelligenza artificiale fa una previsione o una decisione che si rivela errata, questo metodo ripercorre gli strati della rete.
Il processo identifica quali parti del calcolo hanno contribuito all'errore e quindi regola quelle parti specifiche, affinando di fatto il processo decisionale dell'IA per le previsioni future.
Il studiopubblicato su Nature Neuroscience, spiega come la retropropagazione differisca in modo significativo dal metodo di apprendimento del cervello umano.
Una nuova ricerca di @MRCBNDU dimostra che il modo in cui il cervello apprende è diverso e migliore di quello dei sistemi di intelligenza artificiale: https://t.co/Tg1d9vdsKy#OxfordAI
- Dipartimento Nuffield di Neuroscienze Cliniche (@NDCNOxford) 3 gennaio 2024
Mentre l'intelligenza artificiale si affida tradizionalmente alla retropropagazione per affrontare gli errori, i ricercatori propongono che il cervello svolga gli stessi compiti attraverso un processo chiamato "configurazione prospettica".
Nella configurazione prospettica, il cervello, invece di regolare direttamente le connessioni in base agli errori, prevede prima il modello ideale di attività neurale risultante dall'apprendimento. Solo dopo questa previsione si modificano le connessioni neurali.
Questo metodo contrasta con la retropropagazione utilizzata nell'IA, dove il processo è inverso: le regolazioni delle connessioni guidano e i cambiamenti nell'attività neurale seguono.
In particolare, la configurazione prospettica, un approccio probabilmente condiviso da quasi tutti i cervelli biologici, offre un meccanismo di apprendimento più efficiente rispetto alla retropropagazione.
A differenza dell'IA, gli esseri umani sono in grado di assorbire rapidamente nuove informazioni con un'esposizione minima e senza erodere le conoscenze esistenti, un'abilità che l'IA fatica ad eguagliare.
Questa strategia non solo preserva le conoscenze esistenti, ma accelera anche il processo di apprendimento.
C'è ancora vita nel vecchio cervello umano
Il team illustra questo concetto con un'analogia. Immaginate un orso che pesca il salmone: usa la vista del fiume e l'odore del salmone per prevedere il successo.
Se l'orso improvvisamente non riesce a sentire il fiume a causa di un orecchio danneggiato, un modello di intelligenza artificiale ipotizzerebbe erroneamente l'assenza di salmoni.
Al contrario, il cervello dell'animale, operando sulla configurazione prospettica, si baserebbe ancora sull'odore per dedurre la presenza del salmone.
Questa teoria, supportata da simulazioni al computer, dimostra che i modelli che utilizzano la configurazione prospettica superano le reti neurali AI tradizionali in termini di efficienza di apprendimento.
Il professor Rafal Bogacz, ricercatore capo della MRC Brain Network Dynamics Unit e del Nuffield Department of Clinical Neurosciences di Oxford, Descrizione dello studio: "Attualmente esiste un grande divario tra i modelli astratti che eseguono la configurazione prospettica e la nostra conoscenza dettagliata dell'anatomia delle reti cerebrali".
"Le future ricerche del nostro gruppo mirano a colmare il divario tra i modelli astratti e i cervelli reali, e a capire come l'algoritmo di configurazione prospettica venga implementato nelle reti corticali anatomicamente identificate".
Il coautore Dr. Yuhang Song aggiunge: "Nel caso dell'apprendimento automatico, la simulazione della configurazione prospettica sui computer esistenti è lenta, perché essi operano in modi fondamentalmente diversi dal cervello biologico. È necessario sviluppare un nuovo tipo di computer o un hardware dedicato ispirato al cervello, che sia in grado di implementare la configurazione prospettica in modo rapido e con un consumo energetico ridotto".
L'intelligenza artificiale bio-ispirata è in cantiere
IA bio-ispirataL'IA neuromorfa, chiamata anche IA neuromorfa, mira a creare sistemi in grado di percepire, pensare e comportarsi in modo simile agli organismi naturali.
IL'attenzione è rivolta all'eleganza, all'adattabilità e all'efficienza energetica, caratteristiche intrinseche dei sistemi biologici.
Il cervello umano, con il suo uso efficiente dell'energia e la sua capacità di prosperare in ambienti diversi, ha ancora la meglio sull'intelligenza artificiale in numerose discipline e applicazioni.
In effetti, il nostro cervello, con una potenza minima, è cosciente. una pietra miliare che l'AI deve ancora raggiungere, secondo la maggior parte delle stime..
In contrasto con le colossali richieste di potenza degli attuali modelli di IA come ChatGPT, che richiedono migliaia di GPU affamate di energia, l'IA bioispirata mira a sviluppare sistemi più sostenibili e adattabili.
Negli ultimi tempi si sono registrati dei progressi in questo campo, con IBM e Rain AI sviluppare chip a bassa potenza modellato sulle funzioni sinaptiche.
Sam Altman, CEO di OpenAI pioggia sostenuta AI l'anno scorso, e OpenAI mirava ad assicurarsi milioni di dollari di chip da loro.
Altri approcci innovativi all'IA bio-ispirata includere l'intelligenza di sciameche cerca di imitare il processo decisionale collettivo di gruppi di insetti, uccelli e pesci.
Con il progredire di questo campo, promette di colmare le lacune individuate nei modelli tradizionali di IA, portandoci verso un futuro in cui le macchine non sono solo strumenti, ma entità con un certo grado di autonomia e di interazione con l'ambiente.
Come dimostra lo studio di Oxford, però, ci sono domande fondamentali a cui l'intelligenza artificiale deve rispondere prima di poter eguagliare i cervelli biologici.
