Fra Ada Lovelace og Charles Babbage la grunnlaget for Alan Turings banebrytende forskning på databehandling, har verden vært fascinert av løftet om kunstig intelligens - en drøm om å skape maskinbaserte enheter med menneskelignende kognitive evner.
Senere har utviklingen av kunstig intelligens imidlertid dreid bort fra sine biologiske røtter til fordel for brutal regnekraft og algoritmisk kompleksitet.
Drømmen om naturtro roboter i science fiction-stil har dermed dabbet av til fordel for mer overfladisk hverdagslige store språkmodeller (LLM-er) som ChatGPT.
Dagens AI-modeller er selvfølgelig fortsatt fengslende, men de fungerer som et verktøy snarere enn et vesen.
Det er fortsatt tidlig, men til tross for fenomenale fremskritt har AIs kappløp på beregningsfronten avdekket mangler i jakten på genuint intelligente maskiner.
Uansett hvor kraftige algoritmene våre blir, mangler de eleganse, tilpasningsevne og energieffektivitet - det som kjennetegner biologiske systemer.
Forskerne vet dette - og det frustrerer dem.
Professor Tony Prescott og Dr. Stuart Wilson fra University of Sheffield har nylig fremhevet at de fleste AI-modeller, som ChatGPT, er "kroppsløse", det vil si at de mangler en direkte forbindelse til det fysiske miljøet.
Menneskehjernen har derimot utviklet seg innenfor et fysisk system - kroppen vår - som gjør det mulig for oss å sanse og samhandle direkte med verden.
Forskerne er ivrige etter å frigjøre AI fra den monolittiske arkitekturen, noe som har ført til en oppblomstring av bioinspirert AI, også kalt nevromorfisk AI, en underdisiplin som søker å etterligne de komplekse prosessene som finnes i naturen for å skape smartere og mer effektive systemer.
Dette arbeidet bygger på ulike biologiske rammeverk, fra strukturene som utgjør hjernen vår til svermintelligens som er observert hos maur eller fugler.
I jakten på autonomi og effektivitet tvinger bioinspirert AI oss til å se nærmere på gamle beregningsproblemer, for eksempel å gå bort fra ressurskrevende arkitekturer som består av tusenvis av strømkrevende GPU-er, og over til lettere, mer intrikate analoge systemer.
Prescott, som nylig var medforfatter av en artikkel, "Forstå hjernens funksjonelle arkitektur ved hjelp av robotteknologi"Det er mye mer sannsynlig at AI-systemer vil utvikle menneskelignende kognisjon hvis de bygges med arkitekturer som lærer og forbedrer seg på samme måte som menneskehjernen, ved hjelp av dens forbindelser til den virkelige verden", understreker han.
Menneskehjernen er et godt eksempel på dette - hver tanke og handling hjernen din fremkaller, krever bare like mye strøm som en svak lyspære - omtrent 20 watt.
Og det går lenger enn som så. Selv når mennesker ikke får tilført energi fra mat, kan de overleve i over en måned. Ekstremofile organismer har funnet metoder for å trives i noen av de mest ugjestmilde miljøene på planeten.
Sammenlign det med infrastrukturen som kreves for å drive AI-modeller som ChatGPT, som krever like mye strøm som en liten by og ikke kan replikere seg selv, helbrede seg selv eller tilpasse seg omgivelsene.
For å gi kunstig intelligens en rettferdig behandling, kan man hevde at det er feil å sammenligne kunstig intelligens med biologisk intelligente systemer.
Datamaskiner og hjerner utmerker seg tross alt med forskjellige oppgaver - det ligger kanskje i menneskets natur å smelte dem sammen i antropomorfe visjoner om autonome AI-er som samhandler med omgivelsene på samme måte som de biologiske vesenene vi har utviklet oss ved siden av.
Både AI-forskere og hjerneforskere er imidlertid villige til å gå inn i denne intellektuelle blindveien, og mange vil beskrive hjernen "som en datamaskin" som kan modelleres og replikeres kunstig.
Den EUs Human Brain Project (HBP)et multinasjonalt eksperiment til nesten $1 milliard i Big Science, var en leksjon i hvordan hjernens kompleksitet unndrar seg kunstig modellering.
HBP hadde som mål å modellere menneskehjernen i sin helhet, men lyktes bare med å modellere bruddstykker av dens funksjonalitet.
Hjernen vår - som en enkelt enhet - beseiret de kollektive hjernene til tusenvis av forskere med enorme midler og datakraft til rådighet - kall det poetisk rettferdighet.
Bevisstheten og essensen av tankedannelse er nemlig en like fjern grense til verdensrommet... - wVi er bare ikke der ennå.
Kjernen i dette problemet er koblingen mellom biologi og maskiner.
Selv om nevrale nettverk og andre former for maskinlæringsarkitektur (ML) er modellert i analogi med biologiske hjerner, er beregningsmetoden fundamentalt annerledes.
Rodney Brooks, professor emeritus i robotikk ved MIT, har reflektert over denne fastlåste situasjonen, med angivelse av"Det er en bekymring for at hans versjon av beregning, basert på funksjoner av heltall, er begrenset. Biologiske systemer er helt klart annerledes. De må reagere på ulike stimuli over lange tidsperioder, og disse reaksjonene endrer i sin tur omgivelsene og påfølgende stimuli. Den individuelle atferden til sosiale insekter påvirkes for eksempel av strukturen i hjemmet de bygger, og atferden til søsknene deres i det."
Brooks oppsummerer dette paradokset ved å spørre: "Bør disse maskinene være modellert på hjernen, gitt at våre modeller av hjernen er utført på slike maskiner?"
Reisen mot bioinspirert AI
Naturen har hatt millioner av år med "FoU" til å perfeksjonere sine utrolig motstandsdyktige mekanismer.
Trenden mot bioinspirert AI kan ses på som en kurskorreksjon, en ydmyk erkjennelse av at vår søken etter avansert AI kan ha ført oss inn på en vei som, selv om den fortsatt er blendende i sin kompleksitet, kan være uholdbar i det lange løp.
Eller i det minste er det ikke sikkert at den nåværende utviklingen oppfyller det menneskeheten til syvende og sist søker fra AI. Hvis vi ønsker å leve i "fremtiden" der mennesker og roboter går side om side (selv om det selvsagt ikke er alle som ønsker det), må vi gjøre noe bedre enn å samle flere GPU-er og trene opp større modeller.
Når det er sagt, er det håp for de ivrige fremtidsforskerne blant oss, for forskere har i flere tiår syslet med ideer om bioinspirert databehandling, og noen av de spekulative ideene begynner å få fotfeste.
På slutten av 50- og begynnelsen av 60-tallet ble Frank Rosenblatts arbeid med Perceptron den første forenklede modellen av et biologisk nevron.
Artikkelen fra 1986 "Læring av representasjoner ved hjelp av tilbakevirkende feil" av David Rumelhart, Geoffrey Hinton og Ronald Williams endret spillet.
Hinton og teamet hans introduserte backpropagation-algoritmen, en robust mekanisme for opplæring av flerlagede nevrale nettverk, som drev feltet inn i anvendelser som spenner fra naturlig språkbehandling (NLP) til datasyn (CV) - to grunnleggende grener av moderne kunstig intelligens.
Kort tid etter tok bioinspirasjonen en annen vei, med lån fra darwinistiske prinsipper. John Hollands bok fra 1975 "Tilpasning i naturlige og kunstige systemer" la grunnlaget for genetiske algoritmer.
Ved å simulere mekanismer som mutasjon og naturlig seleksjon har denne tilnærmingen åpnet opp for et kraftfullt verktøy for optimaliseringsproblemer, som har funnet anvendelse i bransjer som luftfart og finans.
Konsepter som "svermintelligens", som ble observert i svermer av insekter og synkroniserte bevegelser hos fugler og fisk, ble først introdusert i databehandling på 80- og 90-tallet, og har gjort bemerkelsesverdige fremskritt i 2023.
I august 2023 vil tidligere Google-ansatte grunnla Sakana, en oppstartsbedrift som foreslår å utvikle et ensemble av mindre AI-modeller som opererer i samspill.
Sakanas tilnærming er inspirert av biologiske systemer som fiskestimer eller nevrale nettverk, der mindre enheter samarbeider for å nå et mer komplekst mål.
Denne ensembleringstilnærmingen tar hensyn til de monolittiske arkitekturene i moderne AI-modeller som ChatGPT, og lover å redusere strømforbruket og gi økt tilpasningsevne og robusthet - egenskaper som er iboende i biologiske organismer.
Selv forsterkningslæring (RL), en gren av maskinlæring som handler om å lære algoritmer å ta beslutninger i jakten på en belønning, var i stor grad bioinspirert.
Richard Sutton og Andrew Bartos banebrytende bok "Forsterkningslæring: En introduksjon" henter mange eksempler fra hvordan dyr lærer av omgivelsene sine, og inspirerer til algoritmer som kan tilpasse seg basert på belønning og straff.
Boken inneholder hundrevis av sammenligninger med dyrs atferd, og sier blant annet: "Av alle former for maskinlæring er forsterkningslæring det som ligger nærmest den typen læring som mennesker og andre dyr gjør."
Mot bioinspirert kunstig intelligens
Hos komplekse biologiske vesener som mennesker og andre virveldyr samarbeider ulike komponenter i nervesystemet om å styre en lang rekke funksjoner.
Sentralnervesystemet (CNS) fungerer som et kontrollsenter som behandler informasjon og orkestrerer responser.
Samtidig fungerer det perifere nervesystemet (PNS) som et kommunikasjonsnettverk som overfører signaler mellom CNS og andre deler av kroppen.
Innenfor PNS ligger det spesialiserte autonome nervesystemet (ANS), som opererer ufrivillig for å styre vitale funksjoner som hjerterytme og fordøyelse. Hvert system har sine egne roller, men de er likevel sammenkoblet og samarbeider sømløst for å hjelpe oss med å navigere i omgivelsene.
Enklere organismer som insekter har et slankere og mer økonomisk nervesystem, selv om det fortsatt er utrolig komplekst. En bananflue har noen 3000 nevroner og en halv million synapser.
Komponentene i det biologiske nervesystemet er anatomisk distinkte, men fungerer helhetlig, knyttet sammen via nevroner som sender og mottar sensoriske stimuli, og som til slutt danner en konseptuell forståelse - eller bevissthet hos mer komplekse vesener.
For å skape autonome roboter med tett koblede hjerner og sansesystemer må forskerne gå bort fra brute-force computing og skape lette systemer som er forankret i den sensoriske virkeligheten.
Selv om AI-modeller som ChatGPT har enorme kunnskaper, er de til en viss grad låst i tid og utestengt fra den sensoriske virkeligheten, og deres forståelse er først og fremst drevet av treningsdataene deres.
Dette gir AI fordeler, eller rettere sagt, gir AI en rekke ferdigheter som skiller seg fra biologiske vesener - og det er kanskje derfor menneskeheten er opptatt av å utvikle AI for å avhjelpe ineffektiviteten ved å være et biologisk vesen.
Som Amnon Shashua høydepunkter... "datamaskinens helt annerledes arkitektur favoriserer strategier som utnytter dens praktisk talt ubegrensede minnekapasitet og brute-force optimalt".
Men hvis vi noen gang skal kunne frigjøre AI fra datasentre og nettlesere, må forskerne løse disse utfordringene og finne måter å knytte AI-systemene til en "kropp" på, eller i det minste gi dem et robust sensorisk grunnlag.
Dette har umiddelbar praktisk nytte. Ta eksemplet med førerløse biler - deres sensoriske systemer må fungere på samme måte som våre for å fungere trygt. Ellers har de ingen mulighet til å "se" en potensiell hindring og reagere raskt for å unngå en katastrofe, noe som har vist seg å være et betydelig hinder for masseinnføring.
Dennis Bray, Department of Physiology, Development and Neuroscience, University of Cambridge, argumenterte i tråd med dette: "Maskiner kan matche oss i mange oppgaver, men de fungerer på en annen måte enn nettverk av nerveceller. Hvis målet vårt er å bygge maskiner som blir stadig mer intelligente og fingerferdige, bør vi bruke kretser av kobber og silisium. Men hvis målet vårt er å gjenskape menneskehjernen, med dens særegne briljans, evne til multitasking og selvfølelse, må vi lete etter andre materialer og en annen design."
Disse kommentarene, som fortsatt er relevante i dag, ble publisert i en Diskusjonsartikkel i Nature utgitt i 2012 i forbindelse med Turings 100-årsjubileum - og AI har utviklet seg raskt siden den gang.
Så hvor er vi nå?
Spiking nevrale nettverk (SNN) og biologisk maskinvare
I dag utforsker forskerne de "andre materialene og de ulike designene" Bray refererer til, for eksempel spiking neural networks (SNN), en type nevrale nettverk som er nært beslektet med nevronisk funksjonalitet.
SNN er et spesialisert alternativ til de konvensjonelle nevrale nettverkene vi ofte støter på i maskinlæring.
I stedet for å basere seg på kontinuerlige aktiveringsfunksjoner for å behandle inngangsdata, etterligner SNN de biologiske nevrale nettverkenes forviklinger ved å bruke diskrete spikes for kommunikasjon mellom nevronene.
I disse nettverkene integrerer hvert kunstige nevron innkommende spikes fra de tilkoblede nevronene over tid. Når det akkumulerte signalet, eller membranpotensialet, overskrider en viss terskel, avfyrer nevronet selv en spike.
Denne spiking-mekanismen gjør at nettverket kan fange opp og behandle både romlige og tidsmessige mønstre, på samme måte som nevronene i biologiske hjerner.
Så hva er det som gjør SNN til et fokusområde innen bioinspirert AI?
For det første skiller de seg ut ved at de på en naturlig måte kan behandle temporale datasekvenser, noe som eliminerer behovet for ekstra minneenheter, slik man ser i tilbakevendende nevrale nettverk (RNN)
For det andre er SNN-er designet for å være utrolig energieffektive. I motsetning til tradisjonelle nevrale nettverk, der hvert enkelt nevron er aktivt hele tiden, gjør SNN-enes sparsomme og hendelsesstyrte natur det mulig for nevronene å forbli stort sett inaktive, og avfyre spikes bare når det er nødvendig. Dette senker energiforbruket betydelig.
Ved å etterligne biologiske systemer i større grad, har SNN-er potensial for økt robusthet og fleksibilitet, spesielt i omgivelser med støy eller uforutsigbarhet.
Selv om SNN-konseptet har sine røtter i en teoretisk forståelse av biologiske nevrale systemer, har fremskritt innen maskinvareteknologi gjort disse nettverkene mer tilgjengelige for beregningsoppgaver.
Nevromorfe brikker, som er spesielt utviklet for effektivt å simulere dynamikken i piggdynamikken, har spilt en viktig rolle i arbeidet med å gjøre SNN praktisk anvendelige.
IBMs bioinspirerte analoge chip og SNN-er
De siste to årene har vi vært vitne til viktige fremskritt i byggingen av ultralette produkter, energieffektiv AI løsninger, også kalt nevromorfe brikker.
Flere andre typer nevromorfisk teknologi er også tilgjengelig nå, for eksempel nevromorfiske kameraer som er modellert etter biologiske øyne.
Utviklet i 2023, IBMs chip bruker analoge komponenter som memristorer til å lagre varierende numeriske verdier. Den benytter også faseendringsminne (PCM) for å registrere et spekter av verdier i stedet for 0-er og 1-er.
Disse egenskapene gjør det mulig å redusere dataoverføringen mellom minne og prosessor, noe som gir en fordel når det gjelder energieffektivitet. IBMs design har "64 analoge beregningskjerner i minnet, som hver inneholder en 256 x 256 synaptisk matrise". Den oppnådde en imponerende nøyaktighet på 92,81% i en referansetest for datasyn (CV), samtidig som den var over 15 ganger mer effektiv enn flere eksisterende brikker.
Selv om IBMs brikke ikke er eksplisitt basert på SNN, gjør den analoge naturen og bruken av memristorer den svært kompatibel med SNN-modellen.
SNN-ene kan implementeres på en mer naturlig måte i denne typen arkitektur.
IIT Bombays SNN-baserte chip
I 2022 har forskere fra Indian Institute of Technology, Bombay, designet en chip som fungerer spesielt med SNN-er.
Denne brikken bruker bånd-til-bånd-tunnelstrøm (BTBT) for å lage kunstige nevroner med svært lav energi. Ifølge professor Udayan Ganguly oppnår brikken "5000 ganger lavere energi per spike på et tilsvarende areal og 10 ganger lavere standby-strøm på et tilsvarende areal og energi per spike".
Denne typen chip kan brukes direkte i kompakte enheter som mobiltelefoner, ubemannede autonome kjøretøy (UAV-er) og IoT-enheter, og dekker behovet for lette og energieffektive AI-datamaskiner.
Begge tilnærmingene tar sikte på å muliggjøre det Ganguly beskriver som "en nevrosynaptisk kjerne med ekstremt lavt strømforbruk og utvikling av en læringsmekanisme i sanntid på chipen, noe som er nøkkelen til autonome biologisk inspirerte nevrale nettverk. Dette er den hellige gral."
Disse systemene kan kombinere "tankesystemet" med "handlings- og bevegelsessystemet", i likhet med det vi observerer hos biologiske organismer.
Dette vil gjøre det mulig for oss å ta et stort skritt i retning av å skape kunstige systemer som er kraftige, bærekraftige og nært knyttet til de biologiske systemene som har inspirert kunstig intelligens i nesten hundre år.
Endelig kunne menneskeheten frigjøre AI-er fra monolittisk arkitektur, koble dem fra strømkildene sine og sende dem ut i verden - og universet - som autonome vesener.
Om dette er en god idé eller ikke - det er en diskusjon vi får ta en annen gang.
