Forskere fra MRC Brain Network Dynamics Unit og Oxford University's Department of Computer Science har funnet en ny metode for å sammenligne læring i AI-systemer og den menneskelige hjerne.
Studien begynner med å ta for seg et grunnleggende spørsmål i både menneskelig og maskinell læring: kredittildeling. Dette konseptet identifiserer hvilke deler av læringsprosessen som er ansvarlige for feil, noe som er iboende i selve læringsprosessen.
AI-systemer tilnærmer seg dette gjennom backpropagation, som justerer parametere for å korrigere feil i utdataene.
Backpropagation fungerer som en tilbakemeldingssløyfe. Når en kunstig intelligens gjør en prediksjon eller tar en beslutning som viser seg å være feil, sporer denne metoden tilbake gjennom lagene i nettverket.
Prosessen identifiserer hvilke deler av beregningen som bidro til feilen, og justerer deretter disse spesifikke delene, noe som effektivt forbedrer AI-ens beslutningsprosess for fremtidige spådommer.
Den studiepublisert i Nature Neuroscience, forklarer hvordan backpropagation skiller seg vesentlig fra den menneskelige hjernens læringsmetode.
Ny forskning fra @MRCBNDU viser at hjernen lærer på en annen og bedre måte enn kunstig intelligens: https://t.co/Tg1d9vdsKy#OxfordAI
- Nuffield Department of Clinical Neurosciences (@NDCNOxford) 3. januar 2024
Mens kunstig intelligens tradisjonelt baserer seg på backpropagation for å håndtere feil, foreslår forskerne at hjernen utfører de samme oppgavene gjennom en prosess som kalles "prospektiv konfigurasjon".
I prospektiv konfigurasjon vil hjernen, i stedet for å justere forbindelsene direkte basert på feil, først forutsi det ideelle mønsteret av nevral aktivitet som følge av læring. Først etter denne prediksjonen skjer det endringer i de nevrale forbindelsene.
Denne metoden står i kontrast til backpropagation, som brukes i kunstig intelligens, der prosessen er omvendt - justeringer av forbindelser leder, og endringer i nevral aktivitet følger.
Det er avgjørende at prospektiv konfigurasjon, en tilnærming som sannsynligvis deles av praktisk talt alle biologiske hjerner, tilbyr en mer effektiv læringsmekanisme enn backpropagation.
I motsetning til AI kan mennesker raskt tilegne seg ny informasjon med minimal eksponering og uten å undergrave eksisterende kunnskap, noe AI sliter med å matche.
Denne strategien bevarer ikke bare eksisterende kunnskap, men fremskynder også læringsprosessen.
Det er fortsatt liv i den gamle menneskehjernen
Teamet illustrerer dette konseptet med en analogi. Tenk deg en bjørn som fisker laks: Den bruker synet av elven og lukten av laks til å forutsi om den vil lykkes.
Hvis bjørnen plutselig ikke kan høre elva på grunn av et skadet øre, vil en AI-modell feilaktig anta at det ikke finnes laks.
Dyrets hjerne, som opererer med prospektiv konfigurasjon, vil derimot fortsatt være avhengig av lukten for å utlede laksens tilstedeværelse.
Denne teorien, som støttes av datasimuleringer, viser at modeller som bruker prospektiv konfigurasjon, utkonkurrerer tradisjonelle AI-nevrale nettverk når det gjelder læringseffektivitet.
Professor Rafal Bogacz, den ledende forskeren fra MRC Brain Network Dynamics Unit og Oxfords Nuffield Department of Clinical Neurosciences, beskrevet av studien: "Det er for tiden et stort gap mellom abstrakte modeller som utfører prospektiv konfigurasjon, og vår detaljerte kunnskap om hjernenettverkenes anatomi."
"Fremtidig forskning i gruppen vår har som mål å bygge bro mellom abstrakte modeller og virkelige hjerner, og forstå hvordan algoritmen for prospektiv konfigurasjon implementeres i anatomisk identifiserte kortikale nettverk."
Medforfatter Dr. Yuhang Song legger til: "Når det gjelder maskinlæring, er simuleringen av prospektiv konfigurasjon på eksisterende datamaskiner treg, fordi de fungerer på fundamentalt forskjellige måter fra den biologiske hjernen. Det må utvikles en ny type datamaskin eller dedikert hjerneinspirert maskinvare som kan implementere prospektiv konfigurasjon raskt og med lite energiforbruk."
Bioinspirert AI er på trappene
Bioinspirert kunstig intelligens, også kalt nevromorfisk AI, har som mål å skape systemer som kan sanse, tenke og oppføre seg på samme måte som naturlige organismer.
It fokuserer på eleganse, tilpasningsevne og energieffektivitet - egenskaper som er iboende i biologiske systemer.
Menneskehjernen, med sin effektive bruk av energi og evne til å trives i varierte miljøer, trumfer fortsatt kunstig intelligens på en rekke fagområder og bruksområder.
Hjernen vår, med minimal kraft, er faktisk bevisst - en milepæl AI ennå ikke har nådd, ifølge de fleste estimater.
I motsetning til de kolossale kraftbehovene til dagens AI-modeller som ChatGPT, som krever tusenvis av kraftkrevende GPU-er, har bioinspirert AI som mål å utvikle mer bærekraftige og tilpasningsdyktige systemer.
Det har skjedd fremskritt på dette feltet i det siste, med IBM og Rain AI utvikle brikker med lavt strømforbruk modellert på synaptiske funksjoner.
OpenAIs administrerende direktør Sam Altman støttet Rain AI i fjor, og OpenAI hadde som mål å sikre seg brikker for millioner av dollar fra dem.
Andre nye tilnærminger til bioinspirert AI inkluderer svermintelligens, som forsøker å etterligne den kollektive beslutningsprosessen til grupper av insekter, fugler og fisk.
Etter hvert som dette feltet utvikler seg, vil det bygge bro over hullene som er identifisert i tradisjonelle AI-modeller, og lede oss mot en fremtid der maskiner ikke bare er verktøy, men enheter med en viss grad av autonomi og interaksjon med omgivelsene.
Som Oxford-studien viser, er det imidlertid grunnleggende spørsmål som må besvares før AI kan matche biologiske hjerner.
