Dr\u00f8mmen om naturtro roboter i science fiction-stil har dermed dabbet av til fordel for mer overfladisk hverdagslige store spr\u00e5kmodeller (LLM-er) som ChatGPT. <\/span><\/p>\n Dagens AI-modeller er selvf\u00f8lgelig fortsatt fengslende, men de fungerer som et verkt\u00f8y snarere enn et vesen.\u00a0<\/span><\/p>\n Det er fortsatt tidlig, men til tross for fenomenale fremskritt har AIs kappl\u00f8p p\u00e5 beregningsfronten avdekket mangler i jakten p\u00e5 genuint intelligente maskiner.\u00a0<\/span><\/p>\n Uansett hvor kraftige algoritmene v\u00e5re blir, mangler de eleganse, tilpasningsevne og energieffektivitet - det som kjennetegner biologiske systemer. <\/span><\/p>\n Forskerne vet dette - og det frustrerer dem.\u00a0<\/span><\/p>\n Professor Tony Prescott og Dr. Stuart Wilson fra University of Sheffield har nylig <\/span>fremhevet<\/span><\/a> at de fleste AI-modeller, som ChatGPT, er \"kroppsl\u00f8se\", det vil si at de mangler en direkte forbindelse til det fysiske milj\u00f8et.\u00a0<\/span><\/p>\n Menneskehjernen har derimot utviklet seg innenfor et fysisk system - kroppen v\u00e5r - som gj\u00f8r det mulig for oss \u00e5 sanse og samhandle direkte med verden.<\/span><\/p>\n Forskerne er ivrige etter \u00e5 frigj\u00f8re AI fra den monolittiske arkitekturen, noe som har f\u00f8rt til en oppblomstring av bioinspirert AI, ogs\u00e5 kalt nevromorfisk AI, en underdisiplin som s\u00f8ker \u00e5 etterligne de komplekse prosessene som finnes i naturen for \u00e5 skape smartere og mer effektive systemer.\u00a0<\/span><\/p>\n Dette arbeidet bygger p\u00e5 ulike biologiske rammeverk, fra strukturene som utgj\u00f8r hjernen v\u00e5r til svermintelligens som er observert hos maur eller fugler.<\/span><\/p>\n I jakten p\u00e5 autonomi og effektivitet tvinger bioinspirert AI oss til \u00e5 se n\u00e6rmere p\u00e5 gamle beregningsproblemer, for eksempel \u00e5 g\u00e5 bort fra ressurskrevende arkitekturer som best\u00e5r av tusenvis av str\u00f8mkrevende GPU-er, og over til lettere, mer intrikate analoge systemer.\u00a0<\/span><\/p>\n Prescott, som nylig var medforfatter av en artikkel, \"<\/span>Forst\u00e5 hjernens funksjonelle arkitektur ved hjelp av robotteknologi<\/span><\/a>\"Det er mye mer sannsynlig at AI-systemer vil utvikle menneskelignende kognisjon hvis de bygges med arkitekturer som l\u00e6rer og forbedrer seg p\u00e5 samme m\u00e5te som menneskehjernen, ved hjelp av dens forbindelser til den virkelige verden\", understreker han.<\/span><\/p>\n Menneskehjernen er et godt eksempel p\u00e5 dette - hver tanke og handling hjernen din fremkaller, krever bare like mye str\u00f8m som en svak lysp\u00e6re - omtrent 20 watt.\u00a0<\/span><\/p>\n Og det g\u00e5r lenger enn som s\u00e5. Selv n\u00e5r mennesker ikke f\u00e5r tilf\u00f8rt energi fra mat, kan de overleve i over en m\u00e5ned. Ekstremofile organismer har funnet metoder for \u00e5 trives i noen av de mest ugjestmilde milj\u00f8ene p\u00e5 planeten. <\/span><\/p>\n Sammenlign det med infrastrukturen som kreves for \u00e5 drive AI-modeller som ChatGPT, som krever like mye str\u00f8m som en liten by og ikke kan replikere seg selv, helbrede seg selv eller tilpasse seg omgivelsene.\u00a0<\/span><\/p>\n For \u00e5 gi kunstig intelligens en rettferdig behandling, kan man hevde at det er feil \u00e5 sammenligne kunstig intelligens med biologisk intelligente systemer.\u00a0<\/span><\/p>\n Datamaskiner og hjerner utmerker seg tross alt med forskjellige oppgaver - det ligger kanskje i menneskets natur \u00e5 smelte dem sammen i antropomorfe visjoner om autonome AI-er som samhandler med omgivelsene p\u00e5 samme m\u00e5te som de biologiske vesenene vi har utviklet oss ved siden av.\u00a0\u00a0<\/span><\/p>\n B\u00e5de AI-forskere og hjerneforskere er imidlertid villige til \u00e5 g\u00e5 inn i denne intellektuelle blindveien, og mange vil beskrive hjernen \"som en datamaskin\" som kan modelleres og replikeres kunstig.<\/span><\/p>\n Den <\/span>EUs Human Brain Project (HBP)<\/span><\/a>et multinasjonalt eksperiment til nesten $1 milliard i Big Science, var en leksjon i hvordan hjernens kompleksitet unndrar seg kunstig modellering. <\/span><\/p>\n HBP hadde som m\u00e5l \u00e5 modellere menneskehjernen i sin helhet, men lyktes bare med \u00e5 modellere bruddstykker av dens funksjonalitet.\u00a0<\/span><\/p>\n Hjernen v\u00e5r -<\/span> som en enkelt enhet -<\/span> beseiret de kollektive hjernene til tusenvis av forskere med enorme midler og datakraft til r\u00e5dighet - kall det<\/span> poetisk rettferdighet.<\/p>\n Bevisstheten og essensen av tankedannelse er nemlig en like fjern grense til verdensrommet... - w<\/span>Vi er bare ikke der enn\u00e5.<\/p>\n Kjernen i dette problemet er koblingen mellom biologi og maskiner. <\/span><\/p>\n Selv om nevrale nettverk og andre former for maskinl\u00e6ringsarkitektur (ML) er modellert i analogi med biologiske hjerner, er beregningsmetoden fundamentalt annerledes.\u00a0<\/span><\/p>\n Rodney Brooks, professor emeritus i robotikk ved MIT, har reflektert over denne fastl\u00e5ste situasjonen, <\/span>med angivelse av<\/span><\/a>\"Det er en bekymring for at hans versjon av beregning, basert p\u00e5 funksjoner av heltall, er begrenset. Biologiske systemer er helt klart annerledes. De m\u00e5 reagere p\u00e5 ulike stimuli over lange tidsperioder, og disse reaksjonene endrer i sin tur omgivelsene og p\u00e5f\u00f8lgende stimuli.\u00a0<\/span>Den individuelle atferden til sosiale insekter p\u00e5virkes for eksempel av strukturen i hjemmet de bygger, og atferden til s\u00f8sknene deres i det.\"\u00a0<\/span><\/p>\n Brooks oppsummerer dette paradokset ved \u00e5 sp\u00f8rre: \"B\u00f8r disse maskinene v\u00e6re modellert p\u00e5 hjernen, gitt at v\u00e5re modeller av hjernen er utf\u00f8rt p\u00e5 slike maskiner?\"<\/span><\/p>\n Naturen har hatt millioner av \u00e5r med \"FoU\" til \u00e5 perfeksjonere sine utrolig motstandsdyktige mekanismer.\u00a0<\/span><\/p>\n Trenden mot bioinspirert AI kan ses p\u00e5 som en kurskorreksjon, en ydmyk erkjennelse av at v\u00e5r s\u00f8ken etter avansert AI kan ha f\u00f8rt oss inn p\u00e5 en vei som, selv om den fortsatt er blendende i sin kompleksitet, kan v\u00e6re uholdbar i det lange l\u00f8p. <\/span><\/p>\n Eller i det minste er det ikke sikkert at den n\u00e5v\u00e6rende utviklingen oppfyller det menneskeheten til syvende og sist s\u00f8ker fra AI. Hvis vi \u00f8nsker \u00e5 leve i \"fremtiden\" der mennesker og roboter g\u00e5r side om side (selv om det selvsagt ikke er alle som \u00f8nsker det), m\u00e5 vi gj\u00f8re noe bedre enn \u00e5 samle flere GPU-er og trene opp st\u00f8rre modeller.\u00a0<\/span><\/p>\n N\u00e5r det er sagt, er det h\u00e5p for de ivrige fremtidsforskerne blant oss, for forskere har i flere ti\u00e5r syslet med ideer om bioinspirert databehandling, og noen av de spekulative ideene begynner \u00e5 f\u00e5 fotfeste.\u00a0<\/span><\/p>\n P\u00e5 slutten av 50- og begynnelsen av 60-tallet ble Frank Rosenblatts arbeid med Perceptron<\/a> den f\u00f8rste forenklede modellen av et biologisk nevron.\u00a0<\/span><\/p>\n Artikkelen fra 1986 \"<\/span>L\u00e6ring av representasjoner ved hjelp av tilbakevirkende feil<\/span><\/a>\" av David Rumelhart, Geoffrey Hinton og Ronald Williams endret spillet.\u00a0<\/span><\/p>\n Hinton og teamet hans introduserte backpropagation-algoritmen, en robust mekanisme for oppl\u00e6ring av flerlagede nevrale nettverk, som drev feltet inn i anvendelser som spenner fra naturlig spr\u00e5kbehandling (NLP) til datasyn (CV) - to grunnleggende grener av moderne kunstig intelligens.<\/span><\/p>\n Kort tid etter tok bioinspirasjonen en annen vei, med l\u00e5n fra darwinistiske prinsipper. John Hollands bok fra 1975 \"<\/span>Tilpasning i naturlige og kunstige systemer<\/span><\/a>\" la grunnlaget for genetiske algoritmer.\u00a0<\/span><\/p>\n Ved \u00e5 simulere mekanismer som mutasjon og naturlig seleksjon har denne tiln\u00e6rmingen \u00e5pnet opp for et kraftfullt verkt\u00f8y for optimaliseringsproblemer, som har funnet anvendelse i bransjer som luftfart og finans.<\/span><\/p>\n Konsepter som \"svermintelligens\", som ble observert i svermer av insekter og synkroniserte bevegelser hos fugler og fisk, ble f\u00f8rst introdusert i databehandling p\u00e5 80- og 90-tallet, og har gjort bemerkelsesverdige fremskritt i 2023.\u00a0<\/span><\/p>\n I august 2023 vil tidligere Google-ansatte <\/span>grunnla Sakana<\/span><\/a>, en oppstartsbedrift som foresl\u00e5r \u00e5 utvikle et ensemble av mindre AI-modeller som opererer i samspill. <\/span><\/p>\n Sakanas tiln\u00e6rming er inspirert av biologiske systemer som fiskestimer eller nevrale nettverk, der mindre enheter samarbeider for \u00e5 n\u00e5 et mer komplekst m\u00e5l.\u00a0<\/span><\/p>\n Denne ensembleringstiln\u00e6rmingen tar hensyn til de monolittiske arkitekturene i moderne AI-modeller som ChatGPT, og lover \u00e5 redusere str\u00f8mforbruket og gi \u00f8kt tilpasningsevne og robusthet - egenskaper som er iboende i biologiske organismer.<\/span><\/p>\n Selv forsterkningsl\u00e6ring (RL), en gren av maskinl\u00e6ring som handler om \u00e5 l\u00e6re algoritmer \u00e5 ta beslutninger i jakten p\u00e5 en bel\u00f8nning, var i stor grad bioinspirert.\u00a0<\/span><\/p>\n Richard Sutton og Andrew Bartos banebrytende bok \"<\/span>Forsterkningsl\u00e6ring: En introduksjon<\/span><\/a>\" henter mange eksempler fra hvordan dyr l\u00e6rer av omgivelsene sine, og inspirerer til algoritmer som kan tilpasse seg basert p\u00e5 bel\u00f8nning og straff.<\/span><\/p>\n Boken inneholder hundrevis av sammenligninger med dyrs atferd, og sier blant annet: \"Av alle former for maskinl\u00e6ring er forsterkningsl\u00e6ring det som ligger n\u00e6rmest den typen l\u00e6ring som mennesker og andre dyr gj\u00f8r.\"<\/span><\/p>\n Hos komplekse biologiske vesener som mennesker og andre virveldyr samarbeider ulike komponenter i nervesystemet om \u00e5 styre en lang rekke funksjoner.<\/p>\n Sentralnervesystemet (CNS) fungerer som et kontrollsenter som behandler informasjon og orkestrerer responser.<\/p>\n Samtidig fungerer det perifere nervesystemet (PNS) som et kommunikasjonsnettverk som overf\u00f8rer signaler mellom CNS og andre deler av kroppen.<\/p>\n Innenfor PNS ligger det spesialiserte autonome nervesystemet (ANS), som opererer ufrivillig for \u00e5 styre vitale funksjoner som hjerterytme og ford\u00f8yelse. Hvert system har sine egne roller, men de er likevel sammenkoblet og samarbeider s\u00f8ml\u00f8st for \u00e5 hjelpe oss med \u00e5 navigere i omgivelsene.<\/p>\n Enklere organismer som insekter har et slankere og mer \u00f8konomisk nervesystem, selv om det fortsatt er utrolig komplekst. En bananflue har noen 3000 nevroner og en halv million synapser<\/a>.\u00a0<\/span><\/p>\n 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 forst\u00e5else - eller bevissthet hos mer komplekse vesener.\u00a0<\/span><\/p>\n For \u00e5 skape autonome roboter med tett koblede hjerner og sansesystemer m\u00e5 forskerne g\u00e5 bort fra brute-force computing og skape lette systemer som er forankret i den sensoriske virkeligheten.\u00a0<\/span><\/p>\n Selv om AI-modeller som ChatGPT har enorme kunnskaper, er de til en viss grad l\u00e5st i tid og utestengt fra den sensoriske virkeligheten, og deres forst\u00e5else er f\u00f8rst og fremst drevet av treningsdataene deres.<\/span><\/p>\n 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 \u00e5 utvikle AI for \u00e5 avhjelpe ineffektiviteten ved \u00e5 v\u00e6re et biologisk vesen.\u00a0<\/span><\/p>\n Som Amnon Shashua <\/span>h\u00f8ydepunkter<\/span><\/a>... \"datamaskinens helt annerledes arkitektur favoriserer strategier som utnytter dens praktisk talt ubegrensede minnekapasitet og brute-force optimalt\".<\/span><\/p>\n Men hvis vi noen gang skal kunne frigj\u00f8re AI fra datasentre og nettlesere, m\u00e5 forskerne l\u00f8se disse utfordringene og finne m\u00e5ter \u00e5 knytte AI-systemene til en \"kropp\" p\u00e5, eller i det minste gi dem et robust sensorisk grunnlag.\u00a0<\/span><\/p>\n Dette har umiddelbar praktisk nytte. Ta eksemplet med f\u00f8rerl\u00f8se biler - deres sensoriske systemer m\u00e5 fungere p\u00e5 samme m\u00e5te som v\u00e5re for \u00e5 fungere trygt. Ellers har de ingen mulighet til \u00e5 \"se\" en potensiell hindring og reagere raskt for \u00e5 unng\u00e5 en katastrofe, noe som har vist seg \u00e5 v\u00e6re et betydelig hinder for masseinnf\u00f8ring.\u00a0\u00a0<\/span><\/p>\n Dennis Bray, Department of Physiology, Development and Neuroscience, University of Cambridge, argumenterte i tr\u00e5d med dette: \"Maskiner kan matche oss i mange oppgaver, men de fungerer p\u00e5 en annen m\u00e5te enn nettverk av nerveceller. Hvis m\u00e5let v\u00e5rt er \u00e5 bygge maskiner som blir stadig mer intelligente og fingerferdige, b\u00f8r vi bruke kretser av kobber og silisium. Men hvis m\u00e5let v\u00e5rt er \u00e5 gjenskape menneskehjernen, med dens s\u00e6regne briljans, evne til multitasking og selvf\u00f8lelse, m\u00e5 vi lete etter andre materialer og en annen design.\"\u00a0<\/span><\/p>\n Disse kommentarene, som fortsatt er relevante i dag, ble publisert i en <\/span>Diskusjonsartikkel i Nature<\/span><\/a> utgitt i 2012 i forbindelse med Turings 100-\u00e5rsjubileum - og AI har utviklet seg raskt siden den gang.\u00a0<\/span><\/p>\n S\u00e5 hvor er vi n\u00e5?<\/p>\n 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 n\u00e6rt beslektet med nevronisk funksjonalitet.<\/span><\/p>\n SNN er et spesialisert alternativ til de konvensjonelle nevrale nettverkene vi ofte st\u00f8ter p\u00e5 i maskinl\u00e6ring.\u00a0<\/span><\/p>\n I stedet for \u00e5 basere seg p\u00e5 kontinuerlige aktiveringsfunksjoner for \u00e5 behandle inngangsdata, etterligner SNN de biologiske nevrale nettverkenes forviklinger ved \u00e5 bruke diskrete spikes for kommunikasjon mellom nevronene.\u00a0<\/span><\/p>\n I disse nettverkene integrerer hvert kunstige nevron innkommende spikes fra de tilkoblede nevronene over tid. N\u00e5r det akkumulerte signalet, eller membranpotensialet, overskrider en viss terskel, avfyrer nevronet selv en spike.\u00a0<\/span><\/p>\n Denne spiking-mekanismen gj\u00f8r at nettverket kan fange opp og behandle b\u00e5de romlige og tidsmessige m\u00f8nstre, p\u00e5 samme m\u00e5te som nevronene i biologiske hjerner.<\/span><\/p>\n S\u00e5 hva er det som gj\u00f8r SNN til et fokusomr\u00e5de innen bioinspirert AI?\u00a0<\/span><\/p>\n For det f\u00f8rste skiller de seg ut ved at de p\u00e5 en naturlig m\u00e5te kan behandle temporale datasekvenser, noe som eliminerer behovet for ekstra minneenheter, slik man ser i tilbakevendende nevrale nettverk (RNN)<\/span><\/p>\n For det andre er SNN-er designet for \u00e5 v\u00e6re utrolig energieffektive. I motsetning til tradisjonelle nevrale nettverk, der hvert enkelt nevron er aktivt hele tiden, gj\u00f8r SNN-enes sparsomme og hendelsesstyrte natur det mulig for nevronene \u00e5 forbli stort sett inaktive, og avfyre spikes bare n\u00e5r det er n\u00f8dvendig. Dette senker energiforbruket betydelig.<\/span><\/p>\n Ved \u00e5 etterligne biologiske systemer i st\u00f8rre grad, har SNN-er potensial for \u00f8kt robusthet og fleksibilitet, spesielt i omgivelser med st\u00f8y eller uforutsigbarhet.<\/span><\/p>\n Selv om SNN-konseptet har sine r\u00f8tter i en teoretisk forst\u00e5else av biologiske nevrale systemer, har fremskritt innen maskinvareteknologi gjort disse nettverkene mer tilgjengelige for beregningsoppgaver.\u00a0<\/span><\/p>\n Nevromorfe brikker, som er spesielt utviklet for effektivt \u00e5 simulere dynamikken i piggdynamikken, har spilt en viktig rolle i arbeidet med \u00e5 gj\u00f8re SNN praktisk anvendelige.\u00a0<\/span><\/p>\n De siste to \u00e5rene har vi v\u00e6rt vitne til viktige fremskritt i byggingen av ultralette produkter, <\/span>energieffektiv AI<\/span><\/a> l\u00f8sninger, ogs\u00e5 kalt nevromorfe brikker.<\/span><\/p>\n Flere andre typer nevromorfisk teknologi er ogs\u00e5 tilgjengelig n\u00e5, for eksempel nevromorfiske kameraer som er modellert etter biologiske \u00f8yne.\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\")
Reisen mot bioinspirert AI<\/span><\/h2>\n
![\"Perceptron\"](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/NMAH-72-361.jpg\")
![\"Ant](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/shutterstock_1185312127.jpg\")
Mot bioinspirert kunstig intelligens<\/span><\/h2>\n
![\"AI](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/Nerv_1.jpg\")
Spiking nevrale nettverk (SNN) og biologisk maskinvare<\/span><\/h2>\n
IBMs bioinspirerte analoge chip og SNN-er<\/span><\/h3>\n