Vanaf de fundamenten die werden gelegd door Ada Lovelace en Charles Babbage tot het baanbrekende computeronderzoek van Alan Turing, is de wereld in de ban van de belofte van AI - een droom om machinegerelateerde entiteiten te creëren die mensachtige cognitieve vaardigheden bezitten.
Het ontwikkelingstraject van AI keerde zich later echter af van de biologische wortels ten gunste van brute rekenkracht en algoritmische complexiteit.
Daarmee zijn de sciencefictiondromen over levensechte robots enigszins vervaagd tot de realiteit van meer oppervlakkig ogende grote taalmodellen (LLM's) zoals ChatGPT.
Natuurlijk zijn de huidige AI-modellen nog steeds boeiend, maar ze fungeren eerder als een hulpmiddel dan als een wezen.
Het is nog vroeg, maar ondanks de fenomenale vooruitgang heeft de computerwedloop van AI hiaten blootgelegd in ons streven naar echt intelligente machines.
Hoe krachtig onze algoritmen ook worden, ze missen elegantie, aanpassingsvermogen en energie-efficiëntie - de kenmerken van biologische systemen.
Onderzoekers weten dit - en het frustreert hen.
Professor Tony Prescott en Dr. Stuart Wilson van de Universiteit van Sheffield hebben onlangs gemarkeerd dat de meeste AI-modellen, zoals ChatGPT, 'disembodied' zijn, wat betekent dat ze geen directe verbinding hebben met de fysieke omgeving.
Het menselijk brein daarentegen is geëvolueerd binnen een fysiek systeem - ons lichaam - dat ons in staat stelt om direct te voelen en te interageren met de wereld.
Onderzoekers staan te popelen om AI's te bevrijden van hun monolithische architectuur, wat heeft geleid tot een opleving in bio-geïnspireerde AI, soms neuromorfe AI genoemd, een subdiscipline die de complexe processen in de natuur probeert na te bootsen om slimmere, efficiëntere systemen te maken.
Deze inspanningen zijn gebaseerd op verschillende biologische kaders, van de structuren waaruit onze hersenen bestaan tot de zwermintelligentie die bij mieren of vogels is waargenomen.
In de zoektocht naar autonomie en efficiëntie dwingt bio-geïnspireerde AI ons om al lang bestaande rekenproblemen onder de loep te nemen, zoals de overstap van energieverslindende architecturen die zijn opgebouwd uit duizenden energieverslindende GPU's naar lichtere, meer ingewikkelde analoge systemen.
Prescott, die co-auteur is van een recent artikel, "Inzicht in de functionele architectuur van de hersenen door robotica," benadrukt: "Het is veel waarschijnlijker dat AI-systemen mensachtige cognitie zullen ontwikkelen als ze gebouwd zijn met architecturen die op dezelfde manier leren en verbeteren als het menselijk brein, door gebruik te maken van de verbindingen met de echte wereld."
Het menselijk brein is hier een goed voorbeeld van - elke gedachte en actie die je brein tevoorschijn tovert, vereist slechts de kracht van een schemerlampje - ongeveer 20 watt.
En het gaat verder dan dat. Zelfs als mensen geen externe energie uit voedsel krijgen, kunnen ze meer dan een maand overleven. Extremofielen hebben methoden gevonden om te gedijen in de meest onherbergzame omgevingen op aarde.
Vergelijk dat eens met de infrastructuur die nodig is om AI-modellen zoals ChatGPT van energie te voorzien. Dit model heeft evenveel energie nodig als een kleine stad en kan zichzelf niet repliceren, genezen of aanpassen aan zijn omgeving.
Om AI een eerlijk gehoor te geven, kun je beargumenteren dat het vergelijken van AI met biologisch intelligente systemen een gebrekkige oefening is.
Computers en hersenen blinken nu eenmaal uit in verschillende taken - het ligt misschien in de aard van de mens om ze samen te smelten in antropomorfe visioenen van autonome AI's die met de omgeving omgaan zoals de biologische wezens naast wie we zijn geëvolueerd.
AI-onderzoekers en neurowetenschappers zijn echter bereid om in deze intellectuele impasse te vervallen en velen zouden de hersenen beschrijven als 'een computer' die kunstmatig gemodelleerd en gerepliceerd kan worden.
De Menselijk brein project (HBP) van de EU, een bijna $1bn multinationaal experiment in Big Science, was een les in hoe de complexiteit van de hersenen kunstmatige modellering ontwijkt.
Het HBP wilde het menselijk brein in zijn geheel modelleren, maar slaagde er slechts in om stukjes en beetjes van de functionaliteit te modelleren.
Onze hersenen - als één entiteit - versloeg het collectieve brein van duizenden onderzoekers met enorme financiering en rekenkracht binnen handbereik - noemen dichterlijke gerechtigheid.
Toevallig is bewustzijn en de essentie van gedachtevorming een even verre grens naar de verre diepten van de ruimte - wWe zijn er alleen nog niet.
De kern van dit probleem is de ontkoppeling tussen biologie en machines.
Hoewel neurale netwerken en andere vormen van machine learning (ML) architectuur worden gemodelleerd via analogie met biologische hersenen, is de berekeningsmethode fundamenteel anders.
Rodney Brooks, emeritus hoogleraar robotica aan het MIT, dacht na over deze impasse, onder vermelding vanEr is een zorg dat zijn versie van rekenen, gebaseerd op functies van gehele getallen, beperkt is. Biologische systemen verschillen duidelijk. Ze moeten gedurende lange perioden reageren op verschillende stimuli; deze reacties veranderen op hun beurt hun omgeving en volgende stimuli. Het individuele gedrag van sociale insecten wordt bijvoorbeeld beïnvloed door de structuur van het huis dat ze bouwen en het gedrag van hun broers en zussen daarin."
Brooks vat deze paradox samen door te vragen: "Moeten deze machines worden gemodelleerd naar het brein, aangezien onze modellen van het brein worden uitgevoerd op zulke machines?"
De reis van bio-geïnspireerde AI
De natuur heeft miljoenen jaren van 'R&D' gehad om haar ongelooflijk veerkrachtige mechanismen te perfectioneren.
De trend in de richting van bio-geïnspireerde AI kan worden gezien als een koerscorrectie, een bescheiden erkenning dat onze zoektocht naar geavanceerde AI ons op een pad heeft gebracht dat, hoewel het nog steeds duizelingwekkend complex is, op de lange termijn onhoudbaar kan zijn.
Of in ieder geval voldoet het huidige traject misschien niet aan wat de mensheid uiteindelijk van AI verlangt. Als we in 'de toekomst' willen leven waarin mensen en robots zij aan zij lopen (hoewel natuurlijk niet iedereen dat wil), dan moeten we het beter doen dan meer GPU's verzamelen en grotere modellen trainen.
Dat gezegd hebbende, is er hoop voor de fervente futuristen onder ons, want onderzoekers zijn al tientallen jaren bezig met het mulchen van ideeën over bio-inspired computing en sommige speculatieve ideeën beginnen hun voet aan de grond te krijgen.
Eind jaren '50 en begin jaren '60 was het werk van Frank Rosenblatt aan de Perceptron bood het eerste vereenvoudigde model van een biologisch neuron.
Het artikel uit 1986 "Representaties leren door back-propagating fouten" van David Rumelhart, Geoffrey Hinton en Ronald Williams veranderde het spel.
Hinton en zijn team worden nu vaak de 'peetvader van neurale netwerken (of AI in het algemeen)' genoemd. Hinton en zijn team introduceerden het backpropagatie-algoritme, dat een robuust mechanisme biedt voor het trainen van meerlagige neurale netwerken, waardoor het veld toepassingen kreeg variërend van natuurlijke taalverwerking (NLP) tot computervisie (CV) - twee fundamentele takken van moderne AI.
Spoedig daarna nam bio-inspiratie een andere weg, door te putten uit Darwinistische principes. John Holland's boek uit 1975 "Aanpassing in natuurlijke en kunstmatige systemen" legde de basis voor genetische algoritmen.
Door mechanismen als mutatie en natuurlijke selectie te simuleren, heeft deze benadering een krachtig hulpmiddel ontsloten voor optimalisatieproblemen, die hun toepassing vinden in industrieën als de lucht- en ruimtevaart en de financiële wereld.
Concepten zoals 'zwermintelligentie', waargenomen in zwermen insecten en de gesynchroniseerde beweging van vogels en vissen, werden voor het eerst geïntroduceerd in computers in de jaren 80 en 90 en hebben opmerkelijke vooruitgang geboekt in 2023.
In augustus 2023 zullen ex-Google werknemers richtte Sakana op, een startup die voorstelt om een ensemble van kleinere AI-modellen te ontwikkelen die samenwerken.
Sakana's benadering is geïnspireerd op biologische systemen zoals scholen vissen of neurale netwerken, waar kleinere eenheden samenwerken om een complexer doel te bereiken.
Deze ensembling-benadering, die de monolithische architecturen van moderne AI-modellen zoals ChatGPT erkent, belooft het energieverbruik te verminderen en biedt meer aanpassingsvermogen en veerkracht - kwaliteiten die intrinsiek zijn aan biologische organismen.
Zelfs reinforcement learning (RL), een tak van machinaal leren die zich bezighoudt met het aanleren van algoritmen om beslissingen te nemen met het oog op een beloning, was grotendeels door biologie geïnspireerd.
Richard Sutton en Andrew Barto's baanbrekende boek "Versterkend leren: Een inleiding" haalt talloze voorbeelden aan van hoe dieren leren van hun omgeving en inspireert algoritmes die zich kunnen aanpassen op basis van beloningen en straffen.
Het boek maakt honderden vergelijkingen met dierlijk gedrag en zegt: "Van alle vormen van machinaal leren, komt versterkingsleren het dichtst in de buurt van het soort leren dat mensen en andere dieren doen."
Naar bio-geïnspireerde AI
In complexe biologische wezens zoals mensen en andere gewervelde dieren werken verschillende componenten van het zenuwstelsel samen om een breed scala aan functies te beheren.
Het centrale zenuwstelsel (CZS) fungeert als controlecentrum, verwerkt informatie en regelt reacties.
Ondertussen fungeert het perifere zenuwstelsel (PNS) als communicatienetwerk, dat signalen doorgeeft tussen het CZS en andere delen van het lichaam.
Binnen het PNS bevindt zich het gespecialiseerde autonome zenuwstelsel (ANS), dat onwillekeurig werkt om vitale functies zoals hartslag en spijsvertering te regelen. Elk systeem heeft zijn eigen rol, maar toch zijn ze onderling verbonden en werken ze naadloos samen om ons te helpen door de omgeving te navigeren.
Eenvoudiger organismen zoals insecten hebben een slanker, zuiniger zenuwstelsel, hoewel het nog steeds ongelooflijk complex is. Een fruitvlieg heeft 3000 neuronen en een half miljoen synapsen.
De componenten van het biologische zenuwstelsel zijn anatomisch verschillend, maar werken holistisch, verbonden via neuronen die zintuiglijke prikkels verzenden en ontvangen, en vormen uiteindelijk een conceptueel begrip - of bewustzijn in complexere wezens.
Om autonome robots te maken met nauw gekoppelde hersenen en zintuiglijke systemen, moeten onderzoekers afstappen van brute-force computing en lichtgewicht systemen creëren die gebaseerd zijn op de zintuiglijke realiteit.
Hoewel AI-modellen zoals ChatGPT over een immense kennis beschikken, zijn ze enigszins opgesloten in de tijd en afgesloten van de zintuiglijke realiteit, waarbij het begrip voornamelijk wordt gedreven door hun trainingsgegevens.
Dit biedt voordelen, of beter gezegd, geeft AI een vaardighedenset die te onderscheiden is van die van biologische wezens - en dat is misschien de reden waarom de mensheid zo graag AI wil ontwikkelen om de inefficiënties van het biologisch wezen te compenseren.
Als Amnon Shashua hoogtepuntenDe "enorm verschillende architectuur van de computer geeft de voorkeur aan strategieën die optimaal gebruik maken van de praktisch onbeperkte geheugencapaciteit en brute kracht".
Maar als we AI ooit willen loslaten uit de beslotenheid van datacenters en webbrowsers, moeten onderzoekers deze uitdagingen oplossen en manieren vinden om AI-systemen aan een 'lichaam' te koppelen of op zijn minst een robuuste zintuiglijke basis te geven.
Dit heeft onmiddellijke praktische toepassingen. Neem het voorbeeld van bestuurderloze auto's - hun zintuiglijke systemen moeten net zo functioneren als de onze om veilig te kunnen werken. Anders hebben ze geen enkele hoop om een potentieel obstakel te 'zien' en snel te reageren om een ramp te voorkomen.
Dennis Bray van het Department of Physiology, Development and Neuroscience van de Universiteit van Cambridge stelde: "Machines kunnen ons in veel taken evenaren, maar ze werken anders dan netwerken van zenuwcellen. Als het ons doel is om machines te bouwen die steeds intelligenter en handiger worden, dan moeten we circuits van koper en silicium gebruiken. Maar als het ons doel is om het menselijk brein te reproduceren, met zijn eigenzinnige briljantheid, vermogen tot multitasking en zelfbewustzijn, dan moeten we op zoek naar andere materialen en andere ontwerpen."
Deze opmerkingen, die vandaag de dag nog steeds relevant zijn, werden gepubliceerd in een Natuur discussie artikel gepubliceerd in 2012 ter gelegenheid van de honderdste verjaardag van Turing - en sindsdien is AI snel geëvolueerd.
Waar staan we nu?
Spiking neurale netwerken (SNN's) en biologische hardware
Onderzoekers onderzoeken tegenwoordig de "andere materialen en verschillende ontwerpen" waar Bray naar verwijst, zoals spiking neurale netwerken (SNN's), een type neuraal netwerk dat nauw gemodelleerd is naar neuronale functionaliteit.
SNN's bieden een gespecialiseerd alternatief voor de conventionele neurale netwerken die we vaak tegenkomen bij machinaal leren.
In plaats van te vertrouwen op continue activeringsfuncties om invoergegevens te verwerken, bootsen SNN's de fijne kneepjes van biologische neurale netwerken na door gebruik te maken van discrete pieken voor inter-neuronale communicatie.
In deze netwerken integreert elk kunstmatig neuron in de loop van de tijd inkomende pieken van de neuronen die ermee verbonden zijn. Wanneer het geaccumuleerde signaal, of membraanpotentiaal, een bepaalde drempel overschrijdt, vuurt het neuron zelf een piek af.
Dit piekermechanisme stelt het netwerk in staat om zowel ruimtelijke als temporele patronen vast te leggen en te verwerken, net als de neuronen in biologische hersenen.
Dus wat maakt SNN's tot een speerpunt in bio-geïnspireerde AI?
Ten eerste onderscheidt hun vermogen om op natuurlijke wijze temporele gegevensreeksen te verwerken hen, waardoor er geen extra geheugeneenheden nodig zijn zoals bij terugkerende neurale netwerken (RNN's).
Ten tweede zijn SNN's ontworpen om ongelooflijk energie-efficiënt te zijn. In tegenstelling tot traditionele neurale netwerken waar elk neuron constant actief is, zorgt de spaarzame en gebeurtenisgestuurde aard van SNN's ervoor dat neuronen meestal inactief blijven en alleen pieken afgeven wanneer dat essentieel is. Dit verlaagt hun energieverbruik aanzienlijk.
Tot slot kunnen SNN's, doordat ze biologische systemen beter nabootsen, robuuster en flexibeler worden, met name in lawaaiige of onvoorspelbare omgevingen.
Hoewel het concept van SNN's zijn oorsprong vindt in een theoretisch begrip van biologische neurale systemen, heeft vooruitgang in hardwaretechnologie deze netwerken toegankelijker gemaakt voor computationele taken.
Neuromorfische chips, speciaal ontworpen om spikingdynamica efficiënt te simuleren, hebben een belangrijke rol gespeeld bij het praktisch bruikbaar maken van SNN's.
IBM's bio-geïnspireerde analoge chip en SNN's
De afgelopen twee jaar is er essentiële vooruitgang geboekt in het bouwen van ultralichte producten, energiezuinige AI oplossingen, ook wel neuromorfe chips genoemd.
Er zijn nu ook verschillende andere soorten neuromorfische technologieën beschikbaar, zoals neuromorfische camera's die gemodelleerd zijn naar biologische ogen.
Ontwikkeld in 2023, IBM's chip maakt gebruik van analoge componenten zoals memristors om variërende numerieke waarden op te slaan. Het maakt ook gebruik van een geheugen met faseveranderingen (PCM) om een spectrum van waarden te registreren in plaats van 0's en 1's.
Deze eigenschappen zorgen voor minder datatransmissie tussen geheugen en processor, wat een voorsprong geeft in energie-efficiëntie. IBM's ontwerp heeft "64 analoge in-memory rekenkernen, elk met een 256-bij-256 synaptische array". De processor behaalde een indrukwekkende nauwkeurigheid van 92,81% in een computer vision (CV) benchmarktest en was meer dan 15 keer efficiënter dan verschillende bestaande chips.
Hoewel de chip van IBM niet expliciet gebaseerd is op SNN's, maken de analoge aard en het gebruik van memristors hem zeer compatibel met het SNN-model.
In wezen kunnen de SNN's op een meer natuurlijke manier worden geïmplementeerd op dit soort architectuur.
Op SNN gebaseerde chip van IIT Bombay
In 2022 hebben onderzoekers van het Indian Institute of Technology in Bombay, een chip ontworpen dat specifiek met SNN's werkt.
Deze chip gebruikt band-tot-band tunneling (BTBT) stroom voor kunstmatige neuronen met ultralage energie. Volgens professor Udayan Ganguly bereikt de chip "5000 keer lagere energie per spike bij een vergelijkbaar gebied en 10 keer lager stand-byvermogen bij een vergelijkbaar gebied en energie per spike".
Dit type chip heeft directe toepassingen in compacte apparaten zoals mobiele telefoons, onbemande autonome voertuigen (UAV's) en IoT-apparaten, en voorziet in de behoefte aan lichtgewicht en energiezuinige AI-computing.
Beide benaderingen zijn gericht op het uiteindelijk mogelijk maken van wat Ganguly beschrijft als "een extreem energiezuinige neurosynaptische kern en het ontwikkelen van een real-time on-chip leermechanisme, die essentieel zijn voor autonome biologisch geïnspireerde neurale netwerken. Dit is de heilige graal.
Deze systemen zouden het 'denksysteem' kunnen combineren met het 'actie- en bewegingssysteem', vergelijkbaar met wat we waarnemen in biologische organismen.
Dit zou ons in staat stellen een belangrijke stap te zetten in de richting van het creëren van kunstmatige systemen die krachtig en duurzaam zijn en die nauw aansluiten bij de biologische systemen die AI al bijna een eeuw inspireren.
Eindelijk kan de mensheid AI's bevrijden van monolithische architectuur, ze loskoppelen van hun energiebronnen en ze de wereld - en het universum - insturen als autonome wezens.
Of dit nu een goed idee is of niet, dat is een discussie voor een andere keer.
