Onderzoekers van de MRC Brain Network Dynamics Unit en Oxford University's Department of Computer Science hebben een nieuwe manier gevonden om het leren in AI-systemen en het menselijk brein te vergelijken.
De studie begint met het behandelen van een fundamentele kwestie in zowel menselijk als machinaal leren: krediettoewijzing. Dit concept identificeert welke delen van het leerproces verantwoordelijk zijn voor fouten, wat inherent is aan het leerproces zelf.
AI-systemen benaderen dit door middel van backpropagatie, waarbij parameters worden aangepast om fouten in de uitvoer te corrigeren.
Backpropagatie werkt als een feedbacklus. Wanneer een AI een voorspelling of beslissing doet die onjuist blijkt te zijn, gaat deze methode terug door de lagen van het netwerk.
Het proces identificeert welke delen van de berekening hebben bijgedragen aan de fout en past vervolgens die specifieke delen aan, waardoor het besluitvormingsproces van de AI voor toekomstige voorspellingen wordt verfijnd.
De onderzoekgepubliceerd in Nature Neuroscience, legt uit hoe backpropagation significant verschilt van de leermethode van het menselijk brein.
Nieuw onderzoek van @MRCBNDU laat zien dat de manier waarop de hersenen leren anders en beter is dan de manier waarop kunstmatige intelligentiesystemen leren: https://t.co/Tg1d9vdsKy#OxfordAI
- Nuffield Department of Clinical Neurosciences (@NDCNOxford) 3 januari 2024
Terwijl AI traditioneel vertrouwt op backpropagatie om fouten aan te pakken, stellen de onderzoekers voor dat de hersenen dezelfde taken uitvoeren via een proces dat 'prospectieve configuratie' wordt genoemd.
Bij prospectieve configuratie voorspellen de hersenen, in plaats van verbindingen direct aan te passen op basis van fouten, eerst het ideale patroon van neurale activiteit als gevolg van leren. Pas na deze voorspelling vinden er veranderingen plaats in de neurale verbindingen.
Deze methode staat in contrast met backpropagatie die wordt gebruikt in AI, waarbij het proces wordt omgekeerd - verbindingsaanpassingen leiden en veranderingen in neurale activiteit volgen.
Cruciaal is dat prospectieve configuratie, een benadering die waarschijnlijk gedeeld wordt door vrijwel alle biologische hersenen, een efficiënter leermechanisme biedt dan backpropagatie.
In tegenstelling tot AI kunnen mensen snel nieuwe informatie opnemen met minimale blootstelling en zonder bestaande kennis aan te tasten, een vaardigheid die AI maar moeilijk kan evenaren.
Deze strategie behoudt niet alleen bestaande kennis, maar versnelt ook het leerproces.
Er zit nog steeds leven in het oude menselijke brein
Het team illustreert dit concept met een analogie. Stel je een beer voor die op zalm vist: hij gebruikt de aanblik van de rivier en de geur van zalm om succes te voorspellen.
Als de beer plotseling de rivier niet meer kan horen door een beschadigd oor, zou een AI-model ten onrechte aannemen dat er geen zalm is.
Daarentegen zouden de hersenen van het dier, die werken op basis van prospectieve configuratie, nog steeds vertrouwen op de geur om de aanwezigheid van de zalm af te leiden.
Deze theorie, ondersteund door computersimulaties, toont aan dat modellen die gebruik maken van prospectieve configuratie beter presteren dan traditionele AI neurale netwerken in leerrendement.
Professor Rafal Bogacz, de hoofdonderzoeker van de MRC Brain Network Dynamics Unit en Oxfords Nuffield Department of Clinical Neurosciences, beschreven van het onderzoek: "Er is momenteel een grote kloof tussen abstracte modellen die prospectieve configuratie uitvoeren en onze gedetailleerde kennis van de anatomie van hersennetwerken."
"Toekomstig onderzoek door onze groep is erop gericht om de kloof tussen abstracte modellen en echte hersenen te overbruggen en te begrijpen hoe het algoritme van prospectieve configuratie wordt geïmplementeerd in anatomisch geïdentificeerde corticale netwerken."
Co-auteur Dr. Yuhang Song voegt verder toe: "In het geval van machinaal leren is de simulatie van prospectieve configuratie op bestaande computers traag, omdat ze op fundamenteel andere manieren werken dan het biologische brein. Er moet een nieuw type computer of speciale, op het brein geïnspireerde hardware worden ontwikkeld, waarmee prospectieve configuratie snel en met weinig energieverbruik kan worden geïmplementeerd."
Bio-geïnspireerde AI zit in de pijplijn
Biologisch geïnspireerde AIOok wel neuromorfe AI genoemd, heeft als doel systemen te maken die kunnen voelen, denken en zich gedragen als natuurlijke organismen.
It richt zich op elegantie, aanpassingsvermogen en energie-efficiëntie - eigenschappen die inherent zijn aan biologische systemen.
Het menselijk brein, met zijn efficiënte gebruik van energie en vermogen om te gedijen in gevarieerde omgevingen, overtroeft AI nog steeds in tal van disciplines en toepassingen.
Sterker nog, ons brein, met minimale kracht, is bewust - onze hersenen zijn niet bewust. een mijlpaal die AI volgens de meeste schattingen nog moet bereiken.
In tegenstelling tot de kolossale energiebehoefte van huidige AI-modellen zoals ChatGPT, die duizenden energieverslindende GPU's vereisen, is bio-geïnspireerde AI erop gericht om duurzamere en beter aanpasbare systemen te ontwikkelen.
Er is de laatste tijd vooruitgang geboekt op dit gebied, met IBM en Rain AI ontwikkelen van chips met laag vermogen gemodelleerd op synaptische functies.
OpenAI CEO Sam Altman Gesteunde Regen AI en OpenAI probeerde miljoenen dollars aan chips van hen los te krijgen.
Andere nieuwe benaderingen van bio-geïnspireerde AI omvatten zwermintelligentiedat de collectieve besluitvorming van groepen insecten, vogels en vissen probeert na te bootsen.
Naarmate dit veld zich verder ontwikkelt, belooft het de gaten te dichten die in traditionele AI-modellen zijn geïdentificeerd, wat ons leidt naar een toekomst waarin machines niet slechts hulpmiddelen zijn, maar entiteiten met een zekere mate van autonomie en interactie met de omgeving.
Maar zoals het onderzoek in Oxford laat zien, zijn er fundamentele vragen die AI moet beantwoorden voordat het biologische hersenen kan evenaren.
