Исследователи из MRC Brain Network Dynamics Unit и факультета компьютерных наук Оксфордского университета выявили новый способ сравнения обучения в системах искусственного интеллекта и человеческом мозге.
Исследование начинается с рассмотрения фундаментального вопроса как в человеческом, так и в машинном обучении: распределение заслуг. Эта концепция определяет, какие части процесса обучения ответственны за ошибки, что является неотъемлемой частью самого процесса обучения.
Системы искусственного интеллекта решают эту задачу с помощью обратного распространения, подстраивая параметры для исправления ошибок на выходе.
Метод обратного распространения работает как петля обратной связи. Когда ИИ делает предсказание или принимает решение, которое оказывается неверным, этот метод прослеживает обратную связь между слоями сети.
Процесс определяет, какие части вычислений привели к ошибке, а затем корректирует эти части, эффективно совершенствуя процесс принятия решений ИИ для будущих прогнозов.
Сайт исследованиеВ статье, опубликованной в журнале Nature Neuroscience, объясняется, чем обратное распространение существенно отличается от метода обучения человеческого мозга.
Новое исследование от @MRCBNDU показывает, что способ обучения мозга отличается от способа обучения систем искусственного интеллекта и даже превосходит его: https://t.co/Tg1d9vdsKy#OxfordAI
- Наффилдский факультет клинических нейронаук (@NDCNOxford) 3 января 2024 года
В то время как ИИ традиционно полагается на обратное распространение для устранения ошибок, исследователи предполагают, что мозг выполняет те же задачи с помощью процесса, называемого "перспективной конфигурацией".
При перспективной конфигурации мозг, вместо того чтобы напрямую корректировать связи на основе ошибок, сначала предсказывает идеальный паттерн нейронной активности в результате обучения. Только после этого прогноза происходят изменения в нейронных связях.
Этот метод отличается от метода обратного распространения, используемого в искусственном интеллекте, где процесс происходит в обратном направлении - регулировка связей ведет, а изменения в нейронной активности следуют за ней.
Очень важно, что перспективная конфигурация - подход, который, вероятно, используется практически во всех биологических мозгах, - предлагает более эффективный механизм обучения, чем обратное распространение.
В отличие от искусственного интеллекта, люди могут быстро усваивать новую информацию с минимальным воздействием и без разрушения имеющихся знаний, а искусственный интеллект с трудом справляется с этой задачей.
Эта стратегия не только сохраняет существующие знания, но и ускоряет процесс обучения.
В старом человеческом мозгу еще есть жизнь.
Команда иллюстрирует эту концепцию аналогией. Представьте себе медведя, который ловит лосося: он использует вид реки и запах лосося, чтобы предсказать успех.
Если медведь вдруг перестанет слышать реку из-за поврежденного уха, модель искусственного интеллекта неверно предположит отсутствие лосося.
В отличие от этого, мозг животного, работающий на основе перспективной конфигурации, все равно будет полагаться на запах, чтобы определить присутствие лосося.
Эта теория, подкрепленная компьютерными симуляциями, демонстрирует, что модели, использующие перспективную конфигурацию, превосходят традиционные нейронные сети ИИ по эффективности обучения.
Профессор Рафал Богач, ведущий исследователь из MRC Brain Network Dynamics Unit и Наффилдского отделения клинической нейронауки в Оксфорде, описание исследования: "В настоящее время существует большой разрыв между абстрактными моделями, выполняющими перспективную конфигурацию, и нашими подробными знаниями об анатомии мозговых сетей".
"Будущие исследования нашей группы направлены на то, чтобы преодолеть разрыв между абстрактными моделями и реальным мозгом, и понять, как алгоритм перспективной конфигурации реализуется в анатомически идентифицированных корковых сетях".
Соавтор исследования доктор Юханг Сонг добавляет: "В случае машинного обучения моделирование перспективной конфигурации на существующих компьютерах происходит медленно, поскольку они работают принципиально иначе, чем биологический мозг. Необходимо разработать новый тип компьютера или специализированное аппаратное обеспечение, вдохновленное мозгом, которое сможет реализовать перспективную конфигурацию быстро и с минимальными затратами энергии".
Биоинспирированный ИИ находится на стадии разработки
Биоинспирированный искусственный интеллектНейроморфный ИИ, также называемый нейроморфным, направлен на создание систем, способных чувствовать, думать и вести себя подобно естественным организмам.
IВ центре внимания - элегантность, адаптивность и энергоэффективность - атрибуты, присущие биологическим системам.
Человеческий мозг, эффективно использующий энергию и способный работать в различных условиях, по-прежнему превосходит ИИ во многих дисциплинах и приложениях.
Действительно, наш мозг, обладая минимальной мощностью, обладает сознанием. По большинству оценок, ИИ еще предстоит пройти этот путь..
В отличие от колоссальных требований к мощности современных моделей ИИ, таких как ChatGPT, которым требуются тысячи энергоемких графических процессоров, биоинспирированный ИИ нацелен на разработку более устойчивых и адаптируемых систем.
В последнее время в этой области наблюдается прогресс: IBM и Rain AI разработка маломощных чипов моделирование синаптических функций.
Генеральный директор OpenAI Сэм Альтман Поддержанный искусственный интеллект дождя в прошлом году, и OpenAI намеревалась получить от них чипы на миллионы долларов.
Другие новые подходы к биоинспирированному ИИ включают роевой интеллект, которая стремится имитировать коллективное принятие решений группами насекомых, птиц и рыб.
По мере развития этой области она обещает устранить пробелы, выявленные в традиционных моделях ИИ, и привести нас к будущему, в котором машины будут не просто инструментами, а сущностями, обладающими определенной степенью автономности и взаимодействия с окружающей средой.
Однако, как показывает оксфордское исследование, прежде чем ИИ сможет сравниться с биологическим мозгом, ему предстоит ответить на фундаментальные вопросы.
