Från de grunder som lades av Ada Lovelace och Charles Babbage till Alan Turings banbrytande datorforskning har världen fängslats av löftet om AI - en dröm om att skapa maskinbaserade enheter som besitter människoliknande kognitiva förmågor.
Utvecklingen av AI vände sig dock senare bort från sina biologiska rötter till förmån för brutal beräkningskraft och algoritmisk komplexitet.
I och med detta har science fiction-drömmar om verklighetstrogna robotar minskat något till en verklighet med mer ytligt vardagliga stora språkmodeller (LLM) som ChatGPT.
Naturligtvis är dagens AI-modeller fortfarande fängslande, men de fungerar som ett verktyg snarare än en varelse.
Det är fortfarande tidigt, men trots fenomenala framsteg har AI:s kapprustning på beräkningsområdet avslöjat luckor i vår strävan efter genuint intelligenta maskiner.
Oavsett hur kraftfulla våra algoritmer blir saknar de elegans, anpassningsförmåga och energieffektivitet - det som kännetecknar biologiska system.
Forskarna vet detta - och det gör dem frustrerade.
Professor Tony Prescott och Dr. Stuart Wilson från University of Sheffield nyligen framhävd att de flesta AI-modeller, som ChatGPT, är "disembodied", vilket innebär att de saknar en direkt koppling till den fysiska miljön.
Den mänskliga hjärnan har däremot utvecklats i ett fysiskt system - våra kroppar - som gör det möjligt för oss att direkt känna av och interagera med världen.
Forskare vill gärna befria AI från sin monolitiska arkitektur, vilket har lett till ett uppsving för bioinspirerad AI, ibland kallad neuromorfisk AI, en underdisciplin som försöker efterlikna de komplexa processer som finns i naturen för att skapa smartare och effektivare system.
Dessa ansträngningar bygger på olika biologiska ramverk, från de strukturer som utgör våra hjärnor till svärmintelligens som observerats hos myror eller fåglar.
I strävan efter autonomi och effektivitet tvingar bioinspirerad AI oss att undersöka gamla beräkningsproblem, som att gå från resurskrävande arkitekturer uppbyggda av tusentals krafthungriga GPU:er till lättare, mer intrikata analoga system.
Prescott, som var medförfattare till en nyligen publicerad artikel, "Förståelse av hjärnans funktionella arkitektur med hjälp av robotteknik"Det är mycket mer sannolikt att AI-system kommer att utveckla människoliknande kognition om de byggs med arkitekturer som lär sig och förbättras på liknande sätt som den mänskliga hjärnan, med hjälp av dess kopplingar till den verkliga världen."
Den mänskliga hjärnan är ett typexempel - varje tanke och handling som din hjärna frammanar kräver bara lika mycket effekt som en svag glödlampa - cirka 20 watt.
Och det går längre än så. Även när människor inte får någon extern energi från mat kan de överleva i över en månad. Extremofiler har hittat metoder för att trivas i några av de mest ogästvänliga miljöerna på planeten.
Jämför det med den infrastruktur som krävs för att driva AI-modeller som ChatGPT, som kräver motsvarande kraft som en liten stad och inte kan självreplikera, läka eller anpassa sig till sin miljö.
För att ge AI en rättvis behandling kan man hävda att det är en felaktig jämförelse att jämföra AI med biologiskt intelligenta system.
När allt kommer omkring är datorer och hjärnor helt enkelt utmärkta på olika uppgifter - det är kanske människans natur att smälta samman dem i antropomorfa visioner om autonoma AI som interagerar med miljön som de biologiska varelser vi har utvecklats bredvid.
Både AI-forskare och neurovetenskapsmän är dock villiga att hamna i detta intellektuella dödläge, och många skulle beskriva hjärnan "som en dator" som kan modelleras och replikeras på konstgjord väg.
Den EU:s projekt om den mänskliga hjärnan (HBP)ett multinationellt experiment inom Big Science värt nästan $1 miljard, var en lektion i hur hjärnans komplexitet undgår artificiell modellering.
HBP hade som mål att modellera den mänskliga hjärnan i sin helhet, men lyckades bara modellera delar av dess funktionalitet.
Vår hjärna - som en enda enhet - besegrat den kollektiva hjärnan hos tusentals forskare med omfattande finansiering och datorkraft till hands - ring det Poetisk rättvisa.
Det råkar vara så att medvetandet och tankens väsen är en lika avlägsen gräns som rymdens stora djup - wVi är bara inte där än.
Kärnan i den här frågan är kopplingen mellan biologi och maskiner.
Även om neurala nätverk och andra former av arkitektur för maskininlärning (ML) modelleras i analogi med biologiska hjärnor, är beräkningsmetoden fundamentalt annorlunda.
Rodney Brooks, professor emeritus i robotik vid MIT, reflekterade över detta dödläge, uttalande"Det finns en oro för att hans version av beräkningar, som bygger på funktioner av heltal, är begränsad. Biologiska system skiljer sig tydligt åt. De måste reagera på varierande stimuli under långa tidsperioder; dessa reaktioner förändrar i sin tur deras miljö och efterföljande stimuli. Sociala insekters individuella beteenden påverkas till exempel av strukturen på det hem de bygger och deras syskons beteende i det."
Brooks sammanfattar denna paradox genom att fråga: "Bör dessa maskiner modelleras på hjärnan, med tanke på att våra modeller av hjärnan utförs på sådana maskiner?"
Vägen till bioinspirerad AI
Naturen har haft miljontals år av "FoU" på sig att finslipa sina otroligt motståndskraftiga mekanismer.
Trenden mot bioinspirerad AI kan ses som en kurskorrigering, ett ödmjukt erkännande av att vår strävan efter avancerad AI kan ha lett oss in på en väg som, även om den fortfarande är bländande i sin komplexitet, kan vara ohållbar i det långa loppet.
Eller åtminstone är det inte säkert att den nuvarande utvecklingen uppfyller det som mänskligheten i slutändan söker från AI. Om vi vill leva i "framtiden" där människor och robotar går sida vid sida (även om det naturligtvis inte är alla som vill det), måste vi göra bättre än att samla fler GPU:er och träna större modeller.
Med detta sagt finns det hopp för de ivriga futuristerna bland oss, eftersom forskare har arbetat med idéer om bioinspirerad databehandling i årtionden, och vissa spekulativa idéer börjar hitta sina fötter.
I slutet av 50-talet och början av 60-talet var Frank Rosenblatts arbete med Perceptron erbjöd den första förenklade modellen av en biologisk neuron.
Men 1986 års uppsats "Inlärning av representationer genom back-propagering av fel" av David Rumelhart, Geoffrey Hinton och Ronald Williams förändrade spelplanen.
Hinton och hans team introducerade backpropagationsalgoritmen, en robust mekanism för att träna neurala nätverk i flera lager, vilket ledde till att området fick tillämpningar inom allt från behandling av naturligt språk (NLP) till datorseende (CV) - två grundläggande grenar inom modern AI.
Strax därefter tog bioinspirationen en annan väg, med lån från darwinistiska principer. John Hollands bok från 1975 "Anpassning i naturliga och artificiella system" lade grunden för genetiska algoritmer.
Genom att simulera mekanismer som mutation och naturligt urval skapades ett kraftfullt verktyg för optimeringsproblem som används inom branscher som flyg och finans.
Begrepp som "svärmintelligens", som observerats i svärmar av insekter och synkroniserade rörelser hos fåglar och fiskar, introducerades för första gången inom databehandling på 80- och 90-talet och har gjort betydande framsteg under 2023.
I augusti 2023 kommer före detta Google-anställda grundade Sakana, ett nystartat företag som föreslår att man utvecklar en ensemble av mindre AI-modeller som arbetar tillsammans.
Sakanas arbetssätt är inspirerat av biologiska system som fiskstim eller neurala nätverk, där mindre enheter samarbetar för att uppnå ett mer komplext mål.
Med tanke på de monolitiska arkitekturerna i moderna AI-modeller som ChatGPT, lovar denna ensemblingstrategi att minska energiförbrukningen och erbjuda ökad anpassningsförmåga och motståndskraft - egenskaper som är inneboende i biologiska organismer.
Även förstärkningsinlärning (RL), en gren av maskininlärning som handlar om att lära algoritmer att fatta beslut i jakt på en belöning, var till stor del bioinspirerad.
Richard Sutton och Andrew Bartos banbrytande bok "Lärande genom förstärkning: En introduktion" hämtar många exempel från hur djur lär sig av sin omgivning och inspirerar till algoritmer som kan anpassa sig utifrån belöningar och straff.
I boken görs hundratals jämförelser med djurs beteende, och det sägs bland annat: "Av alla former av maskininlärning är förstärkningsinlärning det som ligger närmast den typ av inlärning som människor och andra djur gör."
Mot bioinspirerad AI
Hos komplexa biologiska varelser som människor och andra ryggradsdjur samverkar olika delar av nervsystemet för att hantera en mängd olika funktioner.
Det centrala nervsystemet (CNS) fungerar som ett kontrollnav som bearbetar information och styr reaktioner.
Samtidigt fungerar det perifera nervsystemet (PNS) som ett kommunikationsnätverk som överför signaler mellan CNS och andra delar av kroppen.
Inom PNS finns det specialiserade autonoma nervsystemet (ANS), som arbetar ofrivilligt för att hantera vitala funktioner som hjärtfrekvens och matsmältning. Varje system har sina distinkta roller, men de är ändå sammankopplade och samarbetar sömlöst för att hjälpa oss att navigera i miljön.
Enklare organismer som insekter har ett smalare och mer ekonomiskt nervsystem, som dock fortfarande är oerhört komplext. En bananfluga har några 3.000 nervceller och en halv miljon synapser.
Komponenterna i det biologiska nervsystemet är anatomiskt distinkta men fungerar holistiskt, sammanlänkade via nervceller som skickar och tar emot sensoriska stimuli och slutligen bildar en konceptuell förståelse - eller medvetande hos mer komplexa varelser.
För att skapa autonoma robotar med tätt sammankopplade hjärnor och sensoriska system måste forskarna komma bort från brute-force computing och skapa lättviktiga system som är grundade i den sensoriska verkligheten.
Även om AI-modeller som ChatGPT har enorm kunskap är de något låsta i tiden och utestängda från den sensoriska verkligheten, med förståelse som främst drivs av deras träningsdata.
Detta ger fördelar, eller snarare ger AI en uppsättning färdigheter som skiljer sig från biologiska varelser - vilket kanske är anledningen till att mänskligheten är angelägen om att utveckla AI för att åtgärda ineffektiviteten hos att vara en biologisk varelse.
Som Amnon Shashua höjdpunkter"Datorns helt annorlunda arkitektur gynnar strategier som utnyttjar dess praktiskt taget obegränsade minneskapacitet och brute-force på ett optimalt sätt."
Men om vi någonsin ska kunna frigöra AI från datacenter och webbläsare måste forskarna lösa dessa utmaningar och hitta sätt att koppla AI-systemen till en "kropp", eller åtminstone ge dem en robust sensorisk grund.
Detta har omedelbara praktiska användningsområden. Ta exemplet med förarlösa bilar - deras sensoriska system måste fungera på samma sätt som våra för att fungera säkert. Annars har de ingen möjlighet att "se" ett potentiellt hinder och reagera snabbt för att undvika en katastrof, vilket är ett betydande hinder för att de ska kunna införas i stor skala.
Dennis Bray, Department of Physiology, Development and Neuroscience, University of Cambridge, argumenterade i samma anda: "Maskiner kan matcha oss i många uppgifter, men de fungerar annorlunda än nätverk av nervceller. Om vårt mål är att bygga maskiner som blir allt mer intelligenta och skickliga, då bör vi använda kretsar av koppar och kisel. Men om vårt mål är att återskapa den mänskliga hjärnan, med dess egendomliga briljans, förmåga till multitasking och självkänsla, måste vi leta efter andra material och andra konstruktioner."
Dessa kommentarer, som fortfarande är relevanta idag, publicerades i en Diskussionsartikel om naturen publicerades 2012 i samband med Turings 100-årsjubileum - och AI har utvecklats snabbt sedan dess.
Så var är vi nu?
Spikande neuronnät (SNN) och biologisk hårdvara
Forskare utforskar idag de "andra material och olika konstruktioner" som Bray hänvisar till, till exempel spiking neural networks (SNN), en typ av neurala nätverk som är intimt modellerade efter neuronal funktionalitet.
SNN erbjuder ett specialiserat alternativ till de konventionella neurala nätverk som vi ofta möter inom maskininlärning.
Istället för att förlita sig på kontinuerliga aktiveringsfunktioner för att bearbeta indata, efterliknar SNN de biologiska neuronnätens komplexitet genom att använda diskreta spikar för kommunikation mellan neuronerna.
I dessa nätverk integrerar varje artificiell neuron inkommande spikar från de anslutna neuronerna över tid. När den ackumulerade signalen, eller membranpotentialen, överskrider ett visst tröskelvärde avger neuronet självt en spik.
Denna spikningsmekanism gör att nätverket kan fånga upp och bearbeta både rumsliga och tidsmässiga mönster, ungefär som neuronerna i biologiska hjärnor.
Vad är det då som gör SNN till en central punkt inom bioinspirerad AI?
För det första skiljer de sig åt genom sin förmåga att naturligt bearbeta temporala datasekvenser, vilket eliminerar behovet av ytterligare minnesenheter som i återkommande neurala nätverk (RNN)
För det andra har SNN utformats för att vara otroligt energieffektiva. Till skillnad från traditionella neurala nätverk där varje neuron är ständigt aktiv, gör SNN:s glesa och händelsestyrda natur att neuronerna kan förbli mestadels inaktiva och bara avfyra spikar när det är nödvändigt. Detta sänker deras energiförbrukning avsevärt.
Slutligen, genom att efterlikna biologiska system mer, har SNN potential för ökad robusthet och flexibilitet, särskilt i bullriga eller oförutsägbara miljöer.
Även om SNN-konceptet har sina rötter i en teoretisk förståelse av biologiska nervsystem, har framsteg inom hårdvarutekniken gjort dessa nätverk mer tillgängliga för beräkningsuppgifter.
Neuromorfiska chip, som är särskilt utformade för att effektivt simulera spikdynamik, har spelat en viktig roll för att göra SNN praktiskt användbara.
IBM:s bioinspirerade analoga chip och SNN
Under de senaste två åren har det gjorts viktiga framsteg när det gäller att bygga ultralätta, Energieffektiv AI lösningar, även kallade neuromorfiska chip.
Flera andra typer av neuromorfisk teknik finns också tillgängliga nu, t.ex. neuromorfiska kameror som är modellerade efter biologiska ögon.
Utvecklad under 2023, IBM:s chip använder analoga komponenter som memristorer för att lagra varierande numeriska värden. Dessutom används PCM (Phase Change Memory) för att registrera ett spektrum av värden i stället för 0:or och 1:or.
Dessa egenskaper gör det möjligt att minska dataöverföringen mellan minne och processor, vilket ger en fördel när det gäller energieffektivitet. IBM:s design har "64 analoga beräkningskärnor i minnet, var och en innehållande en 256 gånger 256 synaptisk array". Den uppnådde en imponerande noggrannhet på 92,81% i ett benchmark-test för datorseende (CV) samtidigt som den var över 15 gånger effektivare än flera befintliga chip.
IBM:s chip är inte uttryckligen baserat på SNN, men den analoga karaktären och användningen av memristorer gör det mycket kompatibelt med SNN-modellen.
SNN kan i princip implementeras på ett mer naturligt sätt i den här typen av arkitektur.
SNN-baserat chip från IIT Bombay
Under 2022 har forskare från Indian Institute of Technology, Bombay, designat ett chip som arbetar specifikt med SNN.
Detta chip använder BTBT-ström (band-to-band tunneling) för artificiella neuroner med extremt låg energi. Enligt professor Udayan Ganguly uppnår chippet "5.000 gånger lägre energi per spik på en liknande yta och 10 gånger lägre standby-ström på en liknande yta och energi per spik".
Den här typen av chip har direkta tillämpningar i kompakta enheter som mobiltelefoner, obemannade autonoma fordon (UAV) och IoT-enheter, och uppfyller behovet av lättviktiga och energieffektiva AI-datorsystem.
Båda metoderna syftar till att så småningom möjliggöra vad Ganguly beskriver som "en neurosynaptisk kärna med extremt låg effekt och att utveckla en inlärningsmekanism i realtid på chipet, vilket är nyckeln till autonoma biologiskt inspirerade neurala nätverk. Detta är den heliga gralen."
Dessa system skulle kunna kombinera "tankesystemet" med "handlings- och rörelsesystemet", i likhet med vad vi ser hos biologiska organismer.
Detta skulle göra det möjligt för oss att ta ett stort steg mot att skapa artificiella system som är kraftfulla, hållbara och nära kopplade till de biologiska system som har inspirerat AI i nästan ett sekel.
Äntligen kan mänskligheten befria AI:er från monolitisk arkitektur, koppla bort dem från sina strömkällor och skicka ut dem i världen - och universum - som autonoma varelser.
Huruvida detta är en bra idé eller inte - ja, det är en diskussion för en annan gång.
