Forskare från MRC Brain Network Dynamics Unit och Oxford University's Department of Computer Science har identifierat ett nytt sätt att jämföra inlärning i AI-system och den mänskliga hjärnan.
Studien börjar med att ta upp en grundläggande fråga inom både mänsklig och maskinell inlärning: kredittilldelning. Detta koncept identifierar vilka delar av inlärningsprocessen som är ansvariga för misstag, vilket är inneboende i själva inlärningsprocessen.
AI-system hanterar detta genom backpropagering, där parametrarna justeras för att korrigera fel i utdata.
Backpropagation fungerar som en återkopplingsslinga. När en AI gör en förutsägelse eller fattar ett beslut som visar sig vara felaktigt, spårar denna metod tillbaka genom nätverkets lager.
Processen identifierar vilka delar av beräkningen som bidrog till felet och justerar sedan dessa specifika delar, vilket effektivt förfinar AI:ns beslutsprocess för framtida förutsägelser.
Den studiesom publicerades i Nature Neuroscience, förklarar hur backpropagation skiljer sig avsevärt från den mänskliga hjärnans inlärningsmetod.
Ny forskning från @MRCBNDU visar att hjärnans sätt att lära sig skiljer sig från och är bättre än det sätt som system för artificiell intelligens lär sig på: https://t.co/Tg1d9vdsKy#OxfordAI
- Nuffields institution för klinisk neurovetenskap (@NDCNOxford) 3 januari 2024
Medan AI traditionellt förlitar sig på backpropagation för att hantera fel, föreslår forskarna att hjärnan utför samma uppgifter genom en process som kallas "prospektiv konfiguration".
I den prospektiva konfigurationen förutsäger hjärnan, istället för att direkt justera kopplingar baserat på fel, först det ideala mönstret av neural aktivitet som följer av inlärning. Först efter denna förutsägelse sker förändringar i de neurala kopplingarna.
Denna metod står i kontrast till backpropagation som används inom AI, där processen är omvänd - justeringar av anslutningar leder och förändringar i nervaktiviteten följer.
Avgörande är att prospektiv konfiguration, ett tillvägagångssätt som sannolikt delas av praktiskt taget alla biologiska hjärnor, erbjuder en effektivare inlärningsmekanism än backpropagation.
Till skillnad från AI kan människor snabbt ta till sig ny information med minimal exponering och utan att urholka befintlig kunskap, en förmåga som AI har svårt att matcha.
Denna strategi bevarar inte bara befintlig kunskap utan påskyndar också inlärningsprocessen.
Det finns fortfarande liv i den gamla mänskliga hjärnan
Teamet illustrerar detta koncept med en analogi. Föreställ dig en björn som fiskar lax: den använder synen av floden och lukten av lax för att förutse framgång.
Om björnen plötsligt inte kan höra floden på grund av ett skadat öra skulle en AI-modell felaktigt anta att det inte finns någon lax.
Däremot skulle djurets hjärna, som arbetar med prospektiv konfiguration, fortfarande förlita sig på lukten för att dra slutsatsen att laxen är närvarande.
Denna teori, som stöds av datorsimuleringar, visar att modeller som använder prospektiv konfiguration överträffar traditionella AI-neuralnätverk i inlärningseffektivitet.
Professor Rafal Bogacz, den ledande forskaren från MRC Brain Network Dynamics Unit och Oxfords Nuffield Department of Clinical Neurosciences, beskrivning av studien: "Det finns för närvarande en stor klyfta mellan abstrakta modeller som utför prospektiv konfiguration och vår detaljerade kunskap om anatomin i hjärnans nätverk."
"Vår grupps framtida forskning syftar till att överbrygga klyftan mellan abstrakta modeller och verkliga hjärnor, och förstå hur algoritmen för prospektiv konfiguration implementeras i anatomiskt identifierade kortikala nätverk."
Dr Yuhang Song, som är medförfattare, tillägger: "När det gäller maskininlärning är simuleringen av prospektiv konfiguration på befintliga datorer långsam, eftersom de fungerar på fundamentalt olika sätt jämfört med den biologiska hjärnan. En ny typ av dator eller särskild hjärninspirerad hårdvara måste utvecklas för att kunna implementera prospektiv konfiguration snabbt och med låg energiförbrukning."
Bioinspirerad AI är på gång
Bioinspirerad AI, även kallat neuromorfisk AI, syftar till att skapa system som kan känna, tänka och bete sig på samma sätt som naturliga organismer.
It fokuserar på elegans, anpassningsförmåga och energieffektivitet - egenskaper som är inneboende i biologiska system.
Den mänskliga hjärnan, med sin effektiva energianvändning och förmåga att trivas i varierande miljöer, är fortfarande överlägsen AI inom många discipliner och tillämpningar.
Faktum är att vår hjärna, med minimal kraft, är medveten - en milstolpe som AI enligt de flesta bedömningar ännu inte har uppnått.
I motsats till de kolossala kraftbehoven hos nuvarande AI-modeller som ChatGPT, som kräver tusentals krafthungriga GPU:er, syftar bioinspirerad AI till att utveckla mer hållbara och anpassningsbara system.
Det har gjorts framsteg inom detta område på senare tid, med IBM och Rain AI utveckla chips med låg strömförbrukning modellerade på synaptiska funktioner.
OpenAI:s VD Sam Altman backed Rain AI förra året, och OpenAI hade som mål att säkra chip för miljontals dollar från dem.
Andra nya tillvägagångssätt för bioinspirerad AI inkluderar svärmintelligens, som syftar till att efterlikna det kollektiva beslutsfattandet i grupper av insekter, fåglar och fiskar.
I takt med att detta område utvecklas kommer det att överbrygga de luckor som identifierats i traditionella AI-modeller och leda oss mot en framtid där maskiner inte bara är verktyg utan enheter med en viss grad av autonomi och interaktion med omgivningen.
Som Oxford-studien visar finns det dock grundläggande frågor för AI att besvara innan den kan matcha biologiska hjärnor.
