Το σύστημα τεχνητής νοημοσύνης αυτο-οργανώνεται για να αναπτύξει χαρακτηριστικά του εγκεφάλου πολύπλοκων οργανισμών

Οι επιστήμονες του Κέιμπριτζ έχουν δείξει ότι η επιβολή φυσικών περιορισμών σε ένα σύστημα τεχνητής νοημοσύνης -με τον ίδιο τρόπο που ο ανθρώπινος εγκέφαλος πρέπει να αναπτυχθεί και να λειτουργεί εντός φυσικών και βιολογικών περιορισμών- του επιτρέπει να αναπτύξει χαρακτηριστικά του εγκεφάλου πολύπλοκων οργανισμών για να λύσει εργασίες.

Καθώς τα νευρικά συστήματα όπως ο εγκέφαλος οργανώνονται και δημιουργούν συνδέσεις, πρέπει να εξισορροπούν τις ανταγωνιστικές απαιτήσεις. Για παράδειγμα, απαιτούνται ενέργεια και πόροι για την ανάπτυξη και τη διατήρηση του δικτύου στο φυσικό χώρο, βελτιστοποιώντας παράλληλα το δίκτυο για επεξεργασία πληροφοριών. Αυτή η αντιστάθμιση διαμορφώνει όλους τους εγκεφάλους εντός και μεταξύ των ειδών, κάτι που μπορεί να εξηγήσει γιατί πολλοί εγκέφαλοι συγκλίνουν σε παρόμοιες οργανωτικές λύσεις.

Η Jascha Achterberg, υπότροφος του Gates από τη Μονάδα Γνώσης και Επιστημών του Εγκεφάλου (MRC CBSU) του Συμβουλίου Ιατρικής Έρευνας στο Πανεπιστήμιο του Κέιμπριτζ, είπε: «Ο εγκέφαλος όχι μόνο είναι καλός στην επίλυση σύνθετων προβλημάτων, αλλά το κάνει χρησιμοποιώντας πολύ λίγη ενέργεια. νέα εργασία, δείχνουμε ότι λαμβάνοντας υπόψη τις ικανότητες επίλυσης προβλημάτων του εγκεφάλου παράλληλα με τον στόχο του να ξοδεύει όσο το δυνατόν λιγότερους πόρους, μπορεί να μας βοηθήσει να καταλάβουμε γιατί ο εγκέφαλος μοιάζει με τον τρόπο που φαίνεται».

Ο συν-επικεφαλής συγγραφέας Dr Danyal Akarca, επίσης του CBSU MRC, πρόσθεσε: «Αυτό προκύπτει από μια ευρεία αρχή, η οποία είναι ότι τα βιολογικά συστήματα εξελίσσονται συνήθως για να αξιοποιήσουν στο έπακρο τους ενεργειακούς πόρους που έχουν στη διάθεσή τους. Οι λύσεις που φτάνουν είναι συχνά πολύ κομψές και αντικατοπτρίζουν τους συμβιβασμούς μεταξύ των διαφόρων δυνάμεων που τους επιβλήθηκαν».

Σε μια μελέτη που δημοσιεύτηκε στο Τεχνητή νοημοσύνη της φύσης, Achterberg, Akarca και οι συνεργάτες του δημιούργησαν ένα τεχνητό σύστημα που προοριζόταν να μοντελοποιήσει μια εξαιρετικά απλοποιημένη έκδοση του εγκεφάλου και εφάρμοσε φυσικούς περιορισμούς. Διαπίστωσαν ότι το σύστημά τους ανέπτυξε ορισμένα βασικά χαρακτηριστικά και τακτικές παρόμοιες με αυτές που υπάρχουν στον ανθρώπινο εγκέφαλο.

Αντί για πραγματικούς νευρώνες, το σύστημα χρησιμοποίησε υπολογιστικούς κόμβους. Οι νευρώνες και οι κόμβοι έχουν παρόμοια λειτουργία, καθώς ο καθένας παίρνει μια είσοδο, τη μετασχηματίζει και παράγει μια έξοδο, και ένας μεμονωμένος κόμβος ή νευρώνας μπορεί να συνδεθεί με πολλούς άλλους, με όλες τις πληροφορίες εισαγωγής προς επεξεργασία.

Στο σύστημά τους, ωστόσο, οι ερευνητές εφάρμοσαν έναν «φυσικό» περιορισμό στο σύστημα. Σε κάθε κόμβο εκχωρήθηκε μια συγκεκριμένη θέση σε έναν εικονικό χώρο και όσο πιο μακριά ήταν οι δύο κόμβοι, τόσο πιο δύσκολο ήταν να επικοινωνήσουν. Αυτό είναι παρόμοιο με το πώς οργανώνονται οι νευρώνες στον ανθρώπινο εγκέφαλο.

Οι ερευνητές έδωσαν στο σύστημα μια απλή εργασία για να ολοκληρώσει: σε αυτή την περίπτωση μια απλοποιημένη έκδοση μιας εργασίας πλοήγησης λαβύρινθου που συνήθως δίνεται σε ζώα όπως αρουραίους και μακάκους όταν μελετούν τον εγκέφαλο, όπου πρέπει να συνδυάσει περισσότερες πληροφορίες για να αποφασίσει για το συντομότερο. διαδρομή για να φτάσετε στο τελικό σημείο.

Ένας από τους λόγους που η ομάδα επέλεξε αυτή τη συγκεκριμένη εργασία είναι επειδή για να την ολοκληρώσει το σύστημα πρέπει να διατηρεί έναν αριθμό στοιχείων (θέση έναρξης, θέση τερματισμού και ενδιάμεσα βήματα) και μόλις μάθει να εκτελεί την εργασία αξιόπιστα, είναι δυνατό να παρατηρήστε, σε διαφορετικές στιγμές μιας δοκιμής, ποιοι κόμβοι είναι σημαντικοί. Για παράδειγμα, μια συγκεκριμένη ομάδα κόμβων μπορεί να κωδικοποιήσει τις τοποθεσίες άφιξης, ενώ άλλοι κωδικοποιούν τις διαθέσιμες διαδρομές και είναι δυνατό να παρακολουθείτε ποιοι κόμβοι είναι ενεργοί σε διαφορετικές φάσεις της δραστηριότητας.

Αρχικά, το σύστημα δεν ξέρει πώς να ολοκληρώσει την εργασία και κάνει λάθη. Αλλά όταν του δίνεται ανατροφοδότηση, σταδιακά μαθαίνει να γίνεται καλύτερος στο έργο. Μαθαίνει αλλάζοντας την ισχύ των συνδέσεων μεταξύ των κόμβων του, παρόμοια με το πώς αλλάζει η ισχύς των συνδέσεων μεταξύ των εγκεφαλικών κυττάρων καθώς μαθαίνουμε. Στη συνέχεια, το σύστημα επαναλαμβάνει την εργασία ξανά και ξανά, μέχρι να μάθει τελικά να την εκτελεί σωστά.

Με το σύστημά τους, ωστόσο, ο φυσικός περιορισμός σήμαινε ότι όσο πιο μακριά ήταν οι δύο κόμβοι, τόσο πιο δύσκολο ήταν να δημιουργηθεί μια σύνδεση μεταξύ των δύο κόμβων ως απάντηση στην ανάδραση. Στον ανθρώπινο εγκέφαλο, οι συνδέσεις που εκτείνονται σε μεγάλη φυσική απόσταση είναι ακριβό να δημιουργηθούν και να διατηρηθούν.

Όταν ζητήθηκε από το σύστημα να εκτελέσει την εργασία εντός αυτών των περιορισμών, χρησιμοποίησε μερικά από τα ίδια κόλπα που χρησιμοποιούν οι πραγματικοί ανθρώπινοι εγκέφαλοι για να λύσουν την εργασία. Για παράδειγμα, για να ξεπεράσουν τους περιορισμούς, τεχνητά συστήματα έχουν αρχίσει να αναπτύσσουν κόμβους, οι οποίοι είναι πολύ συνδεδεμένοι κόμβοι που λειτουργούν ως αγωγοί για τη διέλευση πληροφοριών μέσω του δικτύου.

Ακόμη πιο εκπληκτικό, ωστόσο, ήταν το γεγονός ότι τα προφίλ απόκρισης των ίδιων των μεμονωμένων κόμβων άρχισαν να αλλάζουν: με άλλα λόγια, αντί να υπάρχει ένα σύστημα στο οποίο κάθε κόμβος κωδικοποιεί μια συγκεκριμένη ιδιότητα της εργασίας του λαβύρινθου, όπως η θέση του στόχο ή την επόμενη επιλογή, οι κόμβοι έχουν αναπτύξει ένα “ευέλικτο σχήμα κωδικοποίησης”. Αυτό σημαίνει ότι σε διαφορετικά χρονικά σημεία οι κόμβοι ενδέχεται να ενεργοποιηθούν λόγω ενός μείγματος ιδιοτήτων του λαβύρινθου. Για παράδειγμα, ο ίδιος κόμβος μπορεί να μπορεί να κωδικοποιεί πολλαπλές τοποθεσίες ενός λαβύρινθου, αντί να χρειάζεται εξειδικευμένους κόμβους για την κωδικοποίηση συγκεκριμένων τοποθεσιών. Αυτό είναι ένα άλλο χαρακτηριστικό που παρατηρείται στους εγκεφάλους σύνθετων οργανισμών.

Ο συν-συγγραφέας καθηγητής Duncan Astle, από το Τμήμα Ψυχιατρικής του Κέμπριτζ, δήλωσε: “Αυτός ο απλός περιορισμός – είναι πιο δύσκολο να συνδεθούν κόμβοι που βρίσκονται σε απόσταση μεταξύ τους – αναγκάζει τα τεχνητά συστήματα να παράγουν αρκετά περίπλοκα χαρακτηριστικά. Είναι ενδιαφέρον ότι είναι κοινά χαρακτηριστικά από βιολογικά συστήματα όπως ο ανθρώπινος εγκέφαλος. Νομίζω ότι αυτό μας λέει κάτι θεμελιώδες για το γιατί ο εγκέφαλός μας είναι οργανωμένος με συγκεκριμένο τρόπο».

Κατανόηση του ανθρώπινου εγκεφάλου

Η ομάδα ελπίζει ότι το σύστημά της AI μπορεί να αρχίσει να ρίχνει φως στο πώς αυτοί οι περιορισμοί διαμορφώνουν τις διαφορές μεταξύ των εγκεφάλων των ανθρώπων και συμβάλλουν στις διαφορές που παρατηρούνται σε άτομα με γνωστικές ή ψυχικές δυσκολίες.

Ο συν-συγγραφέας καθηγητής John Duncan του MRC CBSU είπε: «Αυτοί οι τεχνητοί εγκέφαλοι μας δίνουν έναν τρόπο να κατανοήσουμε τα πλούσια και αινιγματικά δεδομένα που βλέπουμε όταν η δραστηριότητα των πραγματικών νευρώνων καταγράφεται σε πραγματικούς εγκεφάλους».

Ο Achterberg πρόσθεσε: “Οι τεχνητοί “εγκέφαλοι” μας επιτρέπουν να κάνουμε ερωτήσεις που θα ήταν αδύνατο να εξεταστούν σε ένα πραγματικό βιολογικό σύστημα. Μπορούμε να εκπαιδεύσουμε το σύστημα να εκτελεί εργασίες και στη συνέχεια να παίξουμε πειραματικά με τους περιορισμούς που επιβάλλουμε, για να δούμε αν μπορεί να το κάνει .” “. αρχίζει να μοιάζει όλο και περισσότερο με το μυαλό συγκεκριμένων ατόμων».

Επιπτώσεις για το σχεδιασμό μελλοντικών συστημάτων τεχνητής νοημοσύνης

Τα ευρήματα είναι επίσης πιθανό να ενδιαφέρουν την κοινότητα της τεχνητής νοημοσύνης, καθώς θα μπορούσαν να επιτρέψουν την ανάπτυξη πιο αποτελεσματικών συστημάτων, ιδιαίτερα σε καταστάσεις όπου είναι πιθανό να υπάρχουν φυσικοί περιορισμοί.

Ο Δρ Akarca είπε: “Οι ερευνητές της τεχνητής νοημοσύνης προσπαθούν συνεχώς να κατανοήσουν πώς να δημιουργήσουν πολύπλοκα νευρωνικά συστήματα που μπορούν να κωδικοποιούν και να εκτελούν ευέλικτα και αποτελεσματικά. Για να το πετύχουμε αυτό, πιστεύουμε ότι η νευροβιολογία θα μας δώσει πολλή έμπνευση. Για παράδειγμα, το συνολικό κόστος της καλωδίωσης το σύστημα που δημιουργήσαμε είναι πολύ χαμηλότερο από αυτό που θα βρείτε σε ένα τυπικό σύστημα AI.”

Πολλές σύγχρονες λύσεις τεχνητής νοημοσύνης περιλαμβάνουν τη χρήση αρχιτεκτονικών που μοιάζουν μόνο επιφανειακά με εγκέφαλο. Οι ερευνητές λένε ότι η εργασία τους δείχνει ότι το είδος του προβλήματος που επιλύει η τεχνητή νοημοσύνη θα επηρεάσει ποια αρχιτεκτονική είναι η πιο ισχυρή για χρήση.

Ο Achterberg είπε: «Εάν θέλετε να φτιάξετε ένα τεχνητά ευφυές σύστημα που λύνει προβλήματα που μοιάζουν με ανθρώπους, τελικά το σύστημα θα καταλήξει να φαίνεται πολύ πιο κοντά σε έναν πραγματικό εγκέφαλο από συστήματα που λειτουργούν σε μεγάλα συμπλέγματα υπολογιστών που ειδικεύονται σε πολύ διαφορετικές εργασίες από αυτές Η αρχιτεκτονική και η δομή που βλέπουμε στον τεχνητό «εγκέφαλό» μας είναι εκεί γιατί είναι χρήσιμα για τη διαχείριση των συγκεκριμένων εγκεφαλικών προκλήσεων που αντιμετωπίζει».

Αυτό σημαίνει ότι τα ρομπότ που πρέπει να επεξεργάζονται μεγάλες ποσότητες συνεχώς μεταβαλλόμενων πληροφοριών με πεπερασμένους ενεργειακούς πόρους θα μπορούσαν να ωφεληθούν από το να έχουν δομές εγκεφάλου που δεν είναι διαφορετικές από τις δικές μας.

Ο Achterberg πρόσθεσε: «Οι εγκέφαλοι των ρομπότ που χρησιμοποιούνται στον πραγματικό φυσικό κόσμο πιθανότατα θα μοιάζουν περισσότερο με τον εγκέφαλό μας, επειδή μπορεί να αντιμετωπίσουν τις ίδιες προκλήσεις με εμάς».

“Χρειάζεται να επεξεργάζονται συνεχώς νέες πληροφορίες που έρχονται μέσω των αισθητήρων τους καθώς ελέγχουν το σώμα τους για να κινηθούν στο διάστημα προς έναν στόχο. Πολλά συστήματα θα πρέπει να εκτελούν όλους τους υπολογισμούς τους με περιορισμένη παροχή ηλεκτρικής ενέργειας και ως εκ τούτου, να εξισορροπούν αυτούς τους ενεργητικούς περιορισμούς με την ποσότητα των πληροφοριών που πρέπει να επεξεργαστεί, πιθανότατα θα χρειαστεί μια δομή του εγκεφάλου παρόμοια με τη δική μας».