Δύο ξεχωριστές μελέτες, μία από το εργαστήριο DeepMind της Βρετανικής Τεχνητής Νοημοσύνης και η άλλη από ερευνητές στη Γερμανία και την Ελλάδα, παρουσιάζουν τις συναρπαστικές σχέσεις μεταξύ του AI και της νευροεπιστήμης.
Όπως σας λένε οι περισσότεροι επιστήμονες, είμαστε ακόμη δεκαετίες μακριά από την οικοδόμηση τεχνητής γενικής νοημοσύνης, μηχανές που μπορούν να λύσουν προβλήματα τόσο αποτελεσματικά όσο και οι άνθρωποι. Στο δρόμο για τη δημιουργία γενικής ΑΙ, ο ανθρώπινος εγκέφαλος, αναμφίβολα η πιο πολύπλοκη δημιουργία της φύσης, είναι ο καλύτερος οδηγός που έχουμε.
Οι εξελίξεις στη νευροεπιστήμη, η μελέτη των νευρικών συστημάτων, παρέχουν ενδιαφέρουσες ιδέες για το πώς λειτουργεί ο εγκέφαλος, ένα βασικό συστατικό για την ανάπτυξη καλύτερων συστημάτων ΑΙ. Αντίστροφα, η ανάπτυξη καλύτερων συστημάτων ΑΠ μπορεί να βοηθήσει στην προώθηση της νευροεπιστήμης και να ξεκλειδώσει περαιτέρω τα μυστικά του εγκεφάλου.
Για παράδειγμα, συνελικτικά νευρωνικά δίκτυα (CNN), ένας από τους βασικούς συντελεστές στην πρόσφατη πρόοδο της τεχνητής νοημοσύνης, εμπνέεται σε μεγάλο βαθμό από την έρευνα για τη νευροεπιστήμη στον οπτικό φλοιό. Από την άλλη πλευρά, οι νευροεπιστήμονες εκμεταλλεύονται τους αλγορίθμους AI Μελετήστε εκατομμύρια σήματα από τον εγκέφαλο και να βρει μοτίβα που θα είχαν πάει. Τα δύο πεδία είναι στενά συνδεδεμένα και οι συνέργιες τους παράγουν πολύ ενδιαφέροντα αποτελέσματα.
Πρόσφατες ανακαλύψεις στη νευροεπιστήμη δείχνουν τι κάνουμε ακριβώς στο AI και τι έχουμε κάνει λάθος.
Η έρευνα AI του DeepMind δείχνει τις συνδέσεις μεταξύ της ντοπαμίνης και της μάθησης ενίσχυσης
Μια πρόσφατη μελέτη από τους ερευνητές στο DeepMind αποδεικνύει ότι η έρευνα AI (τουλάχιστον ένα μέρος της) κατευθύνεται προς τη σωστή κατεύθυνση.
Χάρη στη νευροεπιστήμη, γνωρίζουμε ότι ένας από τους βασικούς μηχανισμούς μέσω των οποίων μαθαίνουν οι άνθρωποι και τα ζώα είναι ανταμοιβές και τιμωρίες. Τα θετικά αποτελέσματα μας ενθαρρύνουν να επαναλάβουμε ορισμένα καθήκοντα (κάνουμε αθλήματα, σπουδές για εξετάσεις κλπ.), Ενώ τα αρνητικά αποτελέσματα μας αμαυρώνουν από τα επαναλαμβανόμενα λάθη (αγγίξτε μια θερμή σόμπα).
Ο μηχανισμός ανταμοιβής και τιμωρίας είναι περισσότερο γνωστός από τα πειράματα του Ρώσου φυσιολόγου Ιβάν Παβλόφ, ο οποίος εκπαίδευσε τα σκυλιά να περιμένουν φαγητό κάθε φορά που ακούν ένα κουδούνι. Γνωρίζουμε επίσης ότι η ντοπαμίνη, μια χημική ουσία νευροδιαβιβαστών που παράγεται στον μεσεγκεφάλαιο, παίζει σημαντικό ρόλο στη ρύθμιση των λειτουργιών ανταμοιβής του εγκεφάλου.
Διαβάστε: [Ο γκραντ σκακιστής Gary Kasparov προβλέπει ότι το AI θα διακόψει το 96% όλων των θέσεων εργασίας]
Ενίσχυση μάθησης, μια από τις πιο καυτές περιοχές της έρευνας τεχνητής νοημοσύνης, έχει διαμορφωθεί περίπου μετά από τον μηχανισμό ανταμοιβής / τιμωρίας του εγκεφάλου. Στο RL, ένας πράκτορας AI έχει οριστεί για να διερευνήσει ένα χώρο προβλημάτων και να δοκιμάσει διαφορετικές ενέργειες. Για κάθε ενέργεια που εκτελεί, ο πράκτορας λαμβάνει μια αριθμητική ανταμοιβή ή ποινή. Μέσω μαζικών δοκιμών και σφαλμάτων και με την εξέταση του αποτελέσματος των ενεργειών του, ο πράκτορας του AI αναπτύσσει ένα μαθηματικό μοντέλο βελτιστοποιημένο ώστε να μεγιστοποιεί τις ανταμοιβές και να αποφεύγει τις ποινές. (Στην πραγματικότητα, είναι λίγο πιο περίπλοκο και περιλαμβάνει τη διερεύνηση και εκμετάλλευση και άλλες προκλήσεις.)
Πιο πρόσφατα, οι ερευνητές της AI έχουν επικεντρωθεί στη μάθηση για τη διανομή ενισχύσεων για τη δημιουργία καλύτερων μοντέλων. Η βασική ιδέα πίσω από τη διανομή RL είναι η χρήση πολλαπλών παραγόντων για την πρόβλεψη ανταμοιβών και τιμωριών σε ένα φάσμα αισιόδοξων και απαισιόδοξων τρόπων. Η εκμάθηση ενίσχυσης διανομής έχει καθοριστική σημασία για τη δημιουργία παραγόντων AI που είναι πιο ανθεκτικοί στις αλλαγές στο περιβάλλον τους.
Η νέα έρευνα, που έγινε από κοινού από το Πανεπιστήμιο του Χάρβαρντ και το DeepMind και δημοσιεύθηκε στο Φύση την περασμένη εβδομάδα, έχει βρει ιδιότητες στον εγκέφαλο των ποντικών, οι οποίες είναι πολύ παρόμοιες με εκείνες της μάθησης για την ενίσχυση της κατανομής. Οι ερευνητές της ΑΠ μέτρησαν τα ποσοστά πυροδότησης της ντοπαμίνης στον εγκέφαλο για να εξετάσουν τη διακύμανση των ποσοστών πρόβλεψης ανταμοιβής των βιολογικών νευρώνων.
Είναι ενδιαφέρον ότι ο ίδιος μηχανισμός αισιοδοξίας και απαισιοδοξίας που είχαν προγραμματίσει οι επιστήμονες του AI στα μοντέλα μάθησης διανομής ενισχύσεων βρέθηκε στο νευρικό σύστημα των ποντικών. "Συνοπτικά, διαπιστώσαμε ότι οι νευρώνες της ντοπαμίνης στον εγκέφαλο ήταν συντονισμένοι σε διαφορετικά επίπεδα απαισιοδοξίας ή αισιοδοξίας", ανέφεραν οι ερευνητές του DeepMind ανάρτηση που δημοσιεύεται στον ιστότοπο του εργαστηρίου του AI. "Σε συστήματα τεχνητής ενίσχυσης οπλισμού, αυτή η διαφορετική ρύθμιση δημιουργεί ένα πλουσιότερο εκπαιδευτικό σήμα που επιταχύνει πολύ τη μάθηση στα νευρωνικά δίκτυα και εικαζόμαστε ότι ο εγκέφαλος θα μπορούσε να το χρησιμοποιήσει για τον ίδιο λόγο».
Αυτό που κάνει αυτό το εύρημα ξεχωριστό είναι ότι ενώ η έρευνα για την ΑΠ παίρνει συνήθως την έμπνευση από την ανακάλυψη των νευροεπιστημών, στην περίπτωση αυτή, η έρευνα για νευροεπιστήμες έχει επικυρώσει τις ανακαλύψεις της ΑΠ. "Αυτό μας δίνει αυξημένη εμπιστοσύνη στο γεγονός ότι η έρευνα AI βρίσκεται στο σωστό δρόμο αφού ο αλγόριθμος αυτός χρησιμοποιείται ήδη στην πιο έξυπνη οντότητα που γνωρίζουμε: τον εγκέφαλο", γράφουν οι ερευνητές.
Θα θέσει επίσης τις βάσεις για περαιτέρω έρευνα στη νευροεπιστήμη, η οποία, με τη σειρά της, θα ωφελήσει τον τομέα της ΑΠ.
Οι νευρώνες δεν είναι τόσο χαζή όσο νομίζουμε
Ενώ τα νέα ευρήματα του DeepMind επιβεβαίωσαν το έργο που επιτελέστηκε στην έρευνα για την ενίσχυση της AI, μια άλλη έρευνα από επιστήμονες στο Βερολίνο, αυτή τη φορά δημοσιευτηκε σε Επιστήμη στις αρχές Ιανουαρίου, αποδεικνύει ότι μερικές από τις βασικές υποθέσεις που κάναμε για τον εγκέφαλο είναι αρκετά λανθασμένες.
Η γενική πεποίθηση για τη δομή του εγκεφάλου είναι ότι οι νευρώνες, το βασικό συστατικό του νευρικού συστήματος, είναι απλοί ολοκληρωτές που υπολογίζουν το σταθμισμένο άθροισμα των εισροών τους. Τεχνητά νευρικά δίκτυα, ένα δημοφιλές είδος μάθηση μηχανής αλγόριθμος, έχουν σχεδιαστεί βάσει αυτής της πεποίθησης.
Μόνο, ένας τεχνητός νευρώνας εκτελεί μια πολύ απλή λειτουργία. Παίρνει αρκετές εισόδους, τις πολλαπλασιάζει με προκαθορισμένα βάρη, τις αθροίζει και τις τρέχει μέσω μιας λειτουργίας ενεργοποίησης. Αλλά όταν συνδέετε χιλιάδες και εκατομμύρια (και δισεκατομμύρια) τεχνητούς νευρώνες σε πολλαπλά στρώματα, αποκτάτε μια πολύ ευέλικτη μαθηματική λειτουργία που μπορεί να λύσει σύνθετα προβλήματα όπως ανίχνευση αντικειμένων σε εικόνες ή μεταγραφή λόγου.
Η δομή ενός τεχνητού νευρώνα, το βασικό συστατικό των τεχνητών νευρωνικών δικτύων (πηγή: Wikipedia)Τα δίκτυα τεχνητών νευρώνων πολλαπλών στρωμάτων, που γενικά ονομάζονται βαθιά νευρικά δίκτυα, είναι η κύρια κίνηση πίσω από το βαθιά μάθηση επανάσταση κατά την τελευταία δεκαετία.
Αλλά η γενική αντίληψη των βιολογικών νευρώνων που είναι "χαζή" αριθμομηχανές των βασικών μαθηματικών είναι υπερβολικά απλοϊκή. Τα πρόσφατα ευρήματα των Γερμανών ερευνητών, τα οποία στη συνέχεια επιβεβαιώθηκαν από νευροεπιστήμονες σε εργαστήριο στην Ελλάδα, απέδειξαν ότι οι μεμονωμένοι νευρώνες μπορούν να εκτελέσουν τις λειτουργίες XOR, μια υπόθεση που απορρίφθηκε από πρωτοπόρους της AI όπως ο Marvin Minsky και ο Seymour Papert.
Αν και δεν έχουν όλοι οι νευρώνες αυτή τη δυνατότητα, οι συνέπειες του ευρήματος είναι σημαντικές. Για παράδειγμα, μπορεί να σημαίνει ότι ένας μόνος νευρώνας μπορεί να περιέχει ένα βαθύ δίκτυο μέσα του. Ο Konrad Kording, υπολογιστικός νευροεπιστήμονας στο Πανεπιστήμιο της Πενσυλβανίας, ο οποίος δεν συμμετείχε στην έρευνα, είπε Quanta Magazine ότι το εύρημα μπορεί να σημαίνει ότι "ένας και μόνο νευρώνος μπορεί να υπολογίζει πραγματικά πολύπλοκες λειτουργίες. Για παράδειγμα, μπορεί να είναι, από μόνη της, ικανή να αναγνωρίσει ένα αντικείμενο. "
Τι σημαίνει αυτό για την έρευνα τεχνητής νοημοσύνης; Τουλάχιστον, αυτό σημαίνει ότι πρέπει να επανεξετάσουμε τη μοντελοποίηση των νευρώνων μας. Μπορεί να προωθήσει την έρευνα σε νέες δομές και δίκτυα τεχνητών νευρώνων με διαφορετικούς τύπους νευρώνων. Ίσως θα μπορούσε να μας βοηθήσει να μας ελευθερώσετε από την παγίδα που πρέπει να χτίσετε εξαιρετικά μεγάλα νευρικά δίκτυα και σύνολα δεδομένων για την επίλυση πολύ απλών προβλημάτων.
"Το όλο παιχνίδι - για να καταλήξετε με το πώς αποκτάτε έξυπνη γνώση από χαζούς νευρώνες - μπορεί να είναι λάθος", ο γνωστικός επιστήμονας Gary Marcus, ο οποίος μίλησε επίσης Quanta, είπε σχετικά.
Αυτή η ιστορία αναδημοσιεύθηκε από το TechTalks, το blog που ερευνά πώς η τεχνολογία λύει προβλήματα ... και δημιουργεί νέα. Όπως και στο Facebook εδώ και να τους ακολουθήσετε εδώ:
Διαβάστε παρακάτω: Satoshi Nakaboto: "Long Bitcoin; Ο Γουόρεν Μπάφετ προτείνει να βρεθούν βαλίτσες "
