Evolution er på arbejde inden for computere såvel som biovidenskab

Forskning i kunstig intelligens har meget at lære af naturen. Mit arbejde forbinder biologi med beregning hver dag, men for nylig blev resten af ​​verden mindet om forbindelsen:Nobelprisen i kemi 2018 gik til Frances Arnold sammen med George Smith og Gregory Winter for at udvikle store gennembrud, der tilsammen kaldes "directed evolution." En af dens anvendelser er at forbedre proteinfunktioner, gør dem til bedre katalysatorer i produktionen af ​​biobrændstoffer. En anden anvendelse er helt uden for kemi - uden for selv de traditionelle biovidenskaber.

Det lyder måske overraskende, men mange forskningsresultater har meget brede implikationer. Det er en del af, hvorfor næsten enhver videnskabsmand undrer sig over og håber ikke kun, at de måske ville blive udvalgt til en Nobelpris, men, langt mere sandsynligt, at vinderen måske er en, de kender eller har arbejdet sammen med. I den kollaborative akademiske verden, dette er ikke voldsomt ualmindeligt:​​I 2002, Jeg studerede under en lærd, der havde studeret under en af ​​de tre medvindere af det års Nobelpris i fysiologi eller medicin. Dette år, det skete igen – en af ​​vinderne har skrevet et par artikler med en forsker, jeg har samarbejdet med.

Ud over at tilfredsstille min egen forfængelighed, prisen minder mig om, hvor nyttige biologiske koncepter er til tekniske problemer. Det mest kendte eksempel er sandsynligvis opfindelsen af ​​velcro-kroge-og-løkke-lukninger, inspireret af grater, der klistrede til en mands bukser, mens han gik udendørs. I Nobelprismodtagernes arbejde, det naturlige princip i arbejdet er evolution – hvilket også er den tilgang, jeg bruger til at udvikle kunstig intelligens. Min forskning er baseret på ideen om, at evolution førte til generel intelligens i biologiske livsformer, så den samme proces kunne også bruges til at udvikle computeriserede intelligente systemer.

Når man designer AI-systemer, der styrer virtuelle biler, for eksempel, du vil måske have sikrere biler, der forstår at undgå en lang række forhindringer – andre biler, træer, cyklister og autoværn. Min tilgang ville være at evaluere sikkerhedsydelsen af ​​flere AI-systemer. Dem, der kører mest sikkert, får lov til at formere sig - ved at blive kopieret ind i en ny generation.

Men ligesom naturen ikke laver identiske kopier af forældre, genetiske algoritmer i beregningsmæssig evolution lader mutationer og rekombinationer skabe variationer i afkommet. Udvælgelse og reproduktion af de sikreste drivere i hver ny generation finder og udbreder mutationer, der forbedrer ydeevnen. Gennem mange generationer, AI-systemer bliver bedre gennem den samme metode, som naturen forbedrer sig selv - og på samme måde som nobelprismodtagerne lavede bedre proteiner.

I bestræbelserne på at forstå menneskelig intelligens, mange forskere arbejder på at reverse engineering af hjernen, finde ud af, hvordan det fungerer på alle niveauer. Komplekse gennetværk styrer neuronerne, der danner lagene af neocortex, der sidder på toppen af ​​en motorvej af forbindelser. Disse sammenkoblinger understøtter kommunikation mellem de forskellige kortikale regioner, der udgør de fleste af vores kognitive funktioner. Alt dette er integreret i fænomenet bevidsthed.

Dyb læring og neurale netværk er computerbaserede tilgange, der forsøger at genskabe, hvordan hjernen fungerer - men selv de kan kun opnå den tilsvarende aktivitet af en klump hjerneceller, der er mindre end en sukkerterning. Der er stadig en enorm mængde at lære om hjernen – og det er før man prøver at skrive den intenst komplicerede software, der kan efterligne alle de biologiske interaktioner.

At udnytte evolutionen kan få systemer til at virke naturtro og i sagens natur er lige så åbne og innovative, som naturlig evolution er. Det er også nøglemetoden, der bruges i genetiske algoritmer og genetisk programmering. Nobelpriskomitéens anerkendelse fremhæver en teknologi, der har evolution i centrum. Det retfærdiggør indirekte min egen forskningstilgang og ideen om, at evolution i handling er et kritisk forskningsemne med stort potentiale.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.