Hvordan at lære mere om neurovidenskab kan påvirke udviklingen af ​​forbedrede AI-systemer

Deep-learning neurale netværk er kommet langt i de sidste mange år - vi har nu systemer, der er i stand til at slå folk i komplekse spil såsom shogi, Gå og skak. Men er udviklingen af ​​sådanne systemer begrænset af deres grundlæggende arkitektur? Shimon Ullman, med Weizmann Institute of Science, behandler dette spørgsmål i et Perspectives-stykke i journalen Videnskab og foreslår nogle måder, computerforskere kan nå ud over simple AI-systemer for at skabe kunstig generel intelligens (AGI) systemer.

Deep learning netværk er i stand til at lære, fordi de er blevet programmeret til at skabe kunstige neuroner og forbindelserne mellem dem. Når de møder nye data, nye neuroner og kommunikationsveje mellem dem dannes - meget ligesom den måde, den menneskelige hjerne fungerer på. Men sådanne systemer kræver omfattende træning (og et feedbacksystem), før de er i stand til at gøre noget nyttigt, hvilket står i skarp kontrast til den måde, som mennesker lærer. Vi behøver ikke se tusindvis af mennesker i aktion for at lære at følge nogens blik, for eksempel, eller for at finde ud af, at et smil er noget positivt.

Ullman antyder, at dette skyldes, at mennesker er født med, hvad han beskriver som eksisterende netværksstrukturer, der er kodet ind i vores neurale kredsløb. Sådanne strukturer, han forklarer, give voksende spædbørn en forståelse af den fysiske verden, de eksisterer i - en base, hvorpå de kan bygge mere komplekse strukturer, der fører til generel intelligens. Hvis computere havde lignende strukturer, de, også, kan udvikle fysiske og sociale færdigheder uden behov for tusindvis af eksempler.

Men der er et problem - neuroforskere ved ikke, hvordan eller hvor disse strukturer findes i hjernen. Det gør det svært at lave kunstige versioner til brug i computere. Ullman foreslår, at vejen til at bygge mere sofistikerede AI-systemer ligger i at lære mere om den menneskelige hjerne, og hvordan den lærer – og hvordan den bruger det, den lærer til at træffe beslutninger vedrørende den daglige eksistens. Han bemærker også, at der faktisk er en alternativ tilgang - at bygge beregningsmæssige læringsmetoder fra "bunden". Men gør man det, han erkender, kunne være lige så svært som at finde ud af, hvordan vores egne hjerner faktisk fungerer.

© 2019 Science X Network