Det næste skridt i AI? Efterligner en babys hjerne

Udtrykket "positiv forstærkning, " er noget, du hører oftere i en artikel om børneopdragelse end en om kunstig intelligens. Men ifølge Alice Parker, Dekanens professor i elektroteknik i Ming Hsieh-afdelingen for elektro- og computerteknik, en lille positiv forstærkning er lige hvad vores AI-maskiner har brug for. Parker har bygget elektroniske kredsløb i over et årti for at ombygge den menneskelige hjerne for bedre at forstå, hvordan den fungerer og i sidste ende bygge kunstige systemer, der efterligner den. Hendes seneste papir, co-forfattet med ph.d. studerende Kun Yue og kolleger fra UC Riverside, blev netop offentliggjort i tidsskriftet Videnskab fremskridt og tager et vigtigt skridt mod det endelige mål.

AI, vi stoler på og læser om i dag, er baseret på traditionelle computere; det ser verden gennem linsen af ​​binære nuller og ettaller. Dette er fint til at lave komplekse beregninger, men ifølge Parker og Yue, vi nærmer os hurtigt grænserne for størrelsen og kompleksiteten af ​​problemer, vi kan løse med de platforme, vores AI findes på. "Siden den indledende revolution af dyb læring, målene og fremskridtene med deep-learning baseret AI, som vi kender det, har været meget langsom, " siger Yue. For at nå sit fulde potentiale, AI kan ikke bare tænke bedre – den skal reagere og lære på egen hånd på begivenheder i realtid. Og for at det skal ske, et massivt skift i, hvordan vi bygger AI i første omgang, skal udtænkes.

For at løse dette problem, Parker og hendes kolleger leder efter det mest gennemførte læringssystem, naturen nogensinde har skabt:den menneskelige hjerne. Det er her, positiv forstærkning kommer i spil. Hjerner, i modsætning til computere, er analoge elever og biologisk hukommelse har vedholdenhed. Analoge signaler kan have flere tilstande (ligesom mennesker). Mens en binær AI bygget med lignende typer af nanoteknologier for at opnå langtidsholdbar hukommelse måske kan forstå noget som godt eller dårligt, en analog hjerne kan dybere forstå, at en situation kan være "meget god, " "bare okay, " "dårligt" eller "meget dårligt." Dette felt kaldes neuromorfisk databehandling, og det kan bare repræsentere fremtiden for kunstig intelligens.

Når mennesker udsættes for noget nyt og potentielt nyttigt, får vores neuroner en spids af dopamin, og forbindelserne omkring disse neuroner styrkes. "Tænk på et spædbarn, der sidder i en højstol, " siger Parker. "Hun vifter måske vildt rundt med armene, fordi hendes uudviklede neuroner bare affyrer tilfældigt." Til sidst fører en af ​​de vilde bevægelser til et positivt resultat - siger, vælter hendes kop og laver rod. Lige pludselig, neuronerne, der lavede den bevægelse, får respons og styrker sig. Gøres regelmæssigt nok, babyens hjerne begynder at forbinde den spids med noget, der er værd at internalisere. Og bare sådan, vores lille baby har lært, at en armbevægelse giver et underholdende resultat, og at indlæringen varer ved over tid. Det er præcis, hvad neuromorf computing forsøger at gøre:Lær AI at lære af den virkelige verden, præcis som vi gør.

At gøre dette, Parker og Yue har designet deres egne neuromorfe kredsløb og kombineret dem med nanoenheder kaldet Magnetic Domain Wall Analog Memristors (MAM). De kører derefter simuleringer for at vise, at deres neurale kredsløb lærer som en hjerne. Denne MAM -enhed er så kompleks, at en hel artikel alene kan skrives på den. Men for nu, den vigtigste ting at vide er, at det er en ekstremt lille enhed, som hjælper med at huske den positive forstærknings "spids", som de kunstige neuroner modtager. Du kan tænke på Parkers neuromorfe kredsløb kombineret med MAM præcis som den lille babys hjerne. I den forstand, Parker og Yue er lidt ligesom den lille kunstig intelligens-babys forældre ... lærer den nye ting og forstærker den positivt, når den gør noget rigtigt.

Indtil videre, hvad vi har ligner lidt en ægte babys hjerne. Uudviklet og definitivt ikke klar til at træffe beslutninger på egen hånd. Men, også meget som en rigtig baby, med nok arbejde, investering, og kærlighed fra forskerne, denne teknologi vil ændre måden AI fungerer på i den virkelige verden.

Selvfølgelig, Parkers arbejde er aldrig rigtig færdigt. "Vores næste skridt, arbejder med DARPA, er at lære vores system at lære noget nyt uden at glemme tidligere lektioner, " siger Parker. Deres arbejde kan repræsentere et lille skridt mod det ultimative mål med neuromorf AI, men som enhver god forsker eller forælder, Parker værdsætter vigtigheden af ​​små skridt.