Translate

Κυριακή 7 Ιανουαρίου 2024

Ανθρώπινος εγκέφαλος vs Ρομπότ AI: Ποιος επεξεργάζεται καλύτερα νέες πληροφορίες; – Η ανατρεπτική έρευνα

 Ο ανθρώπινος εγκέφαλος εξακολουθεί να μαθαίνει νέες πληροφορίες καλύτερα από τα ρομπότ τεχνητής νοημοσύνης, λένε οι ειδικοί.  Οι τεχνολογικοί κολοσσοί διαφημίζουν ένα μέλλον με αυτοκίνητα με αυτόνομη οδήγηση, στιγμιαία τεστ για καρκίνο και μουσική που δημιουργείται από υπολογιστή.

Αλλά οι επιστήμονες λένε ότι η… παλιά καλή φαιά ουσία του ανθρώπινου εγκεφάλου έχει ένα πλεονέκτημα στη μάθηση, που μας κάνει εξυπνότερους, τουλάχιστον… προς το παρόν.

Οι ειδικοί συνέκριναν την

ανθρώπινη διαδικασία μάθησης με αυτή των μοντέλων τεχνητής νοημοσύνης και βρήκαν ότι οι άνθρωποι εμπεδώνουν νέα κομμάτια γνώσης, δεξιοτήτων ή αναμνήσεων πριν τελειοποιήσουν τις νευρικές συνδέσεις για να μειώσουμε τα σφάλματα όταν τα ανακαλούμε.

Αλλά οι μηχανές τύπου Terminator μαθαίνουν μέσω της διαδικασίας εξάλειψης, μπλοκάροντας τα σφάλματα μέχρι να βρει την απάντηση, που ονομάζεται “backpropagation”. Σημαίνει ότι η τεχνητή νοημοσύνη πρέπει να επεξεργαστεί δεδομένα εκατοντάδες ή χιλιάδες φορές για να τα λάβει.


Πώς λειτουργεί ο εγκέφαλος κατά τη διάρκεια της μάθησης

Αλλά οι έξυπνοι άνθρωποι, όπως ο Άλμπερτ Αϊνστάιν, μπορούν να συνδέσουν ιδέες αμέσως. Ο συγγραφέας της μελέτης του Πανεπιστημίου της Οξφόρδης, Δρ Yuhang Song, δήλωσε: «Η μάθηση στον εγκέφαλο είναι ανώτερη σε πολλές κρίσιμες πτυχές. Για παράδειγμα, σε σύγκριση με τον εγκέφαλο, η αντίστροφη διάδοση απαιτεί περισσότερες εκθέσεις για μάθηση και υποφέρει από καταστροφικές παρεμβολές νέων και παλαιών πληροφοριών».

Ερευνητές από τη μονάδα MRC Brain Network Dynamics Unit και το Τμήμα Επιστήμης Υπολογιστών του Πανεπιστημίου της Οξφόρδης έχουν θέσει μια νέα αρχή για να εξηγήσουν πώς ο εγκέφαλος προσαρμόζει τις συνδέσεις μεταξύ των νευρώνων κατά τη διάρκεια της μάθησης. Αυτή η νέα γνώση μπορεί να καθοδηγήσει περαιτέρω έρευνα για τη μάθηση σε δίκτυα εγκεφάλου και μπορεί να εμπνεύσει ταχύτερους και πιο ισχυρούς αλγόριθμους μάθησης στην τεχνητή νοημοσύνη.

«Τα βιολογικά μας συστήματα χρειάζεται συχνά να προσαρμοστούν γρήγορα σε μεταβαλλόμενα περιβάλλοντα και να έχουν πλεονέκτημα από αυτή την άποψη» πρόσθεσε.

Ο βιολογικός εγκέφαλος είναι ανώτερος από τα σημερινά συστήματα μηχανικής μάθησης. Για παράδειγμα, μπορούμε να μάθουμε νέες πληροφορίες βλέποντάς τις μόνο μία φορά, ενώ τα τεχνητά συστήματα πρέπει να εκπαιδεύονται εκατοντάδες φορές με τις ίδιες πληροφορίες για να τις μάθουν. Επιπλέον, μπορούμε να μάθουμε νέες πληροφορίες διατηρώντας τη γνώση που ήδη έχουμε, ενώ η εκμάθηση νέων πληροφοριών σε τεχνητά νευρωνικά δίκτυα συχνά παρεμβαίνει στην υπάρχουσα γνώση και την υποβαθμίζει γρήγορα.

Αυτές οι παρατηρήσεις παρακίνησαν τους ερευνητές να προσδιορίσουν τη θεμελιώδη αρχή που χρησιμοποιεί ο εγκέφαλος κατά τη διάρκεια της μάθησης. Εξέτασαν ορισμένα υπάρχοντα σύνολα μαθηματικών εξισώσεων που περιγράφουν αλλαγές στη συμπεριφορά των νευρώνων και στις συναπτικές συνδέσεις μεταξύ τους. Ανέλυσαν και προσομοίωσαν αυτά τα μοντέλα επεξεργασίας πληροφοριών και διαπίστωσαν ότι χρησιμοποιούν μια θεμελιωδώς διαφορετική αρχή μάθησης από αυτή που χρησιμοποιούν τα τεχνητά νευρωνικά δίκτυα.


Στα τεχνητά νευρωνικά δίκτυα, ένας εξωτερικός αλγόριθμος προσπαθεί να τροποποιήσει τις συναπτικές συνδέσεις για να μειώσει το σφάλμα, ενώ οι ερευνητές προτείνουν ότι ο ανθρώπινος εγκέφαλος πρώτα ρυθμίζει τη δραστηριότητα των νευρώνων σε μια βέλτιστη ισορροπημένη διαμόρφωση πριν προσαρμόσει τις συναπτικές συνδέσεις. Οι ερευνητές υποστηρίζουν ότι αυτό είναι στην πραγματικότητα ένα αποτελεσματικό χαρακτηριστικό του τρόπου με τον οποίο μαθαίνει ο ανθρώπινος εγκέφαλος. Αυτό συμβαίνει επειδή μειώνει τις παρεμβολές διατηρώντας την υπάρχουσα γνώση, η οποία με τη σειρά της επιταχύνει τη μάθηση.

Δείτε επίσης: Ύπνος: Πώς επηρεάζει τις πιθανότητες για νευρική ενορεξία

Γράφοντας στο Nature Neuroscience , οι ερευνητές περιγράφουν αυτή τη νέα αρχή μάθησης, την οποία ονόμασαν «προοπτική διαμόρφωση». Έδειξαν σε προσομοιώσεις υπολογιστή ότι τα μοντέλα που χρησιμοποιούν αυτήν την προοπτική διαμόρφωση μπορούν να μάθουν πιο γρήγορα και πιο αποτελεσματικά από τα τεχνητά νευρωνικά δίκτυα σε εργασίες που συνήθως αντιμετωπίζουν ζώα και άνθρωποι στη φύση.

Οι συγγραφείς χρησιμοποιούν το πραγματικό παράδειγμα μιας αρκούδας που ψαρεύει σολομό. Η αρκούδα μπορεί να δει το ποτάμι και έμαθε ότι αν μπορεί επίσης να ακούσει το ποτάμι και να μυρίσει τον σολομό, είναι πιθανό να πιάσει έναν. Αλλά μια μέρα, η αρκούδα φτάνει στο ποτάμι με ένα κατεστραμμένο αυτί, οπότε δεν μπορεί να το ακούσει. Σε ένα μοντέλο επεξεργασίας πληροφοριών τεχνητού νευρωνικού δικτύου, αυτή η έλλειψη ακοής θα οδηγούσε επίσης σε έλλειψη όσφρησης (επειδή ενώ μαθαίνουμε ότι δεν υπάρχει ήχος, η οπίσθια διάδοση θα άλλαζε πολλαπλές συνδέσεις, συμπεριλαμβανομένων εκείνων μεταξύ των νευρώνων που κωδικοποιούν τον ποταμό και τον σολομό) και η αρκούδα θα κατέληγε στο συμπέρασμα ότι δεν υπάρχει σολομός και θα πεινούσε. Αλλά στον εγκέφαλο των ζώων, η έλλειψη ήχου δεν παρεμβαίνει στη γνώση ότι υπάρχει ακόμα η μυρωδιά του σολομού, επομένως ο σολομός είναι ακόμα πιθανό να είναι εκεί για να πιάσει.

Οι ερευνητές ανέπτυξαν μια μαθηματική θεωρία που δείχνει ότι αφήνοντας τους νευρώνες να εγκατασταθούν σε μια προοπτική διαμόρφωση μειώνει την παρεμβολή μεταξύ των πληροφοριών κατά τη διάρκεια της μάθησης. Έδειξαν ότι η προοπτική διαμόρφωση εξηγεί τη νευρωνική δραστηριότητα και συμπεριφορά σε πολλαπλά πειράματα μάθησης καλύτερα από τα τεχνητά νευρωνικά δίκτυα.

Πηγή: FOXreport.gr

Από το enikos

Δεν υπάρχουν σχόλια:

Δημοσίευση σχολίου