Egy tudományos áttörésnek is beillő kutatás megmutatta, milyen keveset tudunk valójában az MI és a neurális hálózatok viselkedéséről és önszerveződéséről: kiderült, hogy az MI, ha korlátozva van, önszerveződik, és ugyanazokat a tulajdonságokat fejleszti ki, mint az emberi agy.
A cambridge-i tudósok egy elképesztő tanulmányban kimutatták, hogy a mesterséges intelligencia (MI) rendszerének fizikai korlátozása – hasonlóan ahhoz, ahogy az emberi agynak fizikai és biológiai korlátok között kell fejlődnie és működnie – lehetővé teszi, hogy komplex élőlények agyát idéző egyedi sajátosságokat fejlesszen ki, a feladatok megoldása érdekében. Éppen úgy teszi ezt, mint ahogyan a saját idegrendszerünk, vagyis az agyunk szerveződik: új kapcsolatokat hoz létre, amikor egyensúlyba kell hozni a versengő igényeket.
Ilyen kihívás lehet, amikor például energiára és erőforrásokra van szükség a hálózat növekedéséhez és fenntartásához a fizikai térben, ugyanakkor optimalizálni is kell a hálózatot az információ feldolgozáshoz. Ez a kompromisszum alakítja az állatvilág egyedeinek agyi fejlődését a fajokon belül és a fajok között is, ami segíthet megmagyarázni, hogy miért jelennek meg sok különböző faj agyánál hasonló szervezeti megoldások.
Energiahatékony tanulás
Jascha Achterberg, a Cambridge-i Egyetem Orvosi Kutatási Tanácsa Kognitív és Agytudományi Osztályának (MRC CBU) Gates-ösztöndíjasa a következőket mondta: „Az agy nemcsak képes összetett problémákat nagyszerűen megoldani, de nagyon kevés energiát használ fel hozzá. Az új kutatásunk megmutatta, hogy az agy problémamegoldó képességeinek figyelembe vétele – a lehető legkevesebb erőforrás felhasználására irányuló cél mellett – segíthet megérteni, miért néz ki az agyunk éppen úgy, ahogy kinéz.”
Dr. Danyal Akarca, a kutatás társszerzője szintén az MRC CBU-tól, hozzátette: „Ez egy tág alapelvből fakad, amely szerint a biológiai rendszerek általában úgy fejlődnek, hogy a lehető legtöbbet hozzák ki a rendelkezésükre álló energiaforrásokból. A megoldások, amelyekhez eljutnak, gyakran nagyon elegánsak, és tükrözik a rájuk kényszerített különféle erők közötti kompromisszumot.”
A Nature Machine Intelligence-ben közzétett tanulmányban leírtak szerint Achterberg, Akarca és munkatársai mesterséges rendszert hoztak létre, amelynek célja az agy nagyon leegyszerűsített változatának modellezése és emellett fizikai korlátok alkalmazása. Kimutatták, hogy rendszerük bizonyos kulcsfontosságú jellemzőket és taktikai viselkedést fejlesztett ki, amelyek hasonlóak az emberi agyban találhatókhoz. Valódi neuronok helyett a rendszer számítási csomópontokat használt.
A neuronok és a csomópontok funkciójukban hasonlóak, mivel mindegyik egy bemeneti adatot alakít át, hogy aztán kimenetet állítson elő belőle, és egy csomópont vagy neuron is hasonlóan kapcsolódhat több másikhoz, hogy minden bemeneti információt fel tudjon dolgozni.
Ahogy már említettük, rendszerükben azonban a kutatók „fizikai” korlátot is alkalmaztak. Minden csomópont csupán egy adott helyet kapott egy virtuális térben, és minél távolabb volt két csomópont, annál nehezebb volt a kommunikációjuk. Ez nagyon hasonló akadály ahhoz, mellyel az emberi agy neuronjai szembesülnek önszerveződésük során.
Agyfejlesztő labirintus
A kutatók egy egyszerű feladatot adtak a rendszernek: egy labirintus-navigációs feladat egyszerűsített változatát, melyet általában állatoknak, például patkányoknak és makákóknak adnak az agy tanulmányozása során. Ennek megoldásához több információt kell kombinálni, hogy az alany meghatározza a legrövidebb útvonalat a végponthoz.
Az egyik oka annak, hogy a csapat ezt a feladatot választotta az volt, hogy elvégzéséhez a rendszernek számos elemet kell mozgósítania – a kiindulási helyet, a végpontot és a közbenső lépéseket – és miután megtanulta megbízhatóan elvégezni a feladatot, a kutatók képesek megfigyelni a megoldás különböző fázisaiban, hogy a rendszer mely csomópontjai voltak fontosak. Például a csomópontok egy adott klasztere kódolhatja a célpontokat, míg mások az elérhető útvonalakat, és nyomon követhető, hogy a feladat különböző szakaszaiban mely csomópontok voltak aktívak.
Pozitív visszacsatolás
Kezdetben a rendszer nem tudja, hogyan kell elvégezni a feladatot, és hibákat követ el. De amikor visszajelzést kap, fokozatosan megtanulja, hogy jobban teljesítse a feladatot. Úgy tanul, hogy megváltoztatja a csomópontjai közötti kapcsolatok erősségét, hasonlóan ahhoz, ahogy az agysejtek közötti kapcsolatok erőssége tanulás közben változik. A rendszer ezután újra és újra megismétli a feladatot, míg végül megtanulja helyesen végrehajtani. A kutatók kísérletében a fizikai kényszer azt jelentette, hogy minél távolabb volt két csomópont, annál nehezebb volt kapcsolatot építeni a két csomópont között a visszacsatolás hatására.
Az emberi agyban a nagy fizikai távolságot átívelő kapcsolatok kialakítása és fenntartása energiaigényes, ezért nem hatékony.
Amikor a kísérleti rendszert arra kérték, hogy e megkötések mellett hajtsa végre a feladatot, ugyanazokat a trükköket használta, melyeket a valódi emberi agy is használ a feladat megoldására. Például, hogy megkerülhesse a korlátokat, a rendszer olyan hubokat – erősen összekapcsolt csomópontokat – kezdett fejleszteni, amelyek csatornaként szolgáltak az információ áramoltatásához a hálózaton keresztül.
Önszerveződő szoftver
Ennél is meglepőbb azonban, hogy maguk az egyes csomópontok válaszprofiljai is kezdtek megváltozni: ahelyett, hogy egy olyan rendszer jött volna létre, amelyben minden csomópont a labirintusfeladat egy adott tulajdonságát kódolja – például a cél helyét vagy a következő választási csomópontokat – rugalmas kódolási séma fejlődött ki. Ez azt jelenti, hogy a különböző időpillanatokban a csomópontok a labirintus tulajdonságainak keveréke miatt váltak aktívvá. Például ugyanaz a csomópont volt képes egy labirintus több fizikai helyének kódolására, ahelyett, hogy speciális csomópontokra lett volna szükség bizonyos helyek kódolásához. Ez egy újabb hasonló jellemző az összetett organizmusok agyához.
Duncan Astle professzor, a Cambridge-i Pszichiátriai Tanszékről a következőket mondta: „Ez az egyszerű megszorítás – az egymástól távol eső csomópontok nehezebb nehezebb összeköthetősége – arra kényszeríti a mesterséges rendszereket, hogy meglehetősen bonyolult jellemzőket hozzanak létre. Érdekes módon ezek egybeesnek az olyan biológiai rendszerek közös jellemzőivel, mint az emberi agy. Azt hiszem, ez elárulhat nekünk valami alapvetőt arról, hogy agyunk miért éppen úgy van megszervezve, ahogy.”
A csapat abban reménykedik, hogy mesterségesintelligencia-rendszerük fényt deríthet arra, hogy ezek a korlátok hogyan alakítják ki az emberek agyai közötti különbségeket, és hozzájárulnak majd a kognitív vagy mentális egészségügyi problémákkal küzdőknél tapasztalható különbségek felfedezéséhez is. John Duncan professzor hozzátette: „Ezek a szintetikus agyak módot adnak arra, hogy megértsük azokat a sokrétű és megdöbbentő adatokat, melyeket akkor látunk, amikor a valódi neuronok aktivitását rögzítjük a valódi emberi agyakban.”
Achterberg szerint a szintetikus agyak lehetővé teszik számunkra, hogy olyan kérdéseket tegyünk fel, melyeket egy tényleges biológiai rendszerben lehetetlen lenne megvizsgálni. Megtaníthatjuk a rendszert a feladatok elvégzésére, majd kísérletileg eljátszhatjuk az általunk támasztott korlátokat, hogy megnézzük, nem kezd-e jobban hasonlítani bizonyos egészségügyi kondíciókkal leírható egyének agyára. Az eredmények természetesen a mesterséges intelligencia kutató-, és fejlesztőközössége számára is érdekesek lesznek, ahol hatékonyabb rendszerek kifejlesztését tehetik lehetővé, különösen olyan helyzetekben, ahol valószínűleg fizikai korlátok is várhatóak.
Dr. Akarca azt is elmondta: „A mesterséges intelligencia kutatói folyamatosan próbálják kidolgozni, hogyan készítsenek összetett, neurális rendszereket, amelyek hatékonyan képesek kódolni és rugalmasan teljesíteni – ezért is jöttek létre az úgynevezett sekély neurális hálózatok. Ennek eléréséhez az idegtudomány sok inspirációt adhat majd nekünk. Például az általunk létrehozott rendszer teljes fejlesztési és tanítási költsége sokkal alacsonyabb, mint egy tipikus MI-rendszeré.”
Sok modern MI-megoldás olyan architektúrákat használ, amelyek csak felületesen hasonlítanak az agyra. A kutatók szerint a kísérletek azt is megmutatták, hogy az MI által megoldott probléma típusa befolyásolja, hogy melyik architektúra használata a legelőnyösebb. „Ha egy mesterségesen intelligens rendszert akarunk építeni, ami az emberekhez hasonló problémákat old meg, akkor a rendszer végül sokkal inkább fog hasonlítani egy tényleges emberi agyhoz, mint a nagy számítási klasztereken futó rendszerek, melyek nagyon eltérő feladatokra specializálódtak – akárcsak az emberek. A mesterséges agyban látható architektúra és struktúra azért jön létre, mert előnyös az agyat érőkhöz hasonló speciális kihívások kezelésében, amelyekkel szembenéz” mondta Achterberg.
Ez azt is jelenti, hogy azoknak a robotok, amelyeknek véges energetikai erőforrásokkal kell nagy mennyiségű, folyamatosan változó információt feldolgozni, profitálhatnak abból, ha agyi struktúrájuk nem különbözik sokban a miénktől.
Achterberg hozzátette: „ A valós fizikai világban alkalmazott robotok agya valószínűleg jobban hasonlít majd a mi agyunkra, mert ugyanazokkal a kihívásokkal nézhetnek szembe, mint mi. Folyamatosan fel kell dolgozniuk az érzékelőiken keresztül érkező új információkat, miközben irányítják a testüket, hogy a térben egy cél felé haladjanak. Sok rendszernek minden számítását korlátozott elektromos energiafelhasználás mellett kell futtatnia, így ahhoz, hogy egyensúlyba hozza ezeket az energetikai korlátokat a feldolgozandó információ mennyiségével, valószínűleg a miénkhez hasonló agyi szerkezetre lesz szüksége.”
(forrás)
