Kunstmatige neuronen voor zeer intelligente machines - dit is de nieuwe revolutie op het gebied van kunstmatige intelligentie (AI), geleid door Geoffrey Hinton en zijn team sinds 2012. Dat jaar, hint, een expert in cognitieve wetenschappen aan de Universiteit van Toronto en een onderzoeker bij Google Brain, demonstreerde de opvallende effectiviteit van een diep neuraal netwerk (DNN) in een taak voor het categoriseren van afbeeldingen.

Naar aanleiding van deze opmerkelijke resultaten, universiteiten – en internationale bedrijven – hebben massaal geïnvesteerd in het veelbelovende en fascinerende veld van AI. Maar ondanks de indrukwekkende prestaties van DNN's op verschillende gebieden (visuele en vocale herkenning, vertaling, medische beelden, enzovoort.), er blijven vragen over de grenzen van diep leren voor andere toepassingen, zoals antonieme voertuigen.

Om de grenzen van AI in zijn huidige staat te begrijpen, we moeten begrijpen waar DNN's vandaan komen en, bovenal, op welke gebieden van het menselijk brein ze zijn gemodelleerd - hierover is weinig bekend in de industriële techniek, en zelfs in sommige onderzoekscentra. Sinds het begin van deze nieuwe revolutie, deep learning wordt soms gebruikt als een soort "toverstaf", met weinig aandacht voor de achtergrond of beperkingen. "Voor een zinvolle kunstmatige intelligentie", de titel van een recent rapport van de Franse wiskundige Cédric Villani, is het bewijs van de diepe ambivalentie rond dit onderwerp.

Waar komt diep leren vandaan?

Het begin van kunstmatige neurale netwerken dateert uit de jaren 40, met de baanbrekende ontdekkingen in neurowetenschappen en psychologie van Warren McCulloch en Walter H. Pitts (die het eerste wiskundige model van een neuron leverden) en Donald Hebb (die de mechanismen van synaptisch leren beschreef). Deze onderzoekers wilden begrijpen hoe neuronen, de basisbouwstenen van de hersenen, de psyche zou kunnen opwekken.

Hun baanbrekende werk leidde tot de oprichting van het eerste kunstmatige neuronale netwerk, de Perceptron, ontworpen in 1958 door de Amerikaanse psycholoog Frank Rosenblatt. Van nature, eerste onderzoek werd gevolgd door belangrijke ontwikkelingen op basis van, bijvoorbeeld, over de neurowetenschappelijke studies van Alan L. Hodgkin en Andrew F. Huxley die de temporele dynamiek van neurale integratie beschrijven, en over onderzoek in computerwetenschappen en wiskunde door Bernard Widrow en Ted Hoff, die het gebruik van stochastische gradiëntafdalingsalgoritmen suggereerde als een effectievere manier om de synaptische verbindingen in neurale netwerken te wijzigen.

Deze wiskundige optimalisaties werden in de jaren tachtig verder ontwikkeld met onderzoek in de cognitieve wetenschap door David Rumelhart, Geoffrey Hinton en James McClelland, leden van de onderzoeksgroep Parallel Distributed Processing. Hun werk hielp bij het optimaliseren van de modificatie van synaptische verbindingen in diepe neuronale lagen en leidde tot de creatie van de Multilayer Perceptron (MLP). DNN's, ontwikkeld door onderzoekers zoals Geoffrey Hinton, Yann LeCun en Yoshua Bengio, zijn directe afstammelingen.

Is er een verband tussen deep learning en de hersenen?

Hoewel DNN's oorspronkelijk werden ontwikkeld door interdisciplinair werk en geïnspireerd door de hersenfunctie, je kunt je afvragen in hoeverre deze algoritmen nog steeds een simulatie van het menselijk brein vormen. Ze zijn ontworpen om taken als beeldherkenning en categorisering uit te voeren. Om dit te doen, DNN's gebruiken verschillende convolutionele en poolinglagen voorafgaand aan beeldherkenning.

Met betrekking tot convolutionele lagen, het werk van David Hubel en Torsten Wiesel in de jaren 60, en Leonie Jones en Derecke Palmer in de jaren 80, demonstreren het nut van deze methode bij het simuleren van de waarschijnlijke respons van neuronen in de primaire visuele cortex. Verschillende studies in de cognitieve wetenschap, inclusief ons eigen werk, gebruik dit proces als een neuro-geïnspireerd systeem om bijvoorbeeld de respons van perceptuele neuronen in de primaire visuele cortex te simuleren.

Wat het poolen betreft, verschillende onderzoeken op het gebied van neurowetenschappen en cognitieve psychologie van de afgelopen dertig jaar hebben aangetoond hoe de hersenen dit proces van abstractie uitvoeren in de ventrale visuele stroom. Het werk van Rufin Vogels en Keiji Tanaka laat zien hoe deze stroom visuele identificatie en categorisering mogelijk maakt, onafhankelijk van de oppervlakte-eigenschappen van een afbeelding, zoals textuur, kleur, afstand, of de positie van objecten in de afbeelding. Deze hersengebieden zijn daarom gevoelig voor dezelfde informatie als de perceptuele lagen die een DNN leert tijdens het poolen.

Nog verrassender, onderzoek door Rodrigo Quian Quiroga en zijn collega's toont het bestaan ​​aan van specifieke neuronen voor concepten of identiteiten (bijvoorbeeld een "Jennifer Aniston"-neuron, of een "Toren van Pisa" neuron). Deze vuren als reactie op directe blootstelling aan een concept, zoals het zien van de naam "Jennifer Aniston" in druk. Wat spannender is voor de toekomst van AI, is dat het werk van de heer Quiroga aantoont dat deze neuronale activiteit gecorreleerd is met de bewust perceptie van een stimulus in de omgeving.

Samenvatten, hoewel ze vereenvoudigd en wiskundig geoptimaliseerd zijn in vergelijking met een biologisch brein, DNN's reproduceren zeer vergelijkbare processen als een zeer specifiek gebied in de cortex (namelijk, de occipito-temporale cortex). Met behulp van MRI of elektroden die in de hersenen zijn geïmplanteerd, recente studies in cognitieve neurowetenschappen tonen overeenkomsten aan in het functioneren van DNN's en deze specifieke hersengebieden.

Is AI betrouwbaarder wanneer geïnspireerd door de hersenen?

Fundamenteel interdisciplinair onderzoek naar DNN's heeft indrukwekkende tastbare resultaten opgeleverd op een groot aantal gebieden:visuele herkenning en categorisering, vocale herkenning, vertaling, het spel van gaan, muzikale compositie, er enkele noemen. Helaas, door een gebrek aan begrip van de cognitieve wetenschap die eraan ten grondslag ligt, DNN's worden nog te vaak gebruikt als een soort toverstaf om alle problemen op te lossen.

Om het voorbeeld van auto's zonder bestuurder te nemen, gedachteloos DNN's koppelen aan de besturingssystemen van het voertuig zou zeer riskant zijn:het zou erop neerkomen dat een taxichauffeur die meer dan 80% van zijn hersenfunctie verloor bij een ongeval (waardoor alleen de visuele ventrale stroom overbleef) zou vragen om een ​​auto te besturen. Als deze systemen meer moeten doen dan waarvoor ze oorspronkelijk zijn ontworpen, kan dit leiden tot catastrofale ongelukken.

De menselijke hersengebieden die betrokken zijn bij anticipatie (zie hieronder), ruimtelijke oriëntatie en de sensomotorische functies die nodig zijn om in een complexe omgeving te rijden, verschillen sterk van de neurale processen die aan het werk zijn binnen de visuele ventrale stroom. Gelegen in de occipito-pariëtale cortex, de neuronale processen die betrokken zijn bij het begrijpen en plannen zijn heel anders dan die plaatsvinden in de visuele ventrale stroom! Dit zijn heel verschillende neuronen, gevoelig voor afstand, positie en snelheid – alle fundamentele parameters om te bepalen hoe we ons in de omgeving gedragen.

Zonder onderscheid gebruik maken van DNN's (of andere kunstmatige systemen) zonder verwijzing naar of vergelijking met de neuro-inspiratie achter de verschillende cognitieve functies is niet alleen ineffectief, maar ronduit gevaarlijk. We beweren niet dat neuro-inspiratie de enige effectieve manier is om AI veiliger te maken. Echter, gezien het tumultueuze verleden van AI, en rekening houdend met de nu bewezen effectiviteit van neuro-geïnspireerde systemen zoals DNN's in vergelijking met eerdere technische methoden (voor visuele herkenning, bijvoorbeeld), wij geloven dat het essentieel is om te begrijpen hoe de hersenen andere cognitieve functies uitvoeren (motorische controle, multisensorische integratie, enz.) om dit te vergelijken met de huidige technische technieken voor het uitvoeren van deze functies, en een veiliger, efficiëntere AI.

AI-onderzoek in nauwere samenwerking met de cognitieve wetenschappen zou ons in staat stellen om:

• hersengebieden begrijpen en simuleren die nog niet worden omvat door deep learning.
• een betrouwbaardere en effectievere AI te ontwikkelen in vergelijking met menselijke prestaties.

Deze uitdaging vereist interdisciplinair onderzoek waarbij niet alleen wiskunde en informatica betrokken zijn, maar ook neurowetenschappen en cognitieve psychologie, evenals onderzoek in elektronica en fysica om de neurale processoreenheden (NPU) die momenteel worden ontworpen te ontwikkelen. We hebben de kans om eindelijk de grenzen te overwinnen van de Turing-Von Neumann-machines die sinds de Tweede Wereldoorlog de elektronica en informatietechnologie hebben gedomineerd.

Dit artikel is opnieuw gepubliceerd vanuit The Conversation onder een Creative Commons-licentie. Lees het originele artikel.