Ondanks hun namen, kunstmatige-intelligentietechnologieën en hun samenstellende systemen, zoals kunstmatige neurale netwerken, hebben niet veel te maken met echte hersenwetenschap. Ik ben een professor in bio-engineering en neurowetenschappen en ik ben geïnteresseerd in het begrijpen hoe de hersenen werken als een systeem - en hoe we die kennis kunnen gebruiken om nieuwe machinale leermodellen te ontwerpen en te ontwikkelen.

In de afgelopen decennia, hersenonderzoekers hebben enorm veel geleerd over de fysieke verbindingen in de hersenen en over hoe het zenuwstelsel informatie routeert en verwerkt. Maar er is nog veel te ontdekken.

Tegelijkertijd, computeralgoritmen, software- en hardware-ontwikkelingen hebben machine learning naar een voorheen onvoorstelbaar prestatieniveau gebracht. Ik en andere onderzoekers in het veld, waaronder een aantal van zijn leiders, hebben een groeiend gevoel dat het ontdekken van meer over hoe de hersenen informatie verwerken, programmeurs zou kunnen helpen om de concepten van denken uit de natte en squishy wereld van de biologie te vertalen naar geheel nieuwe vormen van machine learning in de digitale wereld.

Het brein is geen machine

'Machine learning' is een onderdeel van technologieën die vaak worden bestempeld als 'kunstmatige intelligentie'. Machine learning-systemen zijn beter dan mensen in het vinden van complexe en subtiele patronen in zeer grote datasets.

Deze systemen lijken overal te zijn - in zelfrijdende auto's, gezichtsherkenningssoftware, opsporing van financiële fraude, robotica, helpen met medische diagnoses en elders. Maar onder de motorkap het zijn eigenlijk allemaal variaties op een enkel statistisch algoritme.

Kunstmatige neurale netwerken, de meest voorkomende reguliere benadering van machine learning, zijn sterk onderling verbonden netwerken van digitale processors die invoer accepteren, procesmetingen over die inputs en het genereren van outputs. Ze moeten leren welke outputs moeten resulteren uit verschillende inputs, totdat ze het vermogen ontwikkelen om op vergelijkbare manieren op vergelijkbare patronen te reageren.

Als u wilt dat een machine learning-systeem de tekst "Dit is een koe" weergeeft wanneer er een foto van een koe wordt getoond, je zult het eerst een enorm aantal verschillende foto's moeten geven van verschillende soorten koeien vanuit alle verschillende hoeken, zodat het zijn interne verbindingen kan aanpassen om op elk "Dit is een koe" te reageren. Als je dit systeem een ​​foto van een kat laat zien, het zal alleen weten dat het geen koe is - en niet in staat zijn om te zeggen wat het werkelijk is.

Maar zo leren de hersenen niet, noch hoe het informatie verwerkt om de wereld te begrijpen. Liever, de hersenen nemen een zeer kleine hoeveelheid invoergegevens op, zoals een foto van een koe en een tekening van een koe. Heel snel, en na slechts een zeer klein aantal voorbeelden, zelfs een peuter zal het idee begrijpen van hoe een koe eruit ziet en er een kunnen herkennen in nieuwe afbeeldingen, vanuit verschillende hoeken en in verschillende kleuren.

Maar een machine is geen brein, of

Omdat de hersenen en machine learning-systemen fundamenteel verschillende algoritmen gebruiken, elk blinkt uit op manieren waarop de ander jammerlijk faalt. Bijvoorbeeld, de hersenen kunnen informatie efficiënt verwerken, zelfs als er ruis en onzekerheid is in de invoer - of onder onvoorspelbare veranderende omstandigheden.

Je zou kunnen kijken naar een korrelige foto op gescheurd en verfrommeld papier, met een afbeelding van een soort koe die je nog nooit eerder had gezien, en nog steeds denken "dat is een koe." evenzo, je kijkt routinematig naar gedeeltelijke informatie over een situatie en maakt voorspellingen en beslissingen op basis van wat je weet, ondanks alles wat je niet doet.

Even belangrijk is het vermogen van de hersenen om te herstellen van fysieke problemen, de verbindingen opnieuw configureren om zich aan te passen na een blessure of een beroerte. De hersenen zijn zo indrukwekkend dat patiënten met ernstige medische aandoeningen maar liefst de helft van hun hersenen kunnen laten verwijderen en de normale cognitieve en fysieke functie kunnen herstellen. Stel je nu eens voor hoe goed een computer zou werken als de helft van zijn circuits was verwijderd.

Even indrukwekkend is het vermogen van de hersenen om gevolgtrekkingen en extrapolaties te maken, de sleutels tot creativiteit en verbeelding. Denk aan het idee van een koe die hamburgers omdraait op Jupiter en die tegelijkertijd kwantumzwaartekrachtproblemen in zijn hoofd oplost. We hebben geen van beiden ervaring met zoiets, maar ik kan het bedenken en efficiënt aan u communiceren, dankzij onze hersenen.

Misschien wel het meest verbazingwekkend, Hoewel, de hersenen doen dit allemaal met ongeveer dezelfde hoeveelheid kracht die nodig is om een ​​zwakke gloeilamp te laten werken.

Combinatie van neurowetenschap en machine learning

Naast het ontdekken hoe de hersenen werken, het is helemaal niet duidelijk welke hersenprocessen goed kunnen werken als algoritmen voor machinaal leren, of hoe je die vertaling maakt. Een manier om alle mogelijkheden te doorzoeken, is door je te concentreren op ideeën die twee onderzoeksinspanningen tegelijk vooruithelpen, zowel het verbeteren van machine learning als het identificeren van nieuwe gebieden van neurowetenschappen. Lessen kunnen twee kanten op gaan, van hersenwetenschap naar kunstmatige intelligentie - en terug, met AI-onderzoek dat nieuwe vragen voor biologische neurowetenschappers belicht.

Bijvoorbeeld, in mijn eigen laboratorium, we hebben een manier ontwikkeld om na te denken over hoe individuele neuronen bijdragen aan hun totale netwerk. Elk neuron wisselt alleen informatie uit met de andere specifieke neuronen waarmee het is verbonden. Het heeft geen algemeen concept van wat de rest van de neuronen van plan is, of welke signalen ze verzenden of ontvangen. Dit geldt voor elk neuron, hoe breed het netwerk ook is, dus lokale interacties beïnvloeden collectief de activiteit van het geheel.

Het blijkt dat de wiskunde die deze interactielagen beschrijft evenzeer toepasbaar is op kunstmatige neurale netwerken als biologische neurale netwerken in echte hersenen. Als resultaat, we ontwikkelen een fundamenteel nieuwe vorm van machine learning die on-the-fly kan leren zonder voorafgaande training die zeer flexibel en efficiënt lijkt te zijn in het leren.

In aanvulling, we hebben die ideeën en wiskunde gebruikt om te onderzoeken waarom de vormen van biologische neuronen zo verwrongen en ingewikkeld zijn. We hebben ontdekt dat ze die vormen kunnen ontwikkelen om hun efficiëntie bij het doorgeven van berichten te maximaliseren, volgens dezelfde rekenregels die we gebruiken om ons kunstmatige leersysteem te bouwen. Dit was geen toevallige ontdekking die we deden over de neurobiologie:we gingen op zoek naar deze relatie omdat de wiskunde ons dat vertelde.

Het volgen van een vergelijkbare benadering kan ook bijdragen aan onderzoek naar wat er gebeurt als de hersenen ten prooi vallen aan neurologische en neurologische ontwikkelingsstoornissen. Door zich te concentreren op de principes en wiskunde die AI en neurowetenschappen delen, kan onderzoek op beide gebieden worden bevorderd. het bereiken van nieuwe niveaus van bekwaamheid voor computers en begrip van natuurlijke hersenen.

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