Почему нейробиология является ключом к инновациям в области искусственного интеллекта
Привет. Нейробиология является ключом к инновациям в области искусственного интеллекта, так говорит основатель Google DeepMind Демис Хассабис в обзоре, опубликованном на прошлой неделе в престижном журнале Neuron.
И Хассабис совсем не посторонний человек в этом вопросе. Вооруженный степенью доктора наук в области нейробиологии, компьютерный искатель запустил лондонскую компанию DeepMind для воссоздания интеллекта в процессоре. В 2014 году Google приобрела эту компанию более чем за 500 миллионов долларов.
Это хорошо потраченные деньги. В прошлом году AlphaGo DeepMind можно сказать вытерла пол своими человеческими конкурентами в серии игр в логическую игру Go по всему миру. Сотрудничая с OpenAI, некоммерческим исследовательским институтом AI, поддерживаемым Илоном Маском, компания неуклонно работает над машинами с более высокими возможностями рассуждений, чем когда-либо прежде.
Секретный соус компании? Нейробиология.
DeepMind AI - это концепции и идеи, которые впервые открываются в нашем собственном мозге. Глубокое обучение и обучение усилению - два столпа современного AI - и они свободно переводят биологическую нейронную связь в формальную математику.
Результаты, как показала работа AlphaGo, впечатляют. Но этого недостаточно.
Такие мощные системы, как современные AI, все равно еще ограничены в объеме того, что они могут делать. Цель состоит в том, чтобы создать общий AI с умением мыслить, рассуждать и учиться гибко и быстро; AI, который сможет понять реальный мир и лучше представлять его себе.
Чтобы добраться туда нам нужно более тщательно изучить внутреннюю работу человеческого разума - единственное доказательство того, что такая интеллектуальная система возможна в принципе.
Идентификация общего языка между этими двумя полями создаст "круг благоразумия, в котором исследования ускоряются через общие теоретические идеи и общие эмпирические достижения".
Проблема с интеллектом
Но пока планка слишком высока для исследователей, стремящихся разрушить пределы современного AI.
В зависимости от их конкретных задач алгоритмы машинного обучения настраиваются с помощью определенных математических структур. В миллионах примеров искусственные нейронные сети учатся тонко настраивать силу своих соединений, пока не достигнут идеального состояния, которое позволяет им выполнить задачу с высокой точностью - может ли она идентифицировать лица или осуществлять перевод языков.
Поскольку каждый алгоритм полностью адаптирован к задаче, повторное изучение новой задачи часто стирает установленные ранее соединения. Это приводит к «катастрофическому забыванию», и, хотя AI изучает новую задачу, она полностью перезаписывает предыдущую.
Дилемма непрерывного обучения - это всего лишь одна из проблем. Другие проблемы еще менее определены, но, возможно, более важны для создания гибких и изобретательных AI.
Воплощенное познание - это большая вещь. Это способность создавать знания от взаимодействия с миром через сенсорный и моторный опыт и получение абстрактного мышления в результате накопленного опыта.
Это своего рода хороший старомодный здравый смысл, который есть у людей, интуиция, которую трудно описать, но чрезвычайно полезно иметь для решения повседневных проблем, с которыми мы сталкиваемся.
Еще сложнее программировать такие черты, как воображение. Это то, где AI, ограниченные одной конкретной задачей, действительно терпят неудачу. Воображение и инновации основаны на моделях, которые мы уже создали в нашем мире, в результате мы просто экстраполируем новые сценарии из них. Это очень мощные инструменты планирования, но исследование этих возможностей для искусственного интеллекта все еще находится в зачаточном состоянии.
Вдохновения от мозга
Многие исследователи в сфере AI не знают, что современные алгоритмы машинного обучения основаны на исследованиях в области изучения животных.
Пример: недавние открытия в области нейробиологии показывают, что гиппокамп - структура, которая действует как хаб для кодирования памяти, - повторяет эти переживания в быстрой перемотке во время отдыха и сна.
Это автономное воспроизведение позволяет мозгу «учиться заново от успехов или неудач, которые произошли в прошлом».
Исследователи AI зацепили эту идею и внедрили предварительную версию в алгоритм, который объединил глубокое обучение и обучение усилением. Результатом этого являются мощные нейронные сети, которые учатся на основе опыта. Они сравнивают текущие ситуации с предыдущими событиями, хранящимися в памяти, и предпринимают действия, которые ранее приводили к награде.
Эти агенты демонстрируют «поразительные успехи в производительности» по сравнению с традиционными алгоритмами глубокого обучения. Они также отлично справляются с обучением «на лету», а не на миллионах примеров, им просто нужно всего несколько образцов.
Точно так же нейробиология была плодотворным источником вдохновения для других достижений в искусственном интеллекте, включая алгоритмы, оснащенные «ментальной записной книжкой», которая позволяет им более эффективно планировать запутанные проблемы.
Бурное будущее
Но лучшее еще впереди.
Появление инструментов визуализации мозга и генетической биоинженерии предлагает беспрецедентный взгляд на то, как биологические нейронные сети организуются и объединяются для решения проблем.
Поскольку нейрофизиологи работают над решением «нейронного кода» - основными вычислениями, которые поддерживают функцию мозга, - он предлагает расширяющийся набор инструментов для исследователей AI.
Еще одной выгодной вещью, которую AI могут извлечь из мозга, - являются знания основных понятий, которые связаны с физическими мировыми пространствами, числами, объектами и т.д. Подобно умственным конструкторам Lego, концепции образуют основные строительные блоки, из которых мы можем построить ментальные модели, которые определяют выводы и прогнозы о мире.
Мы уже начали изучать идеи для решения этой проблемы. Исследования с людьми показывают, что мы разлагаем сенсорную информацию на отдельные объекты и отношения. Когда такой подход имплантируется в код, это приводит к производительности на уровне человека при решении сложных задач рассуждения.
Тогда есть передача обучения, способность, которая переводит AI из шаблонных и примитивных в гибких мыслителей, способных решать любую проблему. Один из методов, называемый прогрессивными сетями, фиксирует некоторые из основных принципов передачи обучения и успешно используется для обучения реального робота на основе моделирования.
Эти сети уже напоминают вычислительную модель того, как мозг изучает последовательные задачи.
Нейробиология еще не выяснила, как люди и животные достигают передачи знаний на высоком уровне. Возможно, мозг извлекает абстрактные структуры знаний и то, как они соотносятся друг с другом, но до сих пор нет прямых доказательств, подтверждающих этот вид кодирования.
Круг благоразумия
Без сомнения, AI есть чему поучиться у человеческого мозга. Но выгоды взаимны. Современная нейронаука при всех своих мощных инструментах визуализации и оптогенетике только начала распутывать то, как нейронные сети поддерживают более высокий интеллект.
Нейробиологи часто имеют довольно смутные представления о механизмах, лежащих в основе концепций, которые они изучают. Поскольку исследование AI основывается на строгой математике, такая технология может предложить способ прояснить эти неопределенные понятия в проверяемых гипотезах.
Конечно, маловероятно, что AI и мозг всегда будут работать одинаково. Эти два поля занимаются интеллектуальной деятельностью с совершенно разных ракурсов: нейронаука спрашивает, как работает мозг и лежащие в основе биологические принципы; AI более утилитарный.
Но мы можем думать об AI, как о прикладной (а не теоретической) вычислительной нейронауке.
Совершенствование интеллекта в алгоритмах и сравнение его с человеческим мозгом может дать представление о некоторых из самых глубоких и прочных тайн разума. Думайте о творчестве, мечтах, воображении и, возможно, однажды - даже о сознании.
