Επιστήμονες στο Πανεπιστήμιο του Ιλινόις Urbana-Champaign έχουν αποκαλύψει στοιχεία που θα μπορούσαν να αναδιαμορφώσουν τον τρόπο με τον οποίο οι ερευνητές σκέφτονται για τον εγκέφαλο και την τεχνητή νοημοσύνη. Τα ευρήματά τους υποδηλώνουν ότι η λήψη αποφάσεων ξεκινά πολύ νωρίτερα στον εγκέφαλο από ό,τι προτείνουν οι παραδοσιακές θεωρίες, παρέχοντας νέες ιδέες για το σχεδιασμό μελλοντικών συστημάτων τεχνητής νοημοσύνης που είναι πιο ικανά και πολύ πιο ενεργειακά αποδοτικά.
Με επικεφαλής τον Γιούρι Βλάσοφ, καθηγητή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών στο Granger College of Engineering, δημοσιεύτηκε η μελέτη Πρακτικά της Εθνικής Ακαδημίας Επιστημών (PNAS).. Η έρευνα επισημαίνει έναν απροσδόκητο ρόλο για τις κύριες αισθητηριακές περιοχές του εγκεφάλου στη λήψη αποφάσεων, αμφισβητώντας τη μακροχρόνια άποψη ότι οι αποφάσεις προκύπτουν μόνο μετά τη μεταφορά πληροφοριών μέσω μιας άκαμπτης ιεραρχίας περιοχών του εγκεφάλου.
Επανεξέταση του τρόπου με τον οποίο ο εγκέφαλος παίρνει αποφάσεις
Ο ανθρώπινος εγκέφαλος θεωρείται ευρέως ως η πιο περίπλοκη δομή στο γνωστό σύμπαν. Οι επιστήμονες εξακολουθούν να μην καταλαβαίνουν πλήρως πώς λειτουργεί, έτσι το 2008 η αντίστροφη μηχανική ο εγκέφαλος αναγνωρίστηκε από την Εθνική Ακαδημία Μηχανικής ως μία από τις 14 Μεγάλες Προκλήσεις για τη Μηχανική του 21ου αιώνα.
Για δεκαετίες, πολλά συστήματα τεχνητής νοημοσύνης, συμπεριλαμβανομένων των συνελικτικών νευρωνικών δικτύων, εμπνέονται από την ιδέα ότι ο εγκέφαλος επεξεργάζεται τις πληροφορίες με μια μονόδρομη ακολουθία. Σύμφωνα με αυτό το παραδοσιακό μοντέλο, οι αισθητηριακές πληροφορίες ταξιδεύουν προς τα πάνω μέσα από όλο και πιο περίπλοκες περιοχές του εγκεφάλου μέχρι να φτάσουν στον μετωπιαίο φλοιό, όπου λαμβάνονται οι αποφάσεις.
Ο Vlasov και άλλοι ερευνητές αμφισβητούν όλο και περισσότερο αν η εικόνα είναι πλήρης.
Αντίθετα, εξερευνούν ένα μοντέλο που βασίζεται στη φυσική νοημοσύνη, που έχει τελειοποιηθεί μέσα από εκατομμύρια χρόνια εξέλιξης. Σε αυτό το πλαίσιο, ο εγκέφαλος δεν βασίζεται αποκλειστικά στη σταδιακή ροή πληροφοριών. Η λήψη αποφάσεων εξαρτάται επίσης από διασυνδεδεμένους βρόχους ανάδρασης που επιτρέπουν στις πληροφορίες να ρέουν και προς τις δύο κατευθύνσεις μεταξύ των περιοχών του εγκεφάλου.
Επειδή η βιολογική νοημοσύνη εκτελεί πολύ πιο σύνθετες εργασίες ενώ χρησιμοποιεί πολύ λιγότερη ενέργεια από τα σημερινά συστήματα AI, η κατανόηση αυτής της αρχιτεκτονικής μπορεί να βοηθήσει στην ανάπτυξη της μελλοντικής τεχνητής νοημοσύνης.
«Θέλουμε να μάθουμε από ένα δισεκατομμύριο χρόνια εξέλιξης», λέει ο Βλάσοφ. “Πώς οργανώνεται αυτή η βιολογική νοημοσύνη αρχιτεκτονικά; Μπορούμε να μάθουμε και να προσομοιώσουμε την αρχιτεκτονική του εγκεφάλου για να κάνουμε την τεχνητή νοημοσύνη πιο αποτελεσματική, λιγότερο απαιτητική ενέργεια και πιο έξυπνη από ό,τι είναι σήμερα; Σε επίπεδο λήψης αποφάσεων, όπου η τρέχουσα τεχνητή νοημοσύνη λείπει.”
Οι πρώτες περιοχές του εγκεφάλου δείχνουν δραστηριότητα λήψης αποφάσεων
Για να διερευνήσει πώς λειτουργούν αυτές οι διαδικασίες, η ερευνητική ομάδα επικεντρώθηκε στα πρώιμα στάδια αίσθησης και αντίληψης του εγκεφάλου.
Οι επιστήμονες κατέγραψαν τη νευρική δραστηριότητα των ποντικών και πήραν αντιληπτικές αποφάσεις καθώς περιηγούνταν σε έναν διάδρομο εικονικής πραγματικότητας. Βρήκαν στοιχεία δραστηριότητας σχετιζόμενης με αποφάσεις στον πρωτογενή σωματοαισθητικό φλοιό (S1), μια από τις πρώτες περιοχές αισθητηριακής επεξεργασίας του εγκεφάλου.
Αντί να μεταδίδει απλώς πληροφορίες, το S1 φαίνεται να επηρεάζεται από υψηλότερες περιοχές του εγκεφάλου μέσω ενός βρόχου ανάδρασης. Αυτός ο κανονισμός από πάνω προς τα κάτω υποδηλώνει ότι η λήψη αποφάσεων περιλαμβάνει συνεχή επικοινωνία σε πολλές περιοχές του εγκεφάλου και όχι μια απλή μονόδρομη ροή πληροφοριών.
“Ο νευρωνικός κώδικας του εγκεφάλου εξακολουθεί να είναι σε μεγάλο βαθμό μια άγνωστη γλώσσα”, είπε ο Vlasov. “Αλλά αυτή η κατανόηση σε επίπεδο συστήματος μπορεί να θεωρηθεί ως πιθανή επιρροή στον τρόπο δημιουργίας πιο αποτελεσματικών τεχνητών νευρωνικών δικτύων — πώς να σκεφτόμαστε την επόμενη γενιά τεχνητής νοημοσύνης. Ίσως με αυτές τις αναλογίες που μαθαίνουμε από πραγματικούς εγκεφάλους, μπορούμε να βελτιώσουμε την τεχνητή νοημοσύνη ακόμη περισσότερο.”
Τι θα μπορούσαν να σημαίνουν τα ευρήματα για το μελλοντικό AI
Οι ερευνητές τονίζουν ότι η έρευνα δεν παρέχει ένα σχέδιο για τη δημιουργία καλύτερης τεχνητής νοημοσύνης. Με τη σειρά του, παρέχει νέες ιδέες για το πώς ο εγκέφαλος οργανώνει τη λήψη αποφάσεων που θα μπορούσαν τελικά να εμπνεύσουν μελλοντικές αρχιτεκτονικές τεχνητής νοημοσύνης.
Στη συνέχεια, ο Vlasov και η ομάδα του σχεδιάζουν να διερευνήσουν το χρονοδιάγραμμα αυτών των εγκεφαλικών σημάτων με περισσότερες λεπτομέρειες. Σκοπεύουν να αναπτύξουν νέες τεχνικές για τη μέτρηση της νευρικής δραστηριότητας για να κατανοήσουν καλύτερα πώς προκύπτουν οι βρόχοι ανάδρασης και να συντονίζουν διαφορετικά επίπεδα επεξεργασίας του εγκεφάλου.
«Κοιτάζοντας τη γρήγορη χρονική δυναμική της νευρικής δραστηριότητας, μπορεί να καταλάβουμε καλύτερα πώς αυτοί οι βρόχοι ανάδρασης εμπλέκονται στη λήψη αποφάσεων», είπε ο Vlasov. “Ίσως είναι η προσέγγιση που αποκαλύπτει δυνητικά αυτές τις άγνωστες προς το παρόν διεργασίες — πώς οργανώνονται δυναμικά αυτοί οι βρόχοι ανάδρασης και πώς σχηματίζουν και διαμορφώνουν διαφορετικά επίπεδα επεξεργασίας. Ίσως μπορεί να εφαρμοστεί σε νέες αρχιτεκτονικές για τεχνητή νοημοσύνη.”
