สิ่งที่นักวิจัย AI สามารถเรียนรู้ได้จากสมองที่ประกอบตัวเองได้

ความลับมากมายในจิตใจยังคงถูกปลดล็อก แต่สิ่งที่เรารู้ก็คือ จีโนม ซึ่งเป็นโปรแกรมที่สร้างร่างกายมนุษย์ ไม่มีข้อมูลโดยละเอียดว่าสมองจะเชื่อมต่ออย่างไร สถานะเริ่มต้นไม่ได้ให้ข้อมูลเพื่อคำนวณผลลัพธ์สุดท้ายโดยตรง ผลลัพธ์นั้นสามารถรับได้โดยการคำนวณฟังก์ชันทีละขั้นตอนและเรียกใช้โปรแกรมตั้งแต่ต้นจนจบ

เมื่อสมองผ่านอัลกอริธึมทางพันธุกรรมก็พัฒนาสถานะใหม่ และสถานะใหม่เหล่านั้นเป็นพื้นฐานของการพัฒนาครั้งต่อไป

ตามที่ Hiesinger อธิบายกระบวนการใน The Self-Assembling Brain “ในแต่ละขั้นตอน บิตของจีโนมจะถูกกระตุ้นเพื่อผลิตผลิตภัณฑ์ยีนที่เปลี่ยนแปลงตัวเองว่าส่วนใดของจีโนมจะถูกเปิดใช้งานต่อไป ซึ่งเป็นกระบวนการป้อนกลับอย่างต่อเนื่องระหว่างจีโนมกับผลิตภัณฑ์ ขั้นตอนเฉพาะอาจไม่เคยเกิดขึ้นมาก่อนและอาจไม่สามารถทำได้อีกเลย เมื่อการเติบโตดำเนินต่อไป ทีละขั้น ไปสู่สถานะใหม่ขององค์กร”

ดังนั้น จีโนมของเราจึงมีข้อมูลที่จำเป็นในการสร้างสมองของเรา อย่างไรก็ตาม ข้อมูลดังกล่าวไม่ใช่พิมพ์เขียวที่อธิบายถึงสมอง แต่เป็นอัลกอริธึมที่พัฒนาด้วยเวลาและพลังงาน ในสมองทางชีววิทยา การเจริญเติบโต การจัดระเบียบ และการเรียนรู้เกิดขึ้นควบคู่กันไป ในแต่ละขั้นตอนของการพัฒนา สมองของเราจะมีความสามารถในการเรียนรู้ใหม่ๆ (สามัญสำนึก ตรรกะ ภาษา การแก้ปัญหา การวางแผน คณิตศาสตร์) และเมื่อเราโตขึ้น ความสามารถในการเรียนรู้ของเราจะเปลี่ยนไป

ตัวเอง- การประกอบเป็นหนึ่งในความแตกต่างที่สำคัญระหว่าง สมองชีวภาพและโครงข่ายประสาทเทียม แนวทางที่ได้รับความนิยมในปัจจุบันสำหรับ AI

“ANNs นั้นใกล้ชิดกับสมองเทียมมากกว่าวิธีการใดๆ ที่เคยทำมาก่อนหน้านี้ใน AI อย่างไรก็ตาม การจัดการตนเองไม่ใช่หัวข้อหลักสำหรับประวัติศาสตร์การวิจัย ANN ส่วนใหญ่” Hiesinger เขียน

ก่อนที่จะเรียนรู้อะไร ANN จะเริ่มต้นด้วยโครงสร้างที่ตายตัวและ จำนวนชั้นและพารามิเตอร์ที่กำหนดไว้ล่วงหน้า ในตอนเริ่มต้น พารามิเตอร์ไม่มีข้อมูลและเริ่มต้นเป็นค่าสุ่ม

ระหว่างการฝึก โครงข่ายประสาทจะค่อยๆ ปรับค่าของพารามิเตอร์ตามนั้น ทบทวนตัวอย่างมากมาย การฝึกอบรมจะหยุดลงเมื่อเครือข่ายมีความแม่นยำที่ยอมรับได้ในการแมปข้อมูลอินพุตไปยังเอาต์พุตที่เหมาะสม

ในแง่ชีววิทยา กระบวนการพัฒนา ANN เทียบเท่ากับการปล่อยให้สมองเติบโต ขนาดผู้ใหญ่เต็มแล้วเปิดและพยายามสอนให้ทำอะไร

“สมองชีวภาพไม่ได้เริ่มต้นในชีวิตในฐานะเครือข่ายที่มีการประสานแบบสุ่มและไม่มีเนื้อหาข้อมูล . สมองของสิ่งมีชีวิตเติบโต” Hiesinger เขียน “แมงมุมไม่ได้เรียนรู้วิธีสานใย ข้อมูลจะถูกเข้ารหัสในโครงข่ายประสาทผ่านการพัฒนาและก่อนการป้อนข้อมูลด้านสิ่งแวดล้อม”

ในความเป็นจริง ในขณะที่โครงข่ายประสาทลึกมักจะถูกนำมาเปรียบเทียบกับคู่กันทางชีววิทยา ความแตกต่างพื้นฐาน ทำให้พวกเขาอยู่ในสองระดับที่แตกต่างกันโดยสิ้นเชิง

“วันนี้ฉันกล้าพูด มันดูไม่ชัดเจนเท่าที่เคยมีมาว่าทั้งสองเปรียบเทียบกันจริงๆ ได้อย่างไร” Hiesinger เขียน “ในอีกด้านหนึ่ง การผสมผสานระหว่างการเติบโตที่เข้ารหัสทางพันธุกรรมและการเรียนรู้จากข้อมูลใหม่ในขณะที่มันพัฒนา ในอีกด้านหนึ่ง ไม่มีการเติบโต แต่เรียนรู้ผ่านการปรับเครือข่ายแบบสุ่มใหม่ก่อนหน้านี้” ทำไมการประกอบตัวเองเป็นส่วนใหญ่ ละเลยในการวิจัย AI

“ในฐานะนักประสาทชีววิทยาที่ใช้ชีวิตในการวิจัยเพื่อพยายามทำความเข้าใจว่ายีนสามารถเข้ารหัสสมองได้อย่างไร การไม่มีแนวคิดเรื่องการเติบโตและการจัดการตนเองใน ANN กระแสหลักจึงเป็นแรงบันดาลใจให้ฉันเข้าถึง ให้กับชุมชน AI และ Alife” Hiesinger บอก TechTalks.

นักวิทยาศาสตร์ชีวิตประดิษฐ์ (Alife) ได้สำรวจกระบวนการพัฒนาตามจีโนมในช่วงไม่กี่ปีที่ผ่านมาแม้ว่า ความก้าวหน้าในสาขานี้ถูกบดบังด้วยความสำเร็จของการเรียนรู้อย่างลึกซึ้งเป็นส่วนใหญ่ ในสถาปัตยกรรมเหล่านี้ โครงข่ายประสาทเทียมต้องผ่านกระบวนการที่สร้างสถาปัตยกรรมซ้ำๆ และปรับน้ำหนัก เนื่องจากกระบวนการนี้ซับซ้อนกว่าวิธีการเรียนรู้เชิงลึกแบบดั้งเดิม ความต้องการด้านคอมพิวเตอร์จึงสูงขึ้นมาก

“ ความพยายามแบบนี้ต้องการเหตุผล – โดยพื้นฐานแล้วเป็นการสาธิตว่า การเขียนโปรแกรมเชิงวิวัฒนาการที่แท้จริงของ ANN สามารถสร้างการเรียนรู้เชิงลึกในปัจจุบันไม่สามารถทำได้ การสาธิตดังกล่าวยังไม่มีอยู่จริง” Hiesinger กล่าว “มันถูกแสดงให้เห็นโดยหลักการแล้วว่าการเขียนโปรแกรมเชิงวิวัฒนาการทำงานและมีคุณสมบัติที่น่าสนใจ (เช่น ในการปรับตัว) แต่เงินและโฟกัสไปที่แนวทางที่สร้างหัวข้อข่าว (คิดว่า MuZero และ AlphaFold)”

ในแง่แฟชั่น สิ่งที่ Hiesinger พูดนั้นชวนให้นึกถึงสถานะของการเรียนรู้เชิงลึกก่อนยุค 2000 ในขณะนั้น โครงข่ายประสาทลึกได้รับการพิสูจน์ในทางทฤษฎีว่าใช้งานได้ แต่ข้อจำกัดด้านความสามารถในการคำนวณและข้อมูลทำให้ไม่สามารถนำไปใช้ในกระแสหลักได้จนกระทั่งหลายทศวรรษต่อมา

“บางทีในอีกไม่กี่ปีคอมพิวเตอร์ (คอมพิวเตอร์ควอนตัม) ก็จะเกิดขึ้นอย่างกะทันหัน” ทำลายเพดานกระจกที่นี่ เราไม่รู้” Hiesinger กล่าว

กำลังค้นหาทางลัดไปยัง AI

ด้านบน: Peter Robin Hiesinger , ศาสตราจารย์ด้านประสาทชีววิทยาที่มหาวิทยาลัยอิสระแห่งเบอร์ลิน (Freie Universität Berlin) และผู้แต่ง “The Self-Assembling Brain”

อีกสาเหตุหนึ่งที่ชุมชน AI ไม่ได้ให้ความสนใจเพียงพอกับการประกอบตัวเองโดยคำนึงถึงมุมมองที่แตกต่างกันซึ่งด้านชีววิทยาเกี่ยวข้องกับการจำลองสติปัญญา นักวิทยาศาสตร์มักจะพยายามค้นหารายละเอียดในระดับต่ำสุดที่ให้คำอธิบายที่ยุติธรรมเกี่ยวกับเรื่องการศึกษาของพวกเขา

ในชุมชน AI นักวิทยาศาสตร์และนักวิจัยพยายามหาทางลัดอยู่เสมอ และหลีกเลี่ยงการใช้รายละเอียดทางชีวภาพที่ไม่จำเป็นเมื่อสร้างระบบ AI เราไม่จำเป็นต้องเลียนแบบธรรมชาติในความยุ่งเหยิงของมัน ดังนั้น แทนที่จะพยายามสร้างระบบ AI ที่สร้างตัวเองผ่านการพัฒนาทางพันธุกรรม นักวิทยาศาสตร์พยายามสร้างแบบจำลองที่ใกล้เคียงกับพฤติกรรมของผลิตภัณฑ์ขั้นสุดท้ายของสมอง

” การวิจัย AI ชั้นนำบางชิ้นกล่าวถึงข้อมูลจีโนมขนาด 1GB ที่เห็นได้ชัดว่ายังน้อยเกินไป ดังนั้นจึงต้องเป็นการเรียนรู้ทั้งหมด” Hiesinger กล่าว “นี่ไม่ใช่ข้อโต้แย้งที่ดี เนื่องจากเราทราบดีว่าข้อมูลจีโนม 1GB สามารถสร้างข้อมูลได้มากขึ้นผ่านกระบวนการเติบโต”

มีการทดลองหลายครั้งแล้ว ที่แสดงด้วยข้อมูลขนาดเล็ก อัลกอริธึม และรอบการดำเนินการที่เพียงพอ เราสามารถสร้างระบบที่ซับซ้อนอย่างยิ่งได้ ตัวอย่างที่บอกคือ เกมแห่งชีวิต

หุ่นยนต์เคลื่อนที่ที่สร้างขึ้นโดย John Conway นักคณิตศาสตร์ชาวอังกฤษ เกมแห่งชีวิตคือตารางเซลล์ที่สถานะเปลี่ยนระหว่าง “ตาย” และ “มีชีวิต” ตามกฎง่ายๆ สามข้อ เซลล์ที่มีชีวิตใดๆ ที่ล้อมรอบด้วยเพื่อนบ้านสองหรือสามคนจะยังคงมีชีวิตอยู่ในขั้นตอนต่อไป ในขณะที่เซลล์ที่ตายแล้วที่ล้อมรอบด้วยเซลล์ที่มีชีวิตสามเซลล์จะมีชีวิตขึ้นมาในขั้นตอนต่อไป เซลล์อื่นตายหมด

เกมแห่งชีวิตและออโตมาตามือถืออื่น ๆ เช่น กฎ 110 บางครั้งทำให้เกิดระบบทัวริงที่สมบูรณ์ ซึ่งหมายความว่าพวกเขาสามารถคำนวณสากลได้

“สิ่งต่าง ๆ แบบสุ่มที่เกิดขึ้นรอบตัวเราสามารถทำได้ ในทางทฤษฎี ทั้งหมดเป็นส่วนหนึ่งของโปรแกรมที่กำหนดขึ้นโดยพิจารณาจากภายใน เพราะเราไม่สามารถมองจักรวาลจากภายนอกได้” Hiesinger กล่าว แม้ว่านี่จะเป็นข้อโต้แย้งเชิงปรัชญาที่ไม่สามารถพิสูจน์ได้ไม่ทางใดก็ทางหนึ่ง Hiesinger กล่าวว่าการทดลองเช่นกฎข้อ 110 แสดงให้เห็นว่าระบบที่มีพื้นฐานมาจากจีโนมที่ง่ายมากสามารถให้เวลาเพียงพอทำให้เกิดความซับซ้อนที่ไม่สิ้นสุดและอาจดูซับซ้อนจาก ภายในเหมือนจักรวาลที่เราเห็นรอบตัวเรา

ในทำนองเดียวกัน สมองเริ่มต้นด้วยโครงสร้างพื้นฐานและค่อยๆ พัฒนาเป็นเอนทิตีที่ซับซ้อนซึ่งเกินความจุข้อมูลในตอนแรก สถานะ. ดังนั้นการละเลยการศึกษาการพัฒนาทางพันธุกรรมที่ไม่เกี่ยวข้องกับความฉลาดอาจเป็นข้อสรุปที่ผิดพลาด Hiesinger ให้เหตุผล

“มีความโชคร้ายเล็กน้อยที่ขาดความชื่นชมในข้อมูลทั้งสอง ทฤษฎีและชีววิทยาในกรณีของนักวิจัย AI บางคนที่ (เข้าใจได้) ตื่นตากับความสำเร็จของแนวทางการเรียนรู้ที่บริสุทธิ์ของพวกเขา” Hiesinger กล่าว “และฉันขอเสริมว่า นักชีววิทยาไม่ได้ช่วยอะไร เนื่องจากพวกเขาส่วนใหญ่เพิกเฉยต่อคำถามเกี่ยวกับทฤษฎีข้อมูล และพยายามค้นหายีนและโมเลกุลเดี่ยวๆ ที่เชื่อมโยงสมอง”

วิธีคิดแบบใหม่เกี่ยวกับปัญญาประดิษฐ์ทั่วไป