Как сообщает издание MIT, с ростом мощностей искусственного интеллекта его способность выполнять задачи, схожие с человеческими, становится неоспоримой. Искусственные нейронные сети могут обучаться распознавать изображения, использовать язык или писать компьютерный код. Подобно нейронным цепям в мозге, они перестраиваются по мере обучения, корректируя силу своих связей для повышения эффективности. В статье, опубликованной 9 октября в журнале PNAS, ученые из Института исследований мозга имени МакГовена MIT и Центра интегративной вычислительной нейробиологии К. Лизы Янг утверждают, что важным критерием биологической правдоподобности подхода искусственной нейронной сети к обучению является её способность самоорганизовываться без вмешательства разработчика. Они демонстрируют, что искусственная нейронная сеть может создать собственные механизмы обучения. С помощью простых инструкций о том, как и когда должны изменяться связи, группа случайно соединенных единиц может трансформироваться в эффективную сеть обработки информации, обучаясь на данных, на которых она тренируется. По словам Цянли Ляо, постдока Центра К. Лизы Янг, текущие технологии ИИ работают очень хорошо, но они не обязательно используют алгоритмы обучения, применяемые в мозге. Ляо объясняет, что инженеры разрабатывают правила о том, как изменяются связи, когда искусственная нейронная сеть обрабатывает обучающие данные и получает обратную связь о своих ошибках. Хотя этот подход мощен для обучения ИИ выполнять свои задачи, Ляо и его коллеги предупреждают, что сети, созданные таким образом, могут не дать много информации о биологическом обучении. «У мозга нет внешнего дизайнера или архитектора», — говорит Ляо. «Мозг должен организовываться сам. И нам нужно знать, как простые правила будут заставлять мозг организовываться. Правила, которые изменяют нейронные связи по мере обучения животного, могут различаться в разных частях мозга или меняться по мере его зрелости. Нейробиологи работают над тем, чтобы понять, как эти правила работают и как они могут быть нарушены старением или болезнями — это важный шаг к разработке новых терапий и стратегий профилактики. Ляо указывает на разработку интерфейсов «мозг-компьютер», которые направлены на восстановление коммуникации, когда языковые способности мозга теряются, или позволяют парализованным пациентам управлять нейропротезами, как одно из возможных применений. «Ничто из этого не может работать без знания правил взаимодействия нейронов», — говорит он. «Это невозможно достичь, просто разработав схему, которая работает очень хорошо. Ценность искусственной нейронной сети для нейробиологии должна оцениваться по тому, насколько она может самоорганизовываться — не только в своих связях, но и в механизмах, которые регулируют эти связи. Работая с Поггио и Хартнеттом, Ляо, Цзийин и Ган поставили задачу разработать и проверить самоорганизующуюся вычислительную сеть, способную к обучению. Ляо объяснил, что структура сети начинается с множества слоев случайно соединенных нейроноподобных единиц. Внутри каждого слоя каждый нейроноподобный компонент подчиняется одним и тем же правилам о том, как должны изменяться связи. «Они просто взаимодействуют друг с другом, используя это правило, и развивают какое-то поведение», — говорит он. Сеть команды реализует простые правила, которые, как предполагается, перепрограммируют нейронные цепи по мере того, как люди и другие животные учатся на своем опыте. Например, в мозге и машинной сети «нейроны, которые активируются вместе, соединяются вместе». Другими словами, когда два связанных нейрона активируются одновременно, связь между ними усиливается. Команда показала, что самоорганизующаяся сеть, управляемая такими правилами, может научиться распознавать паттерны и классифицировать изображения. Они объясняют, что в их модели обучение обеспечивается самоорганизующимися мотивами, которые возникают в соответствии с простыми правилами, а затем служат строительными блоками для функциональных цепей. По мере обучения их сеть эти мотивы реорганизовывались, используя стратегию оптимизации, аналогичную подходу, встроенному в большинство современных систем машинного обучения, называемому градиентным спуском, при котором связи постепенно корректируются в ответ на ошибки для повышения эффективности. Большинство современных ИИ реализуют градиентный спуск через какую-либо форму алгоритма обратного распространения, который, по словам нейробиологов, вряд ли используется мозгом. Команда сравнила свою самоорганизующуюся сеть с сетями, разработанными для обучения таким образом, и обнаружила, что она работает на аналогичном уровне. Поггио говорит, что нахождение биологического параллеля обратному распространению может привести к значительному прогрессу как в ИИ, так и в нейробиологии. «Если предложенные нами синаптические мотивы действительно используются мозгом для выполнения того, что обратное распространение делает для искусственных нейронных сетей, тогда у нас будет прочная связь на уровне основных механизмов между искусственными и естественными сетями — между машинами и мозгами», — говорит он. Ляо добавляет, что самоорганизующаяся сеть не обязательно обучается так же, как и мозг, но это критически важная отправная точка для биологической правдоподобности. «Самоорганизация — это первая высокоуровневая структура», — говорит он. «Как только мы поймем самоорганизацию как меру, тогда мы можем говорить о следующем шаге.» Хотя основной целью группы является лучшее понимание мозга, Ляо говорит, что эти знания в конечном итоге могут улучшить и системы машинного обучения, позволяя инженерам разрабатывать сети, которые работают лучше или более схожи с человеческими. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.