Εδώ είναι τι θα μάθετε όταν διαβάσετε αυτήν την ιστορία
- Ερευνητές από το Ινστιτούτο Πληροφορικής LNM και το Ινδικό Ινστιτούτο Τεχνολογίας Πληροφορικής πρότειναν πρόσφατα ένα νέο μοντέλο για την τεχνητή νοημοσύνη που περνάει από έναν ανθρώπινο κύκλο ζωής.
- Η ομάδα επικεντρώθηκε στη σύζευξη διαφορετικών συστημάτων AI με τα λειτουργικά τους ισοδύναμα στον ανθρώπινο εγκέφαλο.
- Μιμούμενοι τα δικά μας βιολογικά πλεονεκτήματα, οι ερευνητές πιστεύουν ότι η τεχνητή νοημοσύνη θα μπορούσε τελικά να γίνει ένας διαρκώς εξελισσόμενος βοηθός που μαθαίνει να ταιριάζει καλύτερα στις ανάγκες των μεμονωμένων χρηστών.
Απελευθερωμένος από τα όρια της βιολογίας, η τεχνητή νοημοσύνη μπορεί να μάθει από δεδομένα με ταχύτητες ακατανόητες για το ανθρώπινο μυαλό. Και με αυτή την ταχύτητα, η τεχνητή νοημοσύνη μπορεί να επιτύχει πράγματα που κανονικά μπορεί να χρειαστούν ανθρώπινες ώρες για να ολοκληρωθούν, όπως η ανάλυση μιας βάσης δεδομένων με χιλιάδες συνήθειες πελατών. Αλλά ο εγκέφαλός μας, σμιλεμένος από εκατομμύρια και εκατομμύρια χρόνια εξέλιξης, είναι πιο ενεργειακά αποδοτικός, πιο προσαρμόσιμος και μπορεί να μάθει από μια σχετικά περιορισμένη δεξαμενή δεδομένων – δεν χρειάζεται να δούμε χιλιάδες εικόνες αλόγων για να μάθουμε τι είναι άλογο.
Για να μιμηθούν αυτά τα βιολογικά οφέλη, ορισμένοι επιστήμονες πιστεύουν ότι πρέπει να ωθήσουμε την τεχνητή νοημοσύνη περισσότερο προς το πώς λειτουργεί ο ίδιος ο ανθρώπινος εγκέφαλος. Για κάποιους, αυτό οδήγησε στην ιδέα του νευρομορφικός υπολογισμόςπου στοχεύει να αναπαράγει τις νευρικές δομές του ανθρώπινου εγκεφάλου μέσα στους υπολογιστές. για άλλους σημαίνει να γκρεμίσουμε τις τρέχουσες αρχιτεκτονικές τεχνητής νοημοσύνης και να ξεκινήσουμε από την αρχή.
Αλλά ένα νέο άρθρο με κριτές που δημοσιεύτηκε νωρίτερα φέτος στο International Journal of Transdisciplinary Research and Perspectives ακολουθεί μια ελαφρώς διαφορετική προσέγγιση. Οι ερευνητές συνδυάζουν συστήματα τεχνητής νοημοσύνης με μέρη του ανθρώπινου εγκεφάλου, ενώ δίνουν επίσης στα AI τη δική τους εκδοχή ενός ανθρώπινου κύκλου ζωής. Σύμφωνα με την εφημερίδα, το νέο σύστημα τεχνητής νοημοσύνης αναπτύσσει προσωπικότητα, κοιμάται, ονειρεύεται και τελικά πεθαίνει. Αυτό σημαίνει ότι η τεχνητή νοημοσύνη θα μπορούσε ουσιαστικά να γίνει ένας βοηθός που προσαρμόζεται σταδιακά στον χρήστη του και όχι απλώς μια άκαμπτη μηχανή εισόδου-εξόδου.
Στην εργασία, ο επιστήμονας υπολογιστών Krrish Choudhary στο The LNM Institute of Information Technology στην Τζαϊπούρ της Ινδίας, μαζί με τον συν-συγγραφέα του, Tanvi Kandoi από το Ινδικό Ινστιτούτο Πληροφορικής, χρησιμοποιούν μια προσέγγιση εμπνευσμένη από τις νευροεπιστήμες για να αναπαράγουν το ανθρώπινο μυαλό. Τραβούν παραλληλισμούς μεταξύ μοντέλων τεχνητής νοημοσύνης και σχεδόν δύο ντουζίνες εγκεφαλικές δομές, διαδικασίες, ορμόνες και νευροδιαβιβαστές. Για παράδειγμα, ο οπτικός φλοιός θα μπορούσε να συνδυαστεί με το μοντέλο γλώσσας όρασης (VLM) του Google DeepMind, PaliGemma. Εδώ, ο «ύπνος REM» θα παιζόταν μέσω της συνθετικής γενιάς» ή της τεχνητής νοημοσύνης που δημιουργεί κείμενο, εικόνες και βίντεο με τον ίδιο τρόπο που ο εγκέφαλός μας δημιουργεί σκηνές ενώ ονειρευόμαστε.
«Η αρχιτεκτονική που περιγράφεται στο έγγραφο» οργανώνει τη νοημοσύνη σε εξειδικευμένα υποσυστήματα, αντικατοπτρίζοντας στενά τη λειτουργική διάταξη του εγκεφάλου», λέει ο Choudhary σε ένα email. «Αυτό διαφέρει σημαντικά από τον νευρομορφικό υπολογισμό» Αντίθετα, η προσέγγισή μας εστιάζει στη λειτουργική ισοδυναμία, χρησιμοποιώντας υπάρχοντα στοιχεία τεχνητής νοημοσύνης για την ανασυγκρότηση της οργανωτικής λογικής του εγκεφάλου.
Ο Choudhary ίδρυσε την εταιρεία Versace AGI για να κλιμακώσει αυτές τις ιδέες σε ένα λειτουργικό σύστημα. Άλλοι ερευνητές φαίνεται να συμφωνούν ότι το ίδιο πλαίσιο που καθοδηγεί τον ανθρώπινο εγκέφαλο θα μπορούσε να λειτουργήσει για την τεχνητή νοημοσύνη. Για παράδειγμα, το Ολλανδικό Ινστιτούτο Νευροεπιστήμης διερευνά τρόπους για να διδάξει την τεχνητή νοημοσύνη να μάθει πώς μαθαίνει ο ανθρώπινος εγκέφαλος. Ομοίως, επιστήμονες από το Πανεπιστήμιο Johns Hopkins διερευνούν τρόπους με τους οποίους η τεχνητή νοημοσύνη μπορεί να αξιοποιήσει τις μαθησιακές ικανότητες του ανθρώπινου εγκεφάλου. Εν τω μεταξύ, άλλες νεοφυείς επιχειρήσεις επινοούν τεχνητή νοημοσύνη που μοιάζει με τον εγκέφαλο που βασίζεται σε μικροσκοπικά σκουλήκια, τα οποία απαιτούν ομοίως λίγες πληροφορίες για να μάθουν.
Φυσικά, μέρος της δυσκολίας κατασκευής ενός AI για να μιμείται τον ανθρώπινο εγκέφαλο είναι ότι οι επιστήμονες δεν γνωρίζουν πραγματικά πώς λειτουργεί ο ανθρώπινος εγκέφαλος, ειδικά όσον αφορά τη συνείδηση. Κατά τη χρήση ιδεών που βασίζονται στη νευροεπιστήμη, όπως οι τρεις κανόνες του πολυαισθητηριακή ολοκλήρωση και το αρχή της ελεύθερης ενέργειαςπου βοηθούν στην εξήγηση της αντίληψης και της μάθησης – Οι Choudhary και Kandoi επικεντρώθηκαν επίσης στην παγκόσμια θεωρία του χώρου εργασίας (GWT).
Το GWT είναι ένα κορυφαίο θεωρητικό πλαίσιο στην έρευνα της συνείδησης. Προσπαθεί να περιγράψει την ανθρώπινη συνείδηση όπου οι ενότητες του εγκεφάλου (ή διακριτές μονάδες του εγκεφαλικού δικτύου, όπως η όραση ή η γλώσσα) ανταγωνίζονται για την προσοχή. Ο Choudhary υποστηρίζει ότι το GWT είναι κατάλληλο για αυτήν την προσέγγιση που βασίζεται στον εγκέφαλο στον υπολογισμό της τεχνητής νοημοσύνης επειδή λειτουργεί ως λειτουργική μνήμη σε συστήματα τεχνητής νοημοσύνης. Άλλες ανταγωνιστικές θεωρίες, όπως η Ολοκληρωμένη Θεωρία Πληροφοριών, δεν λειτουργούν τόσο καλά καθώς δεν είναι τόσο εστιασμένες στη μνήμη και τη μάθηση, λέει ο Choudhary.
Αλλά αναμφισβήτητα η πιο ενδιαφέρουσα ιδέα στο έγγραφο είναι μια ιδέα όπου η τεχνητή νοημοσύνη περνάει από αυτό που είναι ουσιαστικά ένας ανθρώπινος κύκλος ζωής. Η ιδέα είναι να δημιουργηθεί ένα μοντέλο που «γεννιέται όταν ξεκινήσει, αναπτύσσει προσωπικότητα μέσω εμπειρίας και ανταμοιβής, κοιμάται για να παγιώσει τις αναμνήσεις σε μόνιμη γνώση και πεθαίνει όταν σταματήσει», σύμφωνα με τη μελέτη. Αν και οι πεπερασμένες ζωές μας μπορεί να φαίνονται σαν μειονέκτημα, οι συγγραφείς υποστηρίζουν ότι αυτό είναι ένα χαρακτηριστικό για τα συστήματα τεχνητής νοημοσύνης – όχι ένα ελάττωμα.
Ο Choudhary εξηγεί ότι είναι πολύ πιο παραγωγικό για την τεχνητή νοημοσύνη να έχει έναν δυναμικό κύκλο ζωής, παρά μόνο άκαμπτες αποκρίσεις. «Η ευφυΐα απαιτεί επιμονή, γι’ αυτό η αρχιτεκτονική μας δίνει έμφαση στη μακροπρόθεσμη μνήμη, στην επεισοδιακή ανάκληση και στη συνεχή προσαρμογή του εαυτού μας», λέει.
Η ιδέα είναι ότι ένα μοντέλο τεχνητής νοημοσύνης που αναπτύσσεται παρόμοια με το πώς μεγαλώνει ο εγκέφαλός μας θα μπορούσε να αναπτύξει συνέχεια, πράγμα που σημαίνει ότι ουσιαστικά δεν «ξεχνά» τα πάντα μεταξύ των αιτημάτων» δημιουργεί σταθερότητα μνήμης και σχηματίζει μια προσωπική ταυτότητα. Αυτές οι ιδιότητες θα βοηθούσαν την τεχνητή νοημοσύνη να παίρνει ακριβείς αποφάσεις όπως και οι άνθρωποι. Είναι πολύ σημαντικό, για κάποιον που χρησιμοποιεί ένα τέτοιο σύστημα, η τεχνητή νοημοσύνη θα αισθάνεται λιγότερο σαν εργαλείο και περισσότερο σαν ένας συνεχώς εξελισσόμενος βοηθός που θυμάται και βελτιώνεται με τον καιρό. Όσον αφορά τη δική μας βιολογία, αυτό μπορεί να σημαίνει ότι η τεχνητή νοημοσύνη θα αναπτυσσόταν και θα βελτιωνόταν με την πάροδο του χρόνου, ακριβώς όπως ένας πραγματικός ανθρώπινος εγκέφαλος.
Η τεχνητή γενική νοημοσύνη συχνά απεικονίζεται ως ένα παιχνίδι μηδενικού αθροίσματος με την τεχνητή νοημοσύνη να σφετερίζεται τελικά τον ανθρώπινο εγκέφαλο στον θρόνο της υπερνοημοσύνης. Αλλά όπως αρχίζει να υποδηλώνει πρόσφατη έρευνα, ο δρόμος προς τη χρήσιμη τεχνητή νοημοσύνη μπορεί να είναι μια πολύ πιο οργανική διαδικασία – μια διαδικασία που μοιάζει πολύ λιγότερο τεχνητή και πολύ πιο ανθρώπινη.
Ο Ντάρεν ζει στο Πόρτλαντ, έχει μια γάτα και γράφει/επεξεργάζεται για την επιστημονική φαντασία και το πώς λειτουργεί ο κόσμος μας. Μπορείτε να βρείτε τα προηγούμενα πράγματα του στο Gizmodo and Paste αν ψάξετε αρκετά.Â
