Yapay Zekada Çığır

Bildiğiniz gibi, doğada iki özdeş kar tanesi yoktur. Memeli beynindeki nöronlar için de durum aynı – her biri diğerinden farklı. Aynı zamanda insanlar tarafından oluşturulan yapay sinir ağları, beynin çalışmasını taklit etseler de, içlerinde kullanılan nöronlar kesinlikle aynıdır. Imperial College London’daki bilim adamlarına göre, insan beyninin hala birçok yönden AI’dan üstün olmasının nedeni budur, örneğin daha hızlı öğrenir, değişen koşullara uyum sağlar ve bir görevden diğerine geçer. Araştırmaları Nature Communications dergisinde yayınlandı .

Çalışmaya katılan hesaplamalı sinirbilimci Daniel Goodman, neolife dergisi ile yaptığı röportajda insan beynindeki öğrenme ve değişen koşullara uyum sağlama yeteneği ile yapay zeka arasındaki farkı açıkladı. Yapay zeka, örneğin 80’lerde ünlü atari video oyunu Pong’u oynamak için eğitilebilir. “Sahanın kenarlarında hareket eden ve sırayla topa vuran iki raket var. Eğitimli bir yapay zeka bu oyunu mükemmel oynayacak. Bir erkekten daha iyi, – diyor bilim adamı. – Ancak, raketleri birbirine en az bir piksel daha yaklaştırmaya değer ve AI, yalnızca belirli parametreler için eğitildiğinden, onu oynayamayacak. oyun ve içindeki en önemsiz değişikliklerle bile baş edemiyor” diyyor  Goodman, bir kişinin böyle bir sorunu olmayacağını söylüyor. Bilim insanı, bunun nedeninin insan beynindeki tüm nöronların farklı olduğuna inanıyor.

Imperial College Akıllı Sistemler ve Ağlar Laboratuvarı, beyinden sonra modellenen bir yapay sinir ağındaki her hücreyi biraz değiştirmeye çalıştı. Sonuç olarak, yapay sinir ağının verimliliği ve doğruluğu %20 oranında artmıştır.

Çalışmanın bir parçası olarak, Imperial College’daki bilim adamları, memeli beynindeki nöronlar arasındaki iletişim ilkesini incelediler. Bunu, tam olarak zamanlanmış elektriksel darbeler aracılığıyla yapar ve bu darbeler, dijital ve analog hesaplama işlemlerinden temel olarak farklıdır. Bilim adamları, AI sistemlerindeki nöronları, beyindeki nöronlar gibi birbirlerinden farklı olacak şekilde değiştirerek ve beyin ağlarının dürtü çalışmasını doğru bir şekilde yeniden üretmelerini sağlayarak, bu sistemlerin verimliliğini artırabildiler. Özellikle, yapay zekanın performansı konuşma tanıma, sesli komutları alma ve yorumlamada iyileşmiştir. Ve yapay nöronların aktivasyon süresindeki değişiklik, arka arkaya telaffuz edilen sayıları tanıma gibi bir zaman bileşeni ile görevleri gerçekleştirme verimliliğini artırmayı mümkün kıldı.

Bu arada, Cold Spring Harbor, New York, ABD’de sinirbilimci olan Parta Mitra, meselenin yapay zeka sistemlerindeki nöronların çeşitliliğinden çok onların nasıl düzenlendiğine ikna olmuş durumda.

Örneğin, elektronik devrelerde tüm bileşenlerin aynı olduğunu, ancak nasıl sıralandıklarına bağlı olarak, bu devrenin radyo veya çamaşır kurutma makinesi gibi belirli bir cihaz türü için kullanılacağını söylüyor.

Yapay Zeka Uygulaması İş Gücü Verimliliğini Nasıl Artırır ve Karar Vermeyi Nasıl İyileştirir?
İngiliz meslektaşı, bunun, örneğin zamansal değil, mekansal bileşenlerle ilgili sorunları çözmede AI sistemlerinin verimliliğini artırmaya da katkıda bulunabileceğini belirtiyor. Ve her iki bilim adamı da yakın gelecekte yapay nöronlardan (silikondan yapılmış) – nöromorfik sistemlerden yapılmış AI sistemlerinin olacağı konusunda hemfikir. Bu tür sistemler, doğal sinir ağlarının bir diğer önemli özelliğini – plastisiteyi – taklit edecek. Beynin, diğer hücrelerle fiziksel bağlantıları büyüterek ve yeniden düzenleyerek kablolarını değiştirme yeteneğidir.

İnsan beyninin yaptığı gibi gerçek dünya ile etkileşime girebilen, yeni koşullara uyum sağlayan, bir kişinin tehlikeyi fark etmesine ve ondan kaçınmasına izin veren, duyusal analiz yaparak motor aktiviteyi düzenleyen otonom AI sistemleri oluşturmak için en önemli özellik haline gelen plastisitedir. bilgi vb. Ve bu plastisite, AI’nın örneğin hatasız değişken parametrelerle Pong oynamayı öğrenmesine izin verebilir, diyor bilim adamları.

Alena Miklashevskaya

.kommersant.ru