Kognityviniai blokai suteikia smegenims pranašumą prieš AI

Kognityviniai blokai suteikia smegenims pranašumą prieš AI

Dirbtinis intelektas gali rašyti apdovanojimus pelniusius darbus ir nepaprastai tiksliai diagnozuoti ligas, tačiau biologinės smegenys vis tiek turi pranašumą bent vienoje svarbioje srityje: lankstumo.

Pavyzdžiui, žmonės gali greitai ir gana lengvai prisitaikyti prie naujos informacijos ir nepažįstamų iššūkių – mokydamiesi naujos kompiuterinės programinės įrangos, vadovaudamiesi receptu ar mokydamiesi naujo žaidimo, o dirbtinio intelekto sistemoms sunku mokytis skrydžio metu.

Naujame tyrime Prinstono neurologai atskleidžia vieną priežastį, dėl kurios smegenys turi pranašumą prieš AI: jos pakartotinai naudoja tuos pačius pažinimo „blokus“ daugeliui skirtingų užduočių. Sujungus ir rekombinuojant šiuos blokus, smegenys gali greitai sukurti naują elgesį.

Šiuolaikiniai dirbtinio intelekto modeliai gali pasiekti žmogaus ar net viršžmogiško našumo atliekant atskiras užduotis. Tačiau jiems sunku mokytis ir atlikti daugybę skirtingų užduočių. Mes nustatėme, kad smegenys yra lanksčios, nes gali pakartotinai panaudoti pažinimo komponentus atliekant daugybę skirtingų užduočių. Sudėjus šiuos „pažinimo Lego kaladėles“, smegenys gali kurti naujas užduotis.

Timas Buschmanas, Ph.D., vyresnysis tyrimo autorius ir Prinstono Neurologijos instituto direktorius

Rezultatai buvo paskelbti lapkričio 26 d. žurnale Nature.

Iš naujo naudokite įgūdžius naujiems iššūkiams

Jei kas moka taisyti dviratį, galbūt motociklo remontas išeina natūraliau. Šį gebėjimą išmokti kažko naujo pakartotinai panaudojant paprastesnius susijusių užduočių įgūdžius, mokslininkai vadina kompozicija.

„Jei jau žinote, kaip kepti duoną, galite panaudoti šį įgūdį kepdami pyragą, nesimokydami kepti nuo nulio“, – sakė Prinstono Buschmano laboratorijos doktorantė ir pagrindinė naujojo tyrimo autorė Sina Tafazoli, Ph.D. „Kad sukurtumėte kažką visiškai kitokio, pasitelkite esamus įgūdžius – valdyti orkaitę, matuoti ingredientus, minkyti tešlą – ir derinti juos su naujais įgūdžiais, pavyzdžiui, plakti tešlą ir gaminti glazūrą.

Tačiau yra ribotų ir kartais prieštaringų įrodymų, kaip smegenys pasiekia tokį pažinimo lankstumą.

Siekdamas išsiaiškinti, kaip smegenys pasiekia savo išradingumą, Tafazoli išmokė du rezus beždžionių patinus atlikti tris susijusias užduotis, kol buvo stebima jų smegenų veikla.

Užuot kepusios duoną ar taisę dviračius, beždžionės atliko tris skirstymo į kategorijas užduotis. Panašiai kaip bandydamos iššifruoti dažnai dviprasmišką ranka rašyto gydytojo laiško rašybą, beždžionės turėjo nuspręsti, ar spalvinga, balioną primenanti dėmė ekrane prieš jas labiau primena triušį ar raidę „T“ (formos skirstymas į kategorijas), ar ji labiau raudona, ar žalia (spalvų skirstymas į kategorijas).

Užduotis buvo apgaulingai sunki: dėmės buvo skirtingos, kartais akivaizdžiai primenančios triušį ar sodriai raudoną spalvą, o kartais skirtumai buvo subtilūs.

Norėdama nurodyti, kokios formos ar spalvos, jų manymu, yra dėmė, beždžionė niūniavo žiūrėdama į vieną iš keturių skirtingų krypčių. Vienoje užduotyje žiūrėjimas į kairę reiškė, kad gyvūnas pamatė zuikį, o žiūrėdamas į dešinę, jis panašėjo į „T“.

Pagrindinis dizaino bruožas buvo tai, kad nors kiekviena užduotis buvo unikali, jos taip pat dalijosi tam tikrais elementais su kitomis užduotimis.

Viena iš spalvų užduočių ir formos užduočių reikėjo žiūrėti tomis pačiomis kryptimis, o abi spalvinės užduotys reikalavo, kad gyvūnas spalvas suskirstytų vienodai (daugiau raudonos arba labiau žalios), tačiau turėjo žiūrėti skirtingomis kryptimis, kad įvertintų jo atspalvį.

Šis eksperimentinis dizainas leido tyrėjams patikrinti, ar smegenys pakartotinai naudoja neuroninius modelius – savo pažinimo blokus – atliekant užduotis su bendrais komponentais.

Blokai sukuria pažintinį lankstumą

Išanalizavę smegenų veiklos modelius, Tafazoli ir Buschman nustatė, kad prefrontalinėje žievėje – smegenų priekinėje dalyje, dalyvaujančioje aukštesniame pažinime – yra daug bendrų, pakartotinai naudojamų neuronų veiklos modelių, kurie siekė bendro tikslo, pavyzdžiui, spalvų diskriminacijos.

Buschmanas apibūdino juos kaip smegenų „kognityvinius Lego“ – statybinius blokus, kuriuos galima lanksčiai derinti, kad būtų sukurtas naujas elgesys.

„Aš galvoju apie pažinimo bloką kaip funkciją kompiuterinėje programoje“, - sakė Buschmanas. "Grupė neuronų galėtų atskirti spalvas, o jų išvestis galėtų būti susieta su kita funkcija, kuri sukelia veiksmą. Ši organizacija leidžia smegenims atlikti užduotį, paeiliui vykdant kiekvieną tos užduoties komponentą."

Norėdami atlikti vieną iš spalvų užduočių, gyvūnas surinko bloką, kuris apskaičiavo vaizdo spalvą, su kitu bloku, kuris judė akis skirtingomis kryptimis. Keičiant užduotis, pvz., keičiant spalvas prie formų, smegenys tiesiog sujungia atitinkamus blokus, kad apskaičiuotų formą ir atliktų tuos pačius akių judesius.

Šis bloko išsiskyrimas daugiausia buvo stebimas prefrontalinėje žievėje, o ne kituose smegenų regionuose, o tai rodo, kad tokio tipo kompozicija yra ypatinga šios srities savybė.

Tafazoli ir Buschmanas taip pat nustatė, kad prefrontalinė žievė pašalina pažinimo blokus, kai nenaudojama, o tai gali padėti smegenims geriau susikoncentruoti į atitinkamą užduotį.

"Smegenys turi ribotą pažinimo kontrolės gebėjimą", - sakė Tafazoli. "Reikia sutirštinti kai kuriuos savo įgūdžius, kad galėtumėte sutelkti dėmesį į tuos, kurie šiuo metu yra svarbūs. Pavyzdžiui, sutelkus dėmesį į formų skirstymą į kategorijas laikinai sumažėja galimybė koduoti spalvas, nes tikslas yra formų, o ne spalvų diskriminacija."

Veiksmingesnis mokymosi būdas – dirbtiniam intelektui ir klinikai

Šios pažintinės Lego kaladėlės gali paaiškinti, kodėl žmonės taip greitai išmoksta naujų užduočių. Remdamiesi esamais psichiniais komponentais, smegenys sumažina perteklinį mokymąsi – triuką, kurį dirbtinio intelekto sistemos dar turi įvaldyti.

„Didžiulė mašininio mokymosi problema yra katastrofiškas gedimas“, - sakė Tafazoli. "Kai mašina ar neuroninis tinklas išmoksta kažką naujo, jis pamiršta ir perrašo ankstesnius prisiminimus. Jei dirbtinis neuroninis tinklas moka kepti pyragą, bet tada išmoks kepti sausainius, jis pamirš, kaip kepti pyragą."

Ateityje kompozicijos integravimas į AI galėtų padėti sukurti sistemas, kurios nuolat mokosi naujų įgūdžių, nepamirštant senųjų.

Ta pati išvada taip pat galėtų padėti pagerinti mediciną žmonėms, turintiems neurologinių ir psichikos sutrikimų. Tokios būklės kaip šizofrenija, obsesinis-kompulsinis sutrikimas ir tam tikri smegenų sužalojimai dažnai pablogina žmogaus gebėjimą pritaikyti žinomus įgūdžius naujuose kontekstuose – galbūt dėl ​​smegenų pažinimo blokų rekombinacijos sutrikimų.

„Įsivaizduokite, kad galėtum padėti žmonėms susigrąžinti gebėjimą keisti strategijas, išmokti naujų rutinos ar prisitaikyti prie pokyčių“, – sakė Tafazoli. "Ilgalaikėje perspektyvoje supratimas, kaip smegenys pakartotinai naudoja ir rekombinuoja žinias, gali padėti mums sukurti gydymo būdus, atkuriančius šį procesą."

Šaltiniai: