DeepMind: SI musi powrócić do nauk o mózgu i... nauczyć się spać

Pionierzy sztucznej inteligencji wcale nie mieli zamiaru tworzyć maszyn, które w przyszłości mogą zakończyć historię homo sapiens na Ziemi. Interesował ich sposób działania ludzkiego mózgu. Dlatego też u początków SI znajdziemy psychologów oraz neurologów, a nie programistów czy matematyków. Podwaliny pod współczesne SI powstały w laboratoriach psychologii i neurologii. Później jednak za rozwój sztucznej inteligencji wzięli się fizycy oraz matematycy, a o ojcach SI mało kto pamięta.

Jednak firma DeepMind, której AlphaGo niedawno rozgromił mistrzów go, uważa, że odejście od psychoneurologicznych podstaw było błędem. Uważamy, że podczas badań nad SI trzeba czerpać z nauk o mózgu z dwóch powodów. Po pierwsze, nauki te pozwolą na sprawdzenie technik, które już istnieją. Na przykład, jeśli stwierdzimy, że nasze sztuczne algorytmy dobrze naśladują działanie ludzkiego mózgu, będzie to oznaczało, że jesteśmy na właściwej drodze. Po drugie, nauki o mózgu mogą być bogatym źródłem inspiracji dla nowych typów algorytmów i architektur, stwierdzają przedstawiciele firmy.

Pojawia się zatem pytanie, w jakich aspektach maszyny powinny naśladować mózg. Badacze z DeepMind mówią na przykład o... śnie. Pełni on niezwykle ważną rolę w fizjologii człowieka. Pozwala się nie tylko zregenerować, ale również zapamiętać zdobyte za dnia umiejętności i informacje. Oczywiście nie wszystkie. Gdybyśmy zapamiętywali wszystko, nasze mózgi szybko uległyby przeciążeniu.

Gdy jesteśmy w stanie czuwania, uczymy się otoczenia i adaptujemy do niego, nasze synapsy, czyli połączenia pomiędzy neuronami, wzmacniają się i rosną – mówi Chiara Cirelli z University of Wisconsin-Madison. Synapsy nie mogą jednak rosnąć bez końca. W pewnym momencie dochodzi do nasycenia, dodaje. Po dziesięciu latach badań Cirelli i jej koledzy zdobyli dowód na kurczenie się synaps podczas snu. Proces ten jest masowy i ulega mu około 80% synaps. Najprawdopodobniej nie kurczą się tylko te z najsilniejszymi wspomnieniami. Niewykluczone zatem, że jednym z powodów, dla których zapadamy w sen, jest konieczność przeprowadzenia procesu kurczenia się synaps. To cena, którą płacimy za możliwość uczenia się nowych rzeczy, stwierdza Cirelli.

Spowodowanie, by maszyna spała może wydawać się bez sensu. Jednak – jak zauważają eksperci z DeepMind – proces podobny do snu zastosowali oni w swoim deep-Q network (DQN), algorytmie, który samodzielnie nauczył się po mistrzowsku przechodzić wiele gier z Atari 2600. DQN wchodził w stan snu, w czasie którego odtwarzał dotychczasowe doświadczenia i uczył się na ich podstawie.

Sukces, jaki odniósł DQN, tylko przekonał badaczy z DeepMind o konieczności współpracy pomiędzy fizykami czy matematykami, a specjalistami zajmującymi się naukami o mózgu. Sądzimy, że tego typu współpraca jest niezbędna do rozwiązania takich problemów jak efektywne uczenie się, rozumienie świata fizycznego czy zaimplementowanie maszynom wyobraźni, czytamy na blogu DeepMind.

Jeszcze innym problemem jest przeniesienie wiedzy i doświadczeń pomiędzy różnymi obszarami. Osoba, która uczyła się jeździć samochodem osobowym bez większych problemów będzie jeździła każdym modelem samochodu osobowego. Ktoś, kto umie korzystać z jednego systemu operacyjnego szybko nauczy się wykorzystywać podobny system. Maszyny wciąż mają problem z tego typu przestawieniem się. Tutaj z pomocą mogą przyjść badania nad mózgiem, dzięki którym osoby pracujące nad sztuczną inteligencją dowiedzą się, w jaki sposób problemy te są rozwiązywane w systemach biologicznych.

Stawka jest duża, dlatego też konieczność współpracy pomiędzy specjalistami od SI a specjalistami z dziedziny nauk o mózgu jest obecnie większa niż kiedykolwiek wcześniej, stwierdzają przedstawiciele DeepMind.