Pojedynczy neuron nie jest prostym przełącznikiem. To potężny moduł obliczeniowy.
Nowe badania zmieniają sposób, w jaki rozumiemy jednostki przetwarzające w mózgu. Przez dziesięciolecia nauka zakładała, że naszą przewagę poznawczą zawdzięczamy wyłącznie skali. Logika była prosta: 100 miliardów neuronów, biliony połączeń. Więcej sprzętu oznacza wyższą inteligencję.
Jednak ostatnie badanie opublikowane w Proceedings of the National Academy of Sciences (PNAS) wskazuje, że to założenie jest przestarzałe. Główny sekret tkwi w złożoności obliczeniowej ludzkich neuronów, która jest znacznie głębsza, niż wcześniej sądzono.
Pojedyncza komórka mózgowa jest w stanie wykonywać obliczenia porównywalne z możliwościami głębokiej sztucznej sieci neuronowej. Nie uproszczone moduły stosowane we współczesnej sztucznej inteligencji, ale złożone, wielopoziomowe struktury.
To zmienia cały obraz neurologii. Jeśli inteligencja zależy nie tyle od liczby komórek, ile od jakości ich pracy, musimy ponownie zbadać pochodzenie języka, matematyki, a nawet wyobraźni. Być może pochodzą one z pojedynczego mikroprocesora w korze mózgowej.
„Mikroprocesor” wewnątrz głowicy
Neurony w korze mózgowej człowieka, zewnętrznej powłoce odpowiedzialnej za wysoko rozwinięte formy myślenia, zachowują się jak złożone procesory. Nie tylko przekazują sygnały jak pałka sztafetowa. Analizują dane, łączą je i obliczają wyniki.
Udowodnili to naukowcy z Uniwersytetu Hebrajskiego pod kierownictwem profesorów Idana Segeva i Miki Landan wraz z naukowcami z Centrum Neuronauki im. Edmonda i Lily Safra (ELSC). W pracach wziął także udział profesor Chris de Kock z Vrije Universiteit Amsterdam.
„Ludzie często myślą o neuronie jako o przełączniku, który można włączyć lub wyłączyć” – wyjaśnia Segev. „Pokazaliśmy, że jeden ludzki neuron sam w sobie jest niezwykle zaawansowanym urządzeniem komputerowym”.
Pomyśl o tym w ten sposób: żarówka albo się świeci, albo nie. A co z ludzkim neuronem korowym? Waży napływające dane, bierze pod uwagę kontekst swoich dendrytów i podejmuje świadomą decyzję, która symuluje działanie wielowarstwowego modelu sztucznej inteligencji.
Jak przeprowadzono testy
Nie można po prostu zmierzyć rozmiaru komórki i odgadnąć jej „poziom inteligencji”. Większy neuron nie zawsze oznacza mądrzejszy.
Zespół potrzebował obiektywnego wskaźnika. Stworzyli więc cyfrowe bliźniaki.
Wykorzystując modelowanie komputerowe i technologie sztucznej inteligencji, próbowali odtworzyć zachowanie neuronów biologicznych za pomocą sztucznych sieci neuronowych (ANN). Okazało się, że był to rodzaj gry w naśladownictwo.
- Wzięli neuron biologiczny.
- Dali mu sygnały wejściowe.
- Obserwowano dane wyjściowe.
- Następnie próbowali wytrenować sieć AI, aby dokładnie odtwarzała ten sam sygnał wyjściowy.
I tu kryje się główna niespodzianka: proste neurony innych ssaków można było łatwo skopiować. Mała, płytka sieć sztucznej inteligencji mogłaby z łatwością naśladować ich zachowanie.
Ludzkie neurony korowe? U nich wszystko było bardziej skomplikowane.
Aby dokładnie odtworzyć wzorce odpalania ludzkiej komórki, sieć sztucznej inteligencji musiała być znacznie głębsza, bardziej szczegółowa i bardziej złożona. Im trudniej było skopiować neuron, tym większą miał moc obliczeniową.
Dlaczego ludzkie mózgi wygrywają
Dane są jasne: naśladowanie ludzkich neuronów korowych wymaga bardziej złożonych sztucznych sieci niż neurony u innych ssaków.
Dlaczego? Wszystko zależy od struktury. Mianowicie w drzewach dendrytycznych. Są to rozgałęzione struktury odbierające sygnały. Ludzkie neurony mają złożone, gęsto rozgałęzione drzewa dendrytyczne o specyficznych właściwościach elektrycznych.
To nie jest tylko okablowanie pasywne. Struktura ta pozwala neuronowi analizować kombinacje sygnałów, zamiast po prostu dodawać je liniowo.
Pojedyncza komórka może funkcjonować jako system wielowarstwowy, porównywalny pod względem możliwości z głęboką siecią neuronową.
Ta umiejętność wyjaśnia, dlaczego potrafimy dostrzec drobne szczegóły, takie jak odróżnienie zdjęcia kota od zdjęcia psa lub zrozumieć abstrakcyjne pojęcia matematyczne. Nie polegamy tylko na liczbie neuronów. Wykorzystujemy zaawansowaną moc obliczeniową każdej pojedynczej komórki.
Co to oznacza dla sztucznej inteligencji
Nie jest to wyłącznie zainteresowanie akademickie. Ma to ogromne implikacje dla projektowania neuromorficznej sztucznej inteligencji.
Większość nowoczesnych modeli uczenia maszynowego opiera się na uproszczonych, sztucznych modułach. Budują je w głębokie warstwy, mając nadzieję, że zbiorowa złożoność wyłoni się sama. Jest to podejście oparte na „brutalnej sile”.
Jeśli chcemy tworzyć naprawdę zaawansowane systemy, być może powinniśmy zajrzeć do wewnątrz. W stronę biologii.
Przyszłe modele sztucznej inteligencji mogą wykorzystywać sztuczne komponenty imitujące złożoność obliczeniową ludzkich neuronów. Zamiast po prostu tworzyć stosy prymitywnych modułów, wyobraź sobie inteligentne, dopracowane elementy przetwarzające, które indywidualnie radzą sobie ze złożonością.
To jest inny sposób. Droga odchodzenia od surowej skali w kierunku strukturalnej doskonałości.
Badanie podważa stary pogląd, że inteligencja to tylko kwestia liczb. Poznanie człowieka zależy od czegoś więcej niż tylko wielkości mózgu. Jest on określany przez umysł jego części składowych.
W miarę przesuwania granic neuronauki i uczenia maszynowego granica między biologią a krzemem może się zacierać w nieoczekiwany sposób. Ale jedno pozostaje jasne: główną zaletą ludzkiego mózgu nie jest jego wielkość.
Na tym polega złożoność komórki.
