Изкуственият интелект се доближава до естествения?

Създадоха биологично правдоподобен модел на паметта за системи с изкуствен интелект с вътрешна мотивация

Биологично правдоподобен модел на изчислителна памет на система, можеща да работи ефективно в непозната среда под въздействието на външен усилващ сигнал обяви, че е създала, изследователска от група, наречена "Невросимволна интеграция" към на Института по изкуствен интелект AIRI и студенти от Московския физико-технически институт в Русия.

По-просто казано, т.нар. когнитивен агент е програма, която се научава да взаимодейства със света сама и да се учи от грешките си, докато изпълнява конкретна задача. Агентът се основава на архитектура от алгоритми, включително невронни мрежи, което му помага да следва инструкциите на разработчика.

В ежедневието редовно се сблъскваме с резултатите от работата на машинното обучение и методите на изкуствен интелект, обясняват изследователите. През последното десетилетие успехът в тази посока се свързва с обучението на дълбоки невронни мрежи (Artificial Neural Networks, ANN), изградени на базата на модел на изкуствен неврон. Учените също така идентифицират шипови невронни мрежи (Spiking Neural Networks, SNN), изградени на базата на модел на шипов неврон, който е по-близо до биологичния такъв. Изкуствените неврони от първия вид обменят реални числа а вторите - единични събития, които се случват в определено време, повтаряйки работата на биологична нервна система.

Изкуствените невронни мрежи са по-разпространени поради простотата на използвания невронен модел, а архитектурата на графичните ускорители е много удобна за изчисленията, свързани с тях. Те използват всички неврони, които съдържат, за да предават информация, докато спайковите невронни мрежи имитират работата на мозъка - използват само неврони, които са активни в определен момент от време. Това осигурява значителни икономии на ресурси при тяхното обучение и използване.

В допълнение, именно шиповите невронни мрежи и свързаните с тях биологично правдоподобни модели за обучение на изкуствен интелект се считат за по-обещаващи от гледна точка на напредъка в разбирането на принципите на човешкия мозък, включително поради възможността за тяхното използване в когнитивната наука. Подобни разработки се основават на използването на модела на т.нар. пирамидални неврони, които съставляват по-голямата част от невроните на човешката мозъчна кора и се учат по-бързо от изкуствените неврони.

Разработеният агент може да оперира с абстракции на състояния и действия. Според изследователите това означава, че той е в състояние да извършва сложни действия въз основа на прости операции, които вече са му известни. Например, след като се е научил да търси врата в стая, агентът ще може да използва това умение за решаване на по-сложни проблеми, докато повечето от съществуващите в момента програми изискват създаването на нова инструкция за всяка конкретна задача.

Освен външна мотивация (награда за успешно завършено действие) разработеният от групата агент има и вътрешна такава. Това прави поведението му по-сложно и автономно. Вътрешната мотивация осигурява смислено поведение при липса на външен подсилващ фактор. Тоест такъв агент ще може не само да търси решение на проблема, както повечето стандартни програми, но и да изучава света около себе си.