Il sistema di intelligenza artificiale si auto-organizza per sviluppare caratteristiche del cervello di organismi complessi

Poiché i sistemi neurali come il cervello si organizzano e stabiliscono connessioni, devono bilanciare richieste concorrenti. Ad esempio, sono necessarie energia e risorse per far crescere e sostenere la rete nello spazio fisico, ottimizzando allo stesso tempo la rete per l’elaborazione delle informazioni. Questo compromesso modella tutti i cervelli all’interno e tra le specie, il che può aiutare a spiegare perché molti cervelli convergono su soluzioni organizzative simili.

Jascha Achterberg, Gates Scholar della Cognition and Brain Sciences Unit (MRC CBSU) del Medical Research Council presso l’Università di Cambridge, ha dichiarato: “Non solo il cervello è bravo a risolvere problemi complessi, ma lo fa utilizzando pochissima energia. Con un nuovo lavoro dimostriamo che considerare le capacità del cervello di risolvere i problemi insieme al suo obiettivo di spendere meno risorse possibile può aiutarci a capire perché il cervello ha questo aspetto”.

Il co-autore principale, il dottor Danyal Akarca, anche lui dell’MRC CBSU, ha aggiunto: “Ciò deriva da un principio ampio, ovvero che i sistemi biologici comunemente si evolvono per sfruttare al meglio le risorse energetiche che hanno a disposizione. Le soluzioni a cui arrivano sono spesso molto eleganti e riflettono i compromessi tra le varie forze loro imposte.”

In uno studio pubblicato oggi su Intelligenza artificiale della natura, Achterberg, Akarca e colleghi hanno creato un sistema artificiale destinato a modellare una versione molto semplificata del cervello e hanno applicato vincoli fisici. Hanno scoperto che il loro sistema ha sviluppato alcune caratteristiche chiave e tattiche simili a quelle trovate nel cervello umano.

Invece di veri neuroni, il sistema utilizzava nodi computazionali. Neuroni e nodi hanno una funzione simile, in quanto ciascuno prende un input, lo trasforma e produce un output, e un singolo nodo o neurone potrebbe connettersi a molti altri, tutti immettendo informazioni da elaborare.

Nel loro sistema, tuttavia, i ricercatori hanno applicato un vincolo “fisico” al sistema. A ogni nodo è stata assegnata una posizione specifica in uno spazio virtuale e più i due nodi erano lontani, più difficile era per loro comunicare. Questo è simile a come sono organizzati i neuroni nel cervello umano.

I ricercatori hanno assegnato al sistema un compito semplice da completare: in questo caso una versione semplificata di un compito di navigazione nel labirinto tipicamente assegnato ad animali come ratti e macachi quando studiano il cervello, in cui deve combinare più informazioni per decidere percorso più breve per arrivare al punto finale.

Uno dei motivi per cui il team ha scelto questa particolare attività è perché per completarla, il sistema deve mantenere una serie di elementi – posizione iniziale, posizione finale e passaggi intermedi – e una volta che ha imparato a svolgere l’attività in modo affidabile, è possibile osservare, in momenti diversi di una prova, quali nodi siano importanti. Ad esempio, un particolare gruppo di nodi può codificare le posizioni di arrivo, mentre altri codificano i percorsi disponibili, ed è possibile tenere traccia di quali nodi sono attivi nelle diverse fasi dell’attività.

Inizialmente, il sistema non sa come completare l’attività e commette errori. Ma quando gli viene dato un feedback, impara gradualmente a migliorare nel compito. Impara modificando la forza delle connessioni tra i suoi nodi, in modo simile a come cambia la forza delle connessioni tra le cellule cerebrali mentre apprendiamo. Il sistema ripete quindi l’attività più e più volte, finché alla fine non impara a eseguirla correttamente.

Con il loro sistema, tuttavia, il vincolo fisico significava che quanto più lontani erano i due nodi, tanto più difficile era costruire una connessione tra i due nodi in risposta al feedback. Nel cervello umano, le connessioni che coprono una grande distanza fisica sono costose da formare e mantenere.

Quando al sistema è stato chiesto di eseguire il compito rispettando questi vincoli, ha utilizzato alcuni degli stessi trucchi utilizzati dai veri cervelli umani per risolvere il compito. Ad esempio, per aggirare i vincoli, i sistemi artificiali hanno iniziato a sviluppare hub, nodi altamente connessi che fungono da condotti per il passaggio delle informazioni attraverso la rete.

Ancora più sorprendente, tuttavia, è stato il fatto che i profili di risposta dei singoli nodi stessi hanno iniziato a cambiare: in altre parole, invece di avere un sistema in cui ciascun nodo codifica per una particolare proprietà del compito del labirinto, come la posizione dell’obiettivo o la scelta successiva, i nodi sviluppato a schema di codifica flessibile. Ciò significa che in momenti diversi nel tempo i nodi potrebbero attivarsi per un mix delle proprietà del labirinto. Ad esempio, lo stesso nodo potrebbe essere in grado di codificare più posizioni di un labirinto, anziché aver bisogno di nodi specializzati per codificare posizioni specifiche. Questa è un’altra caratteristica osservata nel cervello degli organismi complessi.

Il coautore, il professor Duncan Astle, del Dipartimento di Psichiatria di Cambridge, ha dichiarato: “Questo semplice vincolo – è più difficile collegare nodi distanti tra loro – costringe i sistemi artificiali a produrre alcune caratteristiche piuttosto complicate. È interessante notare che sono caratteristiche condivise dai sistemi biologici”. sistemi come il cervello umano. Penso che questo ci dica qualcosa di fondamentale sul perché il nostro cervello è organizzato in un certo modo.”

Comprendere il cervello umano

Il team spera che il loro sistema di intelligenza artificiale possa iniziare a far luce su come questi vincoli modellano le differenze tra i cervelli delle persone e contribuiscono alle differenze osservate in coloro che hanno difficoltà cognitive o di salute mentale.

Il coautore, il professor John Duncan dell’MRC CBSU, ha dichiarato: “Questi cervelli artificiali ci danno un modo per comprendere i dati ricchi e sconcertanti che vediamo quando l’attività dei neuroni reali viene registrata in cervelli reali”.

Achterberg ha aggiunto: “I ‘cervelli’ artificiali ci permettono di porre domande che sarebbe impossibile esaminare in un sistema biologico reale. Possiamo addestrare il sistema a svolgere compiti e poi giocare sperimentalmente con i vincoli che imponiamo, per vedere se è in grado di farlo”. comincia ad assomigliare sempre di più al cervello di particolari individui.”

Implicazioni per la progettazione di futuri sistemi di intelligenza artificiale

È probabile che i risultati interessino anche la comunità dell’intelligenza artificiale, poiché potrebbero consentire lo sviluppo di sistemi più efficienti, in particolare in situazioni in cui è probabile che vi siano vincoli fisici.

Il dottor Akarca ha affermato: “I ricercatori dell’intelligenza artificiale cercano costantemente di capire come creare sistemi neurali complessi in grado di codificare ed eseguire in modo flessibile ed efficiente. Per raggiungere questo obiettivo, riteniamo che la neurobiologia ci darà molta ispirazione. Per Ad esempio, il costo complessivo del cablaggio del sistema che abbiamo creato è molto inferiore a quello che si troverebbe in un tipico sistema di intelligenza artificiale.”

Molte moderne soluzioni di intelligenza artificiale implicano l’utilizzo di architetture che assomigliano solo superficialmente a un cervello. I ricercatori affermano che i loro lavori mostrano che il tipo di problema che l’intelligenza artificiale sta risolvendo influenzerà quale architettura sarà la più potente da utilizzare.

Achterberg ha affermato: “Se si vuole costruire un sistema artificialmente intelligente che risolva problemi simili a quelli umani, alla fine il sistema finirà per sembrare molto più vicino a un cervello reale rispetto ai sistemi che funzionano su grandi cluster di computer specializzati in compiti molto diversi da quelli portato avanti dagli esseri umani. L’architettura e la struttura che vediamo nel nostro “cervello” artificiale sono lì perché sono utili per gestire le specifiche sfide cerebrali che deve affrontare”.

Ciò significa che i robot che devono elaborare una grande quantità di informazioni in costante cambiamento con risorse energetiche finite potrebbero trarre vantaggio dall’avere strutture cerebrali non dissimili dalle nostre.

Achterberg ha aggiunto: “I cervelli dei robot utilizzati nel mondo fisico reale probabilmente assomiglieranno di più al nostro cervello perché potrebbero affrontare le nostre stesse sfide. Hanno bisogno di elaborare costantemente nuove informazioni che arrivano attraverso i loro sensori mentre controllano i loro corpi”. muoversi nello spazio verso un obiettivo. Molti sistemi avranno bisogno di eseguire tutti i loro calcoli con una fornitura limitata di energia elettrica e quindi, per bilanciare questi vincoli energetici con la quantità di informazioni che devono elaborare, probabilmente avranno bisogno di una struttura cerebrale simile ai nostri.”

La ricerca è stata finanziata dal Medical Research Council, Gates Cambridge, dalla James S McDonnell Foundation, dalla Templeton World Charity Foundation e da Google DeepMind.