Wetenschappers zeggen dat de menselijke geest superieur en efficiënter is dan kunstmatige intelligentie

• Wetenschappers zeggen dat de hersenen een heel andere leermethode gebruiken dan kunstmatige intelligentie
• Deze methode is efficiënter en kan momenteel niet op computers worden gerepliceerd

Van 'The Terminator' tot 'I, Robot': moordende robots zijn al jaren een belangrijk onderdeel van sciencefictionfilms.

Maar de nachtmerries van kunstmatige intelligentie die de mensheid overneemt, kunnen volgens wetenschappers verder weg zijn dan we dachten.

Nieuw onderzoek van de Universiteit van Oxford suggereert dat het menselijk brein informatie op een radicaal andere en efficiëntere manier leert dan machines.

Hierdoor kan een mens iets leren nadat hij het één keer heeft gezien, terwijl AI honderden keren moet worden getraind op dezelfde informatie.

In tegenstelling tot kunstmatige intelligentie kunnen mensen ook nieuwe informatie leren zonder dat dit de kennis die we al hebben verstoort.

Een van de basisprocessen van leren is wat ‘toe-eigening’ wordt genoemd.

Wanneer we een fout maken, probeert de dependency mapping te achterhalen waar in het informatieverwerkingstraject de fout optreedt.

De meeste moderne AI-systemen bestaan ​​uit kunstmatige neurale netwerken, dit zijn lagen van ‘knooppunten’ of neuronen die lijken op wat je in de hersenen aantreft.

Wanneer de AI een fout maakt, past hij de verbindingen tussen deze neuronen aan, ook wel ‘tuning-gewichten’ genoemd, om zijn besluitvormingsprocessen aan te passen totdat hij het juiste antwoord krijgt.

Dit proces wordt terugpropagatie genoemd omdat fouten zich achterwaarts voortplanten via het neurale netwerk van AI.

Tot voor kort geloofden veel onderzoekers ook dat biologische neurale netwerken, zoals het menselijk brein, op deze manier leren van nieuwe ervaringen.

In hun artikel, gepubliceerd in Nature Neuroscience, schrijven de auteurs: “Backpropagation, als een eenvoudige en krachtige theorie over krediettoewijzing, heeft sinds het begin bijgedragen aan opmerkelijke vooruitgang op het gebied van kunstmatige intelligentie en heeft een prominente plaats gekregen in het begrijpen van leren in de hersenen.”

Ze wijzen er echter ook op dat de hersenen op een aantal belangrijke manieren beter presteren dan AI door middel van achterwaartse voortplanting.

Hoewel AI beter kan presteren dan mensen bij taken van creatief denken tot het aannemen van werknemers, duurt het lang voordat AI dit leert.

Mensen kunnen leren van een enkel voorbeeld van een nieuwe ervaring, terwijl AI honderden, zo niet duizenden keren aan voorbeelden moet worden blootgesteld.

Het allerbelangrijkste is dat wanneer mensen iets nieuws leren, dit niet in strijd is met wat we al weten, terwijl dit wel het geval is voor AI.

Geconfronteerd met dit bewijsmateriaal keken de onderzoekers naar reeksen vergelijkingen die beschrijven hoe het gedrag van neuronen in de hersenen verandert.

Toen ze deze informatieverwerkingsmethoden simuleerden, ontdekten ze dat dit een heel andere manier was om backpropagation te leren, die ze potentiële formatie noemen.

In tegenstelling tot AI, die eerst de verbindingen tussen neuronen aanpast, verandert de activiteit van de neuronen zodat ze de uitkomst beter kunnen voorspellen, en vervolgens worden de gewichten aangepast om bij dit nieuwe patroon te passen.

Hoewel dit misschien geen significant verschil lijkt, kunnen de effecten zeer aanzienlijk zijn.

Onderzoekers beschreven bijvoorbeeld een beer die gaat vissen.

Wanneer een beer een rivier ziet, genereert zijn geest voorspellingen dat hij het water zal horen en de zalm zal ruiken.

Als alles goed gaat, kan de beer concluderen dat hij zalm in de rivier moet kunnen ruiken als hij die ziet, en dus moet weten waar hij moet vissen.

Maar op een dag komt de beer vis vangen en snijdt zijn oor af zodat hij de rivier helemaal niet kan horen.

Als de beer een AI-achtige leermethode zou gebruiken, zou backpropagation deze fout (het gebrek aan gehoor) veroorzaken om het verband tussen het zicht van de rivier en zijn gehoor te verkleinen.

Maar dit zou ook het gewicht tussen het zien van de rivier en het ruiken van de vis verminderen.

De beer zal dan niet kunnen voorspellen dat hij vis kan ruiken als hij de rivier bereikt, en zal daarom concluderen dat er geen zalm in de rivier zit.

Maar dit is duidelijk niet hoe biologische organismen werken.

Aan de andere kant zullen voorspelbare configuratiemethoden ervoor zorgen dat een verandering in gehoorinformatie geen invloed heeft op de rest van de kennis van de beer.

Maar hoewel potentiële vorming een efficiëntere manier is om te leren, zeggen wetenschappers dat de huidige computers dit soort systemen niet kunnen gebruiken.

“Het simuleren van de potentiële configuratie op bestaande computers gaat langzaam, omdat ze op radicaal andere manieren werken dan een biologisch brein”, zegt de eerste auteur van het onderzoek, dr. Yuhang Song.

Dr. Song zegt echter dat er potentieel is om nieuwe computers te ontwikkelen die deze methode kunnen gebruiken.

“Er moet een nieuw type computer of aangepast apparaat worden ontwikkeld, geïnspireerd door de hersenen, dat in staat zal zijn de potentiële configuratie snel en met weinig energie te implementeren”, voegt hij eraan toe.

Hoofdonderzoeker prof.dr. Rafal Bojacs wijst er bovendien op dat er momenteel een grote kenniskloof bestaat tussen deze theorie en de werkelijkheid.

“Er gaapt momenteel een grote kloof tussen abstracte modellen die potentiële vorming uitvoeren, en onze gedetailleerde kennis van de anatomie van hersennetwerken”, zegt professor Bujacz.

Hij zegt dat toekomstig onderzoek erop gericht zal zijn de kloof tussen algoritmen en echte hersenen te overbruggen.