Nonostante i loro nomi, tecnologie di intelligenza artificiale e i loro sistemi componenti, come le reti neurali artificiali, non hanno molto a che fare con la vera scienza del cervello. Sono un professore di bioingegneria e neuroscienze interessato a capire come funziona il cervello come un sistema e come possiamo usare quella conoscenza per progettare e progettare nuovi modelli di apprendimento automatico.

Negli ultimi decenni, i ricercatori sul cervello hanno imparato molto sulle connessioni fisiche nel cervello e su come il sistema nervoso instrada le informazioni e le elabora. Ma c'è ancora molto da scoprire.

Allo stesso tempo, algoritmi informatici, i progressi di software e hardware hanno portato l'apprendimento automatico a livelli di successo prima inimmaginabili. Io e altri ricercatori del settore, tra cui alcuni dei suoi leader, hanno la crescente sensazione che scoprire di più su come il cervello elabora le informazioni potrebbe aiutare i programmatori a tradurre i concetti di pensiero dal mondo umido e molle della biologia in forme completamente nuove di apprendimento automatico nel mondo digitale.

Il cervello non è una macchina

Il "machine learning" è una parte delle tecnologie spesso etichettate come "intelligenza artificiale". I sistemi di apprendimento automatico sono migliori degli umani nel trovare modelli complessi e sottili in set di dati molto grandi.

Questi sistemi sembrano essere ovunque:nelle auto a guida autonoma, software di riconoscimento facciale, rilevamento di frodi finanziarie, robotica, aiutando con diagnosi mediche e altrove. Ma sotto il cofano, sono tutte davvero solo variazioni su un singolo algoritmo basato su statistiche.

Reti neurali artificiali, l'approccio mainstream più comune all'apprendimento automatico, sono reti altamente interconnesse di processori digitali che accettano input, elaborare misurazioni su tali input e generare output. Devono imparare quali output dovrebbero derivare da vari input, finché non sviluppano la capacità di rispondere a modelli simili in modi simili.

Se vuoi che un sistema di apprendimento automatico visualizzi il testo "Questa è una mucca" quando viene mostrata una foto di una mucca, dovrai prima dargli un numero enorme di foto diverse di vari tipi di mucche da tutte le diverse angolazioni in modo che possa regolare le sue connessioni interne per rispondere "Questa è una mucca" a ciascuna di esse. Se mostri a questo sistema una foto di un gatto, saprà solo che non è una mucca e non sarà in grado di dire cosa sia realmente.

Ma non è così che impara il cervello, né come gestisce le informazioni per dare un senso al mondo. Piuttosto, il cervello riceve una quantità molto piccola di dati di input, come una fotografia di una mucca e un disegno di una mucca. Molto velocemente, e dopo pochissimi esempi, anche un bambino potrà cogliere l'idea di come sia fatta una mucca e sarà in grado di identificarne una in nuove immagini, da diverse angolazioni e in diversi colori.

Ma una macchina non è un cervello, o

Poiché il cervello e i sistemi di apprendimento automatico utilizzano algoritmi fondamentalmente diversi, ognuno eccelle in modi in cui l'altro fallisce miseramente. Ad esempio, il cervello può elaborare le informazioni in modo efficiente anche quando c'è rumore e incertezza nell'input o in condizioni che cambiano in modo imprevedibile.

Potresti guardare una foto sgranata su carta strappata e stropicciata, raffigurante un tipo di mucca che non avevi mai visto prima, e penso ancora "questa è una mucca". Allo stesso modo, guardi regolarmente informazioni parziali su una situazione e fai previsioni e decisioni in base a ciò che sai, nonostante tutto ciò che non lo fai.

Altrettanto importante è la capacità del cervello di riprendersi dai problemi fisici, riconfigurando le sue connessioni per adattarsi dopo un infortunio o un ictus. Il cervello è così impressionante che i pazienti con gravi condizioni mediche possono rimuovere fino a metà del loro cervello e recuperare la normale funzione cognitiva e fisica. Ora immagina come funzionerebbe un computer con metà dei suoi circuiti rimossi.

Altrettanto impressionante è la capacità del cervello di fare inferenze ed estrapolazioni, le chiavi della creatività e dell'immaginazione. Considera l'idea di una mucca che lancia hamburger su Giove che allo stesso tempo sta risolvendo i problemi di gravità quantistica nella sua testa. Nessuno di noi ha esperienza di niente del genere, ma posso inventarlo e comunicartelo in modo efficiente, grazie al nostro cervello

Forse la cosa più sorprendente, anche se, il cervello fa tutto questo con all'incirca la stessa quantità di energia necessaria per far funzionare una lampadina fioca.

Combinare neuroscienze e machine learning

Oltre a scoprire come funziona il cervello, non è affatto chiaro quali processi cerebrali potrebbero funzionare bene come algoritmi di apprendimento automatico, o come fare quella traduzione. Un modo per selezionare tutte le possibilità è concentrarsi su idee che promuovono due sforzi di ricerca contemporaneamente, sia migliorando l'apprendimento automatico che identificando nuove aree delle neuroscienze. Le lezioni possono andare in entrambe le direzioni, dalla scienza del cervello all'intelligenza artificiale e ritorno, con la ricerca sull'intelligenza artificiale che evidenzia nuove domande per i neuroscienziati biologici.

Per esempio, nel mio laboratorio, abbiamo sviluppato un modo per pensare a come i singoli neuroni contribuiscono alla loro rete complessiva. Ogni neurone scambia informazioni solo con gli altri neuroni specifici a cui è connesso. Non ha un concetto generale di cosa stiano facendo il resto dei neuroni, o quali segnali stanno inviando o ricevendo. Questo è vero per ogni neurone, non importa quanto sia ampia la rete, così le interazioni locali influenzano collettivamente l'attività dell'insieme.

Si scopre che la matematica che descrive questi strati di interazione è ugualmente applicabile alle reti neurali artificiali e alle reti neurali biologiche nei cervelli reali. Di conseguenza, stiamo sviluppando una forma fondamentalmente nuova di apprendimento automatico che può apprendere al volo senza una formazione avanzata che sembra essere altamente adattabile ed efficiente nell'apprendimento.

Inoltre, abbiamo usato quelle idee e la matematica per esplorare il motivo per cui le forme dei neuroni biologici sono così contorte e contorte. Abbiamo scoperto che possono sviluppare quelle forme per massimizzare la loro efficienza nel trasmettere messaggi, seguendo le stesse regole di calcolo che usiamo per costruire il nostro sistema di apprendimento artificiale. Non è stata una scoperta casuale che abbiamo fatto sulla neurobiologia:abbiamo cercato questa relazione perché ce lo diceva la matematica.

Adottare un approccio simile può anche informare la ricerca su cosa succede quando il cervello cade preda di disturbi neurologici e del neurosviluppo. Concentrarsi sui principi e sulla matematica condivisi dall'IA e dalle neuroscienze può aiutare a far progredire la ricerca in entrambi i campi, raggiungere nuovi livelli di abilità per i computer e la comprensione dei cervelli naturali.

Questo articolo è stato ripubblicato da The Conversation con una licenza Creative Commons. Leggi l'articolo originale.