Převratný objev: Mozek se učí s přesností AI, neurony dostávají individuální „učební signály“

Když se učíme novou dovednost, mozek musí buňku po buňce rozhodnout, co je třeba změnit. Nový výzkum z Massachusetts Institute of Technology (MIT) naznačuje, že to dokáže s překvapivou přesností, posíláním cílené zpětné vazby jednotlivým neuronům, aby každý z nich mohl upravit…

Když se učíme novou dovednost, mozek musí buňku po buňce rozhodnout, co je třeba změnit. Nový výzkum z Massachusetts Institute of Technology (MIT) naznačuje, že to dokáže s překvapivou přesností, posíláním cílené zpětné vazby jednotlivým neuronům, aby každý z nich mohl upravit svou aktivitu správným směrem.

Toto zjištění odráží klíčovou myšlenku moderní umělé inteligence. Mnoho systémů umělé inteligence se učí porovnáváním svého výstupu s cílem, výpočtem „chybového“ signálu a jeho použitím k jemnému doladění spojení v síti. Dlouholetou otázkou bylo, zda mozek také využívá tento druh individualizované zpětné vazby. Ve studii s otevřeným přístupem publikované v časopise Nature vědci z MIT uvádějí důkazy, že tomu tak skutečně je.

Výzkumný tým vedený Markem Harnettem, investigátorem McGovern Institute for Brain Research a docentem na Katedře mozkových a kognitivních věd na MIT, objevil tyto instruktivní signály u myší. Zvířata byla trénována k ovládání aktivity specifických neuronů pomocí rozhraní mozek-počítač (BCI). Vědci uvádějí, že jejich přístup lze využít k dalšímu studiu vztahů mezi umělými neuronovými sítěmi a skutečnými mozky, což by mělo zlepšit pochopení biologického učení a umožnit vývoj lepší umělé inteligence inspirované mozkem.

Naše mozky se neustále mění, jak interagujeme se světem, modifikují své obvody, když se učíme a adaptujeme. Mark Harnett vysvětluje, že ačkoliv víme mnoho o způsobech, jak měnit sílu spojení mezi neurony, chybí nám pochopení, jak jsou tyto změny řízeny k efektivnímu učení. Některé akce jsou posilovány uvolňováním neuromodulátorů, jako je dopamin, ale tyto signály jsou vysílány velkým skupinám neuronů bez rozlišení individuálních příspěvků buněk k úspěchu či neúspěchu. Tento typ učení je neefektivní, protože všechny neurony a synapsy dostávají v podstatě jen jeden signál.

Strojové učení používá alternativní a mimořádně silný způsob, jak se učit z chyb. Pomocí metody zvané zpětná propagace (backpropagation) umělé neuronové sítě vypočítávají chybový signál a používají ho k úpravě svých individuálních spojení. Dělají to znovu a znovu, učí se ze zkušeností, jak jemně doladit své sítě k úspěchu. Vědci předpokládali, že mozky by mohly používat podobné chybové signály pro učení, ale byli skeptičtí ohledně přesnosti, s jakou by mozky mohly posílat cílené signály jednotlivým neuronům.

Hlavním problémem bylo, jak najít signály, které poskytují personalizované instrukce neuronům, nazývané vektorizované instruktivní signály. Valerio Francioni, první autor studie, vysvětluje, že vědci nevědí, jak jednotlivé neurony přispívají ke konkrétnímu chování. Bez znalosti toho, které neurony je třeba aktivovat a které potlačit, je nemožné hledat signály řídící tyto změny.