Исследователи из Грацского технического университета создали систему искусственного интеллекта, которая решает сложные задачи планирования, используя те же энергосберегающие стратегии, что и гиппокамп человека — потребляя лишь долю мощности обычных глубоких нейронных сетей.
Исследование
Вольфганг Маасс и Юкун Ян из Института машинного обучения и нейронных вычислений в сотрудничестве с международными партнёрами опирались на нейробиологические исследования гиппокампа, чтобы выявить три механизма мозга, достойных перевода в код:
- Когнитивные карты — мозг преобразует отношения между абстрактными объектами в геометрические отношения между нейронными кодами, создавая «чувство направления», подобное пространственной карте.
- Стохастические нейронные вычисления — мозг постоянно генерирует гипотетические сценарии и прогнозы, а не вычисляет все возможности исчерпывающе.
- Композиционное кодирование — информация и планы действий разбиваются на многоразовые компоненты, как кубики LEGO, которые можно пересобирать для новых задач.
Когда ИИ сталкивается с проблемой, он не вычисляет все возможные пути решения. Вместо этого, руководствуясь своей когнитивной картой, он генерирует случайный промежуточный шаг и проверяет, приближает ли этот шаг к цели. Если да, система следует по этому пути, затем повторяет процесс с новой позиции. Этот пошаговый подход постепенно приближается к решению без исчерпывающих вычислений.
Команда проверила архитектуру на трёх тестах: 2D-пространственная навигация, абстрактная многомерная ориентация и сборка-разборка силуэта из строительных блоков. Критически важно, что система адаптировалась к новым средам и структурным изменениям без переобучения или оптимизации параметров — способность, называемая zero-shot адаптивностью. Человеческий мозг работает на примерно 20 ваттах мощности, в то время как большие языковые модели могут требовать энергии в мегаваттном масштабе.
Почему это важно
Это исследование не о том, чтобы обыграть большие языковые модели в их собственной игре. Как говорит Маасс: «Мы всё ещё находимся на относительно ранней стадии разработки. Но наша работа показывает, что мощный ИИ не обязательно требует огромных дата-центров и огромного количества энергии». Последствия выходят за рамки эффективности ИИ. Модель предполагает, что способность мозга гибко планировать — без массивных вычислений — опирается на конкретные, идентифицируемые стратегии: геометрическое отображение абстрактных отношений, тестирование случайных промежуточных шагов вместо исчерпывающего поиска и повторное использование компонентов действий.
Для всех, кто интересуется собственным познанием, это исследование подчёркивает, что человеческое решение проблем удивительно эффективно. Ваш мозг не использует brute-force решения. Он использует пространственные метафоры для абстрактных проблем, выбирает возможности, а не перечисляет их, и рекомбинирует знакомые действия в новые планы. Это тренируемые навыки.
Что вы можете сделать
Попробуйте применить эти принципы к собственному мышлению. Сталкиваясь со сложной проблемой, набросайте примерную «карту» того, как ключевые элементы связаны друг с другом. Вместо планирования каждого шага выберите один правдоподобный начальный ход и оцените, приближает ли он вас к цели. Разбейте большие задачи на многоразовые компоненты, которые можно переставлять для будущих вызовов. Это отражает стратегию, вдохновлённую мозгом, и может помочь вам решать проблемы с меньшей умственной усталостью.
Источник: Neuroscience News
Любопытно о собственном мозге? Пройдите наш бесплатный адаптивный тест IQ или попробуйте 306 уровней тренировки мозга.