De siste tiårene har kunstig intelligens prestert godt på mange områder innen vitenskap og teknologi.
Nevrale nettverk, enten det er ekte ellerkunstig, lær ved å justere forbindelser mellom nevroner. Ved å gjøre dem sterkere eller svakere, blir noen nevroner mer aktive, noen mindre aktive, inntil et bestemt aktivitetsmønster oppstår. Vi kaller dette mønsteret "minne". AI-strategien er å bruke komplekse og lange algoritmer som iterativt finjusterer og optimerer forbindelsene mellom nevroner. Hjernen gjør dette mye enklere: hver forbindelse mellom nevroner endres bare avhengig av hvor aktive de to nevronene er samtidig. Det har lenge vært antatt at det gir mindre minnelagring sammenlignet med en AI-algoritme.
Ny forskning viser et annet bilde:Når en relativt enkel strategi som brukes av hjernen for å endre nevrale forbindelser kombineres med biologisk plausible mønstre av individuelle nevronresponser, fungerer strategien like godt eller bedre enn AI-algoritmer.
Grunnen til dette paradokset er innledningenfeil: Når minnet er effektivt hentet, kan det være identisk med eller korrelert med den opprinnelige inngangen som skal huskes. Hjernens strategi resulterer i å hente minner som ikke er identiske med de opprinnelige inngangene, og undertrykke aktiviteten til de nevronene som knapt er aktive i hvert mønster. Disse stillede nevronene spiller egentlig ikke en avgjørende rolle for å skille mellom forskjellige minner lagret i samme nettverk. Ved å ignorere dem, fokuseres nevrale ressurser på de nevronene som er relevante for input som må huskes og gir høyere gjennomstrømning.
Samlet sett fremhever denne studien hvordanbiologisk plausible selvorganiserende læringsprosedyrer kan være like effektive som langsomme og usannsynlige læringsalgoritmer.
Se også:
Abort og vitenskap: hva vil skje med barna som skal føde
Jorden vil nå kritisk temperatur om 20 år
I rommet fant de gravitasjonsbølger som endrer rom og tid. Hva betyr det?