Iako najsavremeniji modeli umjetne inteligencije danas mogu postići, pa čak i nadmašiti ljudske performanse u pojedinačnim zadacima, i dalje se suočavaju s ozbiljnim ograničenjima kada je riječ o učenju i obavljanju većeg broja različitih zadataka.
Za razliku od ljudskog mozga, AI sistemi teško prenose znanje između različitih konteksta i često „zaboravljaju“ ranije naučeno. Na to ukazuju i nova istraživanja Princetonskog instituta za neuroznanost, objavljena u uglednom naučnom časopisu Nature.
Istraživači su otkrili da je ključ fleksibilnosti ljudskog i životinjskog mozga u sposobnosti ponovne upotrebe osnovnih kognitivnih komponenti u različitim zadacima. Ove komponente, koje autori simbolično nazivaju „kognitivnim Lego kockicama“, omogućavaju mozgu da kombinovanjem postojećih elemenata brzo gradi nove obrasce ponašanja i prilagođava se promjenama u okruženju.
Eksperiment na makakijima
Do ovih zaključaka naučnici su došli kroz eksperimente na makakijima, koji su morali usmjeriti pogled ka određenoj meti u zavisnosti od pravila zadatka. Iako su se pravila mijenjala u jasno definisanim blokovima, životinje su nakon svega nekoliko pokušaja uspijevale prepoznati koja je kombinacija pravila trenutno „aktivna“ i u skladu sa tim prilagoditi svoje ponašanje.
Snimanja neuronske aktivnosti pokazala su da mozak koristi zajedničke, dijeljene „podprostore“ za ključne kognitivne komponente, poput kategorije boje, kategorije oblika i smjera motoričkog odgovora. Kada se zadatak promijeni, mozak najprije u zajedničkom senzornom podprostoru identifikuje relevantnu značajku, poput boje, a zatim je, u zavisnosti od internog „uvjerenja“ o tome koji je zadatak trenutno na snazi, preslikava u odgovarajući motorički podprostor.
Zašto je mozak fleksibilniji od AI sistema
Istraživači su uočili da interno vjerovanje o trenutnom zadatku pojačava relevantne informacije, dok istovremeno potiskuje nevažne. Ovakav mehanizam smanjuje interferenciju između različitih zadataka i omogućava kontinuirano učenje bez potrebe za „resetiranjem“ sistema.
Nasuprot tome, savremeni veliki neuronski modeli mogu dijeliti reprezentacije između zadataka, ali im nedostaje sposobnost dinamičkog upravljanja kognitivnim modulima i selektivnog jačanja bitnih dimenzija. Zbog toga često pate od takozvanog katastrofalnog zaborava, pri čemu učenje novih vještina narušava ili briše prethodno stečeno znanje.
Put ka robusnijoj umjetnoj inteligenciji
Autori studije smatraju da bi ugradnja principa koji se primjenjuju u biološkom mozgu – poput kompozicijskih podprostora, interne reprezentacije „vjerovanja o zadatku“ i aktivnog potiskivanja nebitnih informacija, mogla predstavljati ključni korak ka razvoju robusnije, fleksibilnije i ljudima slične umjetne inteligencije.
Ovi nalazi ne samo da produbljuju razumijevanje načina na koji mozak rješava kompleksne kognitivne izazove, već otvaraju i nove pravce u dizajnu budućih AI sistema, koji bi umjesto krutog učenja zadataka mogli učiti i razmišljati na znatno prirodniji način.