Νέα μελέτη αποκαλύπτει ότι ο εγκέφαλός μας μπορεί να αξιοποιήσει μια διαδικασία που μοιάζει με «αυτό-εποπτευόμενη μάθηση» για να κατανοήσει τον κόσμο.
Η αυτο-εποπτευόμενη μάθηση είναι ένας κλάδος της μηχανικής μάθησης και αποτελεί ενδιάμεση μορφή μεταξύ της επιβλεπόμενης και της μη επιβλεπόμενης μάθησης. Είναι είδος αυτόνομης μάθησης με χρήση τεχνητών νευρωνικών δικτύων που δεν απαιτεί δειγματοληπτικά δεδομένα ταξινομημένα εκ των προτέρων από ανθρώπους. Ένα χαρακτηριστικό παράδειγμα είναι η αυτόματη αναγνώριση ομιλίας από το Facebook.
Οι επιστήμονες στην διάρκεια της εκπαίδευσης νευρωνικών δικτύων, χρησιμοποιώντας αυτήν την τεχνική μηχανικής μάθησης, παρατήρησαν μοτίβα που θυμίζουν εκείνα στον εγκέφαλο θηλαστικών. Τέτοια μοντέλα πιστεύεται ότι προσφέρουν πληροφορίες για τη στρατηγική του εγκεφάλου των θηλαστικών να σχηματίσει αναπαραστάσεις του φυσικού κόσμου.
Αυτή η ανακάλυψη υποδηλώνει ότι η τεχνητή νοημοσύνη θα μπορούσε να προσφέρει μια βαθύτερη κατανόηση των εσωτερικών λειτουργιών του ανθρώπινου εγκεφάλου.
Τα ευρήματα της μελέτης
Για να κινηθούμε και να ζήσουμε στον κόσμο, ο εγκέφαλός μας πρέπει να αναπτύξει μια διαισθητική κατανόηση του φυσικού κόσμου γύρω μας. Στη συνέχεια χρησιμοποιούμε αυτή την κατανόηση για να ερμηνεύσουμε τις αισθητηριακές πληροφορίες που έρχονται στον εγκέφαλο.
Πώς αναπτύσσει ο εγκέφαλος αυτή τη διαισθητική κατανόηση; Πολλοί επιστήμονες πιστεύουν ότι μπορεί να χρησιμοποιήσει μια διαδικασία παρόμοια με αυτή που είναι γνωστή ως «αυτό-εποπτευόμενη μάθηση». Αυτός ο τύπος μηχανικής μάθησης, που αρχικά αναπτύχθηκε ως τρόπος δημιουργίας πιο αποτελεσματικών μοντέλων υπολογιστή, επιτρέπει στα υπολογιστικά μοντέλα να μαθαίνουν για οπτικές σκηνές βασισμένες αποκλειστικά στις ομοιότητες και τις διαφορές μεταξύ τους, χωρίς ετικέτες ή άλλες πληροφορίες.
Μελέτες από ερευνητές στο K. Lisa Yang Integrative Computational Neuroscience (ICoN) Center του Πανεπιστημίου MIT προσφέρει νέα στοιχεία που υποστηρίζουν αυτήν την θεωρία.
Οι ερευνητές διαπίστωσαν ότι όταν εκπαίδευσαν μοντέλα, γνωστά ως νευρωνικά δίκτυα, χρησιμοποιώντας έναν συγκεκριμένο τύπο αυτό-εποπτευόμενης μάθησης, τα μοντέλα που προέκυψαν παρήγαγαν μοτίβα δραστηριότητας παρόμοια με αυτά που παρατηρήθηκαν στον εγκέφαλο ζώων που εκτελούσαν τις ίδιες εργασίες με τα μοντέλα.
Τα ευρήματα δείχνουν ότι αυτά τα μοντέλα είναι σε θέση να μάθουν αναπαραστάσεις του φυσικού κόσμου, τις οποίες μπορούν να χρησιμοποιήσουν για να κάνουν ακριβείς προβλέψεις σχετικά με το τι θα συμβεί σε αυτόν τον κόσμο. Επιπλέον φαίνεται ότι ο εγκέφαλος των θηλαστικών μπορεί να χρησιμοποιεί την ίδια στρατηγική, λένε οι ερευνητές.
«Το θέμα της δουλειάς μας είναι ότι η τεχνητή νοημοσύνη που έχει σχεδιαστεί για να βοηθήσει στη δημιουργία καλύτερων ρομπότ καταλήγει επίσης να είναι ένα πλαίσιο για την καλύτερη κατανόηση του εγκεφάλου γενικότερα», λέει ο Aran Nayebi, μεταδιδακτορικός φοιτητής του ΜΙΤ. Και συνεχίζει: «Δεν μπορούμε να πούμε ακόμη αν αφορά ολόκληρο τον εγκέφαλο. Αλλά σε κλίμακες και σε διαφορετικές περιοχές του εγκεφάλου, τα αποτελέσματά μας φαίνεται να υποδηλώνουν μια αρχή οργάνωσης».
Τι είναι η αυτο-εποπτευόμενη μάθηση
Τα πρώτα μοντέλα μηχανικής όρασης βασίζονταν κυρίως στην εποπτευόμενη μάθηση. Χρησιμοποιώντας αυτήν την προσέγγιση, τα μοντέλα εκπαιδεύονται να ταξινομούν εικόνες που φέρουν το καθένα ένα όνομα — γάτα, αυτοκίνητο κ.λπ. Τα μοντέλα που προκύπτουν λειτουργούν καλά. Ωστόσο αυτός ο τύπος εκπαίδευσης απαιτεί πολλά δεδομένα που έχει βάλει ετικέτες οι άνθρωποι.
Για να δημιουργήσουν μια πιο αποτελεσματική εναλλακτική λύση, τα τελευταία χρόνια οι ερευνητές έχουν στραφεί σε μοντέλα που χτίστηκαν μέσω μιας τεχνικής γνωστής ως αυτό-εποπτευόμενη μάθησης. Αυτός ο τύπος μάθησης επιτρέπει σε έναν αλγόριθμο να μάθει να ταξινομεί αντικείμενα με βάση το πόσο όμοια είναι μεταξύ τους, χωρίς να παρέχονται εξωτερικές ετικέτες.
«Αυτή είναι μια πολύ ισχυρή μέθοδος γιατί τώρα μπορείτε να αξιοποιήσετε πολύ μεγάλα σύγχρονα σύνολα δεδομένων, ειδικά βίντεο, και πραγματικά να ξεκλειδώσετε τις δυνατότητές τους», λέει ο Nayebi.
«Πολλά από τη σύγχρονη τεχνητή νοημοσύνη που βλέπετε τώρα, ειδικά τα τελευταία δύο χρόνια με το ChatGPT και το GPT-4, είναι αποτέλεσμα της εκπαίδευσης μιας αυτοεπιβλεπόμενης αντικειμενικής συνάρτησης σε ένα σύνολο δεδομένων μεγάλης κλίμακας για να αποκτήσετε μια πολύ ευέλικτη αναπαράσταση», τονίσει ο Nayebi.
Αυτοί οι τύποι μοντέλων, που ονομάζονται επίσης νευρωνικά δίκτυα, αποτελούνται από χιλιάδες ή εκατομμύρια μονάδες επεξεργασίας συνδεδεμένες μεταξύ τους. Κάθε κόμβος έχει συνδέσεις ποικίλης ισχύος με άλλους κόμβους του δικτύου. Καθώς το δίκτυο αναλύει τεράστιες ποσότητες δεδομένων, τα δυνατά σημεία αυτών των συνδέσεων αλλάζουν καθώς το δίκτυο μαθαίνει να εκτελεί την επιθυμητή εργασία.
Καθώς το μοντέλο εκτελεί μια συγκεκριμένη εργασία, μπορούν να μετρηθούν τα πρότυπα δραστηριότητας διαφορετικών μονάδων εντός του δικτύου. Η δραστηριότητα κάθε μονάδας μπορεί να αναπαρασταθεί ως μοτίβο πυροδότησης, παρόμοια με τα μοτίβα πυροδότησης των νευρώνων στον εγκέφαλο.
Προηγούμενη εργασία από τον Nayebi και άλλους επιστήμονες έχει δείξει ότι τα αυτό-επιβλεπόμενα μοντέλα μηχανικής όρασης παράγουν δραστηριότητα παρόμοια με αυτή που παρατηρείται στο σύστημα οπτικής επεξεργασίας του εγκεφάλου των θηλαστικών.
Και στις δύο νέες μελέτες NeurIPS, οι ερευνητές ξεκίνησαν να διερευνήσουν εάν τα αυτό-εποπτευόμενα υπολογιστικά μοντέλα άλλων γνωστικών λειτουργιών μπορεί επίσης να παρουσιάζουν ομοιότητες με τον εγκέφαλο των θηλαστικών.
Το πείραμα με την μπάλα
Οι ερευνητές εκπαίδευσαν αυτό-εποπτευόμενα μοντέλα για να προβλέψουν τη μελλοντική κατάσταση του περιβάλλοντός τους σε εκατοντάδες χιλιάδες νατουραλιστικά βίντεο που απεικονίζουν καθημερινά σενάρια.
«Για την τελευταία δεκαετία περίπου, η κυρίαρχη μέθοδος για τη δημιουργία μοντέλων νευρωνικών δικτύων στη γνωστική νευροεπιστήμη είναι η εκπαίδευση αυτών των δικτύων σε μεμονωμένες γνωστικές εργασίες. Αλλά τα μοντέλα που εκπαιδεύονται με αυτόν τον τρόπο σπάνια γενικεύονται σε άλλες εργασίες», λέει ο Robert Yang, επίκουρος καθηγητής Γνωστικών Επιστημών.
«Εδώ δοκιμάζουμε αν μπορούμε να δημιουργήσουμε μοντέλα για κάποια πτυχή της γνώσης, πρώτα εκπαιδεύοντας σε νατουραλιστικά δεδομένα χρησιμοποιώντας αυτό-εποπτευόμενη μάθηση και μετά αξιολογώντας σε εργαστηριακές ρυθμίσεις», τονίζει ο Robert Yang.
Μόλις το μοντέλο εκπαιδεύτηκε, οι ερευνητές το έβαλαν σε μια εργασία που ονομάζουν «Mental-Pong». Αυτό είναι παρόμοιο με το βιντεοπαιχνίδι Pong, όπου ένας παίκτης κινεί μία ρακέτα για να χτυπήσει μια μπάλα που ταξιδεύει στην οθόνη. Στην έκδοση Mental-Pong, η μπάλα εξαφανίζεται λίγο πριν χτυπήσει την ρακέτα, οπότε ο παίκτης πρέπει να εκτιμήσει την τροχιά της για να χτυπήσει την μπάλα.
Οι ερευνητές διαπίστωσαν ότι το μοντέλο ήταν σε θέση να παρακολουθεί την τροχιά της κρυφής μπάλας με ακρίβεια παρόμοια με αυτή των νευρώνων στον εγκέφαλο των θηλαστικών. Σε προηγούμενη μελέτη είχε αποδειχθεί ότι ο εγκέφαλος των θηλαστικών μπορεί να παρακολουθεί με ακρίβεια την τροχιά σε ένα γνωστικό φαινόμενο γνωστό ως «διανοητική προσομοίωση».
Επιπλέον, τα μοτίβα νευρικής ενεργοποίησης που παρατηρήθηκαν μέσα στο μοντέλο ήταν παρόμοια με αυτά που παρατηρήθηκαν στον εγκέφαλο των ζώων καθώς έπαιζαν το παιχνίδι. Συγκεκριμένα αφορούσαν σε ένα τμήμα του εγκεφάλου που ονομάζεται ραχιαίο μετωπιαίο φλοιό. Καμία άλλη κατηγορία υπολογιστικού μοντέλου δεν μπόρεσε να ταιριάξει τα βιολογικά δεδομένα τόσο σωστά όσο αυτή, λένε οι ερευνητές.