Сегодня мы все чаще слышим о тех или иных успехах различных систем искусственного интеллекта. И, несмотря на то, что развитые нейросети с каждым днем становятся все лучше и «умнее», до работы, подобной функционированию нашего мозга, им все еще очень далеко.

И дело тут даже не в том, что у нас не хватит мощностей «железа» для симуляции работы мозга. Просто ИИ работает совсем не так, как наше сознание. И, чтобы добиться этого, нужно пересмотреть подход к разработке машинных нейросетей. Для начала, создать ИИ, который будет работать также, как мозг младенца.

Почему ИИ не такой «умный», как нам кажется

Практически все ИИ-системы, о которых мы знаем сегодня, смоделированы на основе традиционных компьютерных алгоритмов. Они видят мир через призму двоичного кода — нулей и единиц. Это прекрасно подходит для сложных вычислений, но, по словам профессора Элис Паркер, которая уже более 10 лет занимается разработками в сфере ИИ, человечество быстро приближается к пределу возможностей работы вычислительной техники.

С момента первого изобретения ИИ и разработки глубокого обучения дальнейшее совершенствование таких систем шло очень медленно. Чтобы полностью раскрыть свой потенциал, ИИ должен не просто работать быстрее, он должен самостоятельно реагировать на события и обучаться в режиме реального времени. А чтобы это произошло, нам нужно пересмотреть свой подход к проектированию систем искусственного интеллекта.

Как сделать ИИ умнее

Чтобы решить обозначенную проблему, профессор Паркер и ее коллеги используют самую совершенную систему обучения, которую когда-либо создавала природа: человеческий мозг. И на первый план тут выходит технология под названием «позитивное подкрепление». Этот термин пришел из психологии и часто употребляется в контексте воспитания детей, где в качестве позитивного подкрепления выступают некоторые приятные для человека последствия или результаты его деятельности. То есть, грубо говоря, награда за то, что человек сделал что-то правильно.

Мозг, в отличие от компьютера, если можно так выразиться, является «аналоговым устройством», а биологическая память обладает устойчивостью. Аналоговые сигналы могут иметь несколько состояний. В то время как ИИ, построенный по двоичной системе, может различать лишь 2 состояния: «хорошо» и «плохо», наш мозг способен интерпретировать происходящее более глубоко. Ситуация может быть «очень хорошей», «просто хорошей», «плохой» или «очень плохой». Такой принцип работы называется «нейроморфные вычисления» и именно возможность произведения таких вычислений и позволит улучшить работу ИИ.

Представьте себе младенца, сидящего в высоком кресле, — говорит Паркер. Он может сильно размахивать руками. В конце концов одно из этих движений приводит к какому-то результату. Скажем, ребенок опрокидывает чашку. Внезапно нейроны, которые сделали это движение, получили ответ и укрепились. Таким образом маленький ребенок узнал, что движение руки вызывает интересный результат. Это именно то, что нейроморфные вычисления пытаются сделать: научить ИИ обучаться на реальном опыте точно так же, как и мы.

Для этого достижения результата ученые разработали свои собственные нейроморфные схемы и объединили их с наноустройствами, называемыми магнитными доменными стеновыми аналоговыми мемристорами (MAM). MAM — это очень сложные устройства, но в данном случае о них важно знать вот что: они позволяют создавать новые связи подобно тому, как это происходит в нашем головном мозге. Таким образом можно наладить систему позитивного подкрепления и начать обучать ИИ.

На данный момент то, что у нас есть, немного похоже на мозг настоящего ребенка. Неразвитый и окончательно не готовый принимать решения самостоятельно. Наш следующий шаг, работая с DARPA, заключается в том, чтобы научить нашу систему обучаться чему-то новому, не забывая о предыдущих уроках.