At bygge AI-systemer, der sover og drømmer, har potentialet til at forbedre deres præstation og pålidelighed, ifølge forskere, der udforsker måder at replikere arkitekturen og adfærden af den menneskelige hjerne. Målet er at tackle en fælles udfordring i AI kendt som “katastrofal glemsel”, hvor modeller, der er trænet på nye opgaver, mister evnen til at udføre tidligere mestrede opgaver.
Forskere ved University of Catania har udviklet en træningsmetode kaldet wake-sleep konsolideret læring (WSCL), der efterligner den måde, menneskehjernen konsoliderer erindringer under søvn. Ligesom mennesker flytter korte hukommelser til langvarige hukommelser, har WSCL-trænede AI-modeller “søvn” perioder, hvor de gennemgår en blanding af nyere og ældre data, hvilket giver modellerne mulighed for at opdage forbindelser og mønstre og integrere ny information uden at glemme den eksisterende viden.
Under søvnfasen udsættes AI-modeller, der bruger WSCL, ikke kun for billeder af fisk, men også for andre dyr som fugle, løver og elefanter fra tidligere lektioner. Derudover inkluderer WSCL en “drømme” fase, hvor modellerne får helt ny data ved at kombinere tidligere begreber, såsom abstrakte billeder af giraffer krydset med fisk eller løver krydset med elefanter. Denne drømmefase hjælper modellerne med at forene tidligere digitale “neuroner” og skaber mønstre, der letter en mere effektiv indlæring af nye opgaver.
I eksperimenterne fandt forskerne, at AI-modeller trænet med WSCL viste en betydelig forbedring i nøjagtighed i forhold til traditionelle træningsmetoder, med en stigning på 2 til 12 procent i korrekt identifikation af billedindhold. WSCL-modellerne viste også bedre “forward transfer”, hvilket betyder, at de bedre bevarede tidligere viden, når de lærte nye opgaver.
Selvom disse resultater viser løfte, tror ikke alle eksperter, at det at bruge den menneskelige hjerne som en blåprint er den mest effektive tilgang til at forbedre AI-præstationer. Andrew Rogoyski fra University of Surrey foreslår, at AI-forskning stadig er i sin tidlige fase, og at det muligvis ikke er nødvendigt at efterligne den menneskelige hjerne fuldstændigt. Han foreslår i stedet at hente inspiration fra andre biologiske systemer såsom delfiner, der kan “sove” med den ene del af hjernen, samtidig med at de forbliver vågne med den anden del.
Konklusionen er, at udforskning af konceptet søvn og drømme i AI-træning giver et spændende perspektiv. Mens nogle argumenterer imod at nøjagtigt replikere den menneskelige hjerne, er der voksende beviser for, at inkorporering af søvn-lignende mekanismer i AI-modeller kan føre til forbedret præstation og videndele. Når AI-forskningen udvikler sig, kan det være gavnligt at udforske alternative biologiske inspirationskilder for at forbedre AI-evner.
Ofte stillede spørgsmål om søvn og drømme i AI-systemer
Spørgsmål: Hvad er formålet med at udforske søvn og drømme i AI-systemer?
Svar: Formålet er at tackle “katastrofal glemsel”, hvor AI-modeller mister evnen til at udføre tidligere mestrede opgaver, når de trænes på nye opgaver.
Spørgsmål: Hvilken træningsmetode blev udviklet af forskerne ved University of Catania?
Svar: Forskerne udviklede en træningsmetode kaldet wake-sleep konsolideret læring (WSCL).
Spørgsmål: Hvordan efterligner WSCL den menneskelige hjerne konsolidering af erindringer under søvn?
Svar: WSCL-trænede AI-modeller har “søvn” perioder, hvor de gennemgår en blanding af nyere og ældre data, ligesom mennesker konsoliderer korte hukommelser til langvarige hukommelser under søvn.
Spørgsmål: Hvad sker der under søvn- og drømmefaserne i WSCL?
Svar: Under søvnfasen udsættes WSCL-modeller for en blanding af nyere og ældre data, mens de under drømmefasen fodres med helt nyt data, der kombinerer tidligere begreber.
Spørgsmål: Hvad er fordelene ved WSCL-trænede AI-modeller?
Svar: WSCL-trænede AI-modeller viste en forbedring i nøjagtighed sammenlignet med traditionelle træningsmetoder, med en stigning på 2 til 12 procent i korrekt identifikation af billedindhold. De bevarede også tidligere viden bedre, når de lærte nye opgaver.
Spørgsmål: Hvad er “forward transfer” i sammenhæng med AI-modeller?
Svar: “Forward transfer” refererer til bevarelsen af tidligere viden, når man lærer nye opgaver.
Spørgsmål: Hvilke perspektiver har nogle eksperter med hensyn til at replikere den menneskelige hjerne i AI-systemer?
Svar: Nogle eksperter, som Andrew Rogoyski fra University of Surrey, foreslår, at det muligvis ikke er nødvendigt at efterligne den menneskelige hjerne fuldstændigt, og de foreslår at hente inspiration fra andre biologiske systemer såsom delfiner.
Definitioner:
– Katastrofal glemsel: En fælles udfordring i AI, hvor modeller, der er trænet på nye opgaver, mister evnen til at udføre tidligere mestrede opgaver.
– Wake-sleep konsolideret læring (WSCL): En træningsmetode udviklet af forskere ved University of Catania, der efterligner den måde, menneskehjerner konsoliderer erindringer under søvn.
Foreslåede relaterede links:
– University of Catania
– University of Surrey
The source of the article is from the blog qhubo.com.ni