Trots deras namn, artificiell intelligens-teknik och deras komponentsystem, såsom artificiella neurala nätverk, har inte mycket med riktig hjärnvetenskap att göra. Jag är professor i bioteknik och neurovetenskap intresserad av att förstå hur hjärnan fungerar som ett system – och hur vi kan använda den kunskapen för att designa och konstruera nya maskininlärningsmodeller.

Under de senaste decennierna, hjärnforskare har lärt sig enormt mycket om de fysiska kopplingarna i hjärnan och om hur nervsystemet dirigerar information och bearbetar den. Men det finns fortfarande en stor mängd att upptäcka.

På samma gång, datoralgoritmer, Framsteg inom mjukvara och hårdvara har fört maskininlärning till tidigare oanade prestationsnivåer. Jag och andra forskare inom området, inklusive ett antal av dess ledare, har en växande känsla av att ta reda på mer om hur hjärnan bearbetar information kan hjälpa programmerare att översätta begreppen tänkande från biologins våta och squishy värld till helt nya former av maskininlärning i den digitala världen.

Hjärnan är inte en maskin

"Machine learning" är en del av teknologier som ofta kallas "artificiell intelligens". Maskininlärningssystem är bättre än människor på att hitta komplexa och subtila mönster i mycket stora datamängder.

Dessa system verkar finnas överallt – i självkörande bilar, mjukvara för ansiktsigenkänning, upptäckt av ekonomiskt bedrägeri, robotik, hjälpa till med medicinska diagnoser och på annat håll. Men under huven, de är alla egentligen bara varianter av en enda statistisk baserad algoritm.

Artificiellt nervsystem, det vanligaste tillvägagångssättet för maskininlärning, är starkt sammankopplade nätverk av digitala processorer som accepterar ingångar, bearbeta mätningar om dessa ingångar och generera utdata. De måste lära sig vilka resultat som ska resultera från olika insatser, tills de utvecklar förmågan att svara på liknande mönster på liknande sätt.

Om du vill att ett maskininlärningssystem ska visa texten "Detta är en ko" när det visas ett foto av en ko, du måste först ge den ett enormt antal olika foton av olika typer av kor från alla olika vinklar så att den kan justera sina interna anslutningar för att svara "Detta är en ko" till var och en. Om du visar detta system ett foto av en katt, den kommer bara att veta att den inte är en ko – och kommer inte att kunna säga vad den faktiskt är.

Men det är inte så hjärnan lär sig, inte heller hur den hanterar information för att förstå världen. Snarare, hjärnan tar in en mycket liten mängd indata – som ett fotografi av en ko och en teckning av en ko. Väldigt snabbt, och efter bara ett mycket litet antal exempel, även ett litet barn kommer att förstå idén om hur en ko ser ut och kunna identifiera en i nya bilder, från olika vinklar och i olika färger.

Men en maskin är inte en hjärna, antingen

Eftersom hjärnan och maskininlärningssystem använder fundamentalt olika algoritmer, var och en utmärker sig på sätt den andra misslyckas kapitalt. Till exempel, hjärnan kan bearbeta information effektivt även när det finns brus och osäkerhet i inmatningen – eller under oförutsägbart föränderliga förhållanden.

Du kan titta på ett kornigt foto på rivet och skrynkligt papper, föreställande en typ av ko du aldrig hade sett förut, och tänker fortfarande "det är en ko". Liknande, du tittar rutinmässigt på partiell information om en situation och gör förutsägelser och beslut baserat på vad du vet, trots allt du inte gör.

Lika viktigt är hjärnans förmåga att återhämta sig från fysiska problem, konfigurera om sina anslutningar för att anpassa sig efter en skada eller stroke. Hjärnan är så imponerande att patienter med svåra medicinska tillstånd kan få så mycket som hälften av sin hjärna borttagen och återställa normal kognitiv och fysisk funktion. Föreställ dig nu hur bra en dator skulle fungera med hälften av sina kretsar borttagna.

Lika imponerande är hjärnans förmåga att dra slutsatser och extrapolationer, nycklarna till kreativitet och fantasi. Tänk på idén om en ko som vänder på hamburgare på Jupiter som samtidigt löser kvantgravitationsproblem i sitt huvud. Ingen av oss har någon erfarenhet av något sådant, men jag kan komma på det och effektivt kommunicera det till dig, tack vare våra hjärnor.

Det kanske mest förvånande, fastän, hjärnan gör allt detta med ungefär samma mängd kraft som krävs för att driva en svag glödlampa.

Kombinera neurovetenskap och maskininlärning

Förutom att upptäcka hur hjärnan fungerar, det är inte alls klart vilka hjärnprocesser som kan fungera bra som maskininlärningsalgoritmer, eller hur man gör den översättningen. Ett sätt att sortera igenom alla möjligheter är att fokusera på idéer som främjar två forskningsinsatser samtidigt, både förbättra maskininlärning och identifiera nya områden inom neurovetenskap. Lektionerna kan gå åt båda hållen, från hjärnvetenskap till artificiell intelligens – och tillbaka, med AI-forskning som lyfter fram nya frågor för biologiska neuroforskare.

Till exempel, i mitt eget labb, vi har utvecklat ett sätt att tänka på hur enskilda neuroner bidrar till deras övergripande nätverk. Varje neuron utbyter information endast med de andra specifika neuronerna den är kopplad till. Den har ingen övergripande uppfattning om vad resten av neuronerna håller på med, eller vilka signaler de skickar eller tar emot. Detta gäller för varje neuron, oavsett hur brett nätverket är, så lokala interaktioner kollektivt påverkar helhetens aktivitet.

Det visar sig att matematiken som beskriver dessa interaktionslager är lika tillämplig på artificiella neurala nätverk och biologiska neurala nätverk i verkliga hjärnor. Som ett resultat, vi utvecklar en i grunden ny form av maskininlärning som kan lära sig i farten utan förträning som verkar vara mycket anpassningsbar och effektiv i lärande.

Dessutom, vi har använt dessa idéer och matematik för att utforska varför formerna på biologiska neuroner är så vridna och invecklade. Vi har upptäckt att de kan utveckla dessa former för att maximera sin effektivitet när det gäller att skicka meddelanden, efter samma beräkningsregler som vi använder för att bygga vårt konstgjorda inlärningssystem. Det här var inte en tillfällig upptäckt vi gjorde om neurobiologin:vi letade efter detta förhållande eftersom matematiken sa åt oss att göra det.

Att ta ett liknande tillvägagångssätt kan också informera forskning om vad som händer när hjärnan faller offer för neurologiska och neurologiska sjukdomar. Att fokusera på principerna och matematiken som AI och neurovetenskap delar kan bidra till att främja forskningen inom båda områdena, uppnå nya nivåer av förmåga för datorer och förståelse för naturliga hjärnor.

Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln.