Artificiell intelligens (AI) har fortfarande mycket att lära av djurhjärnor, säger Cold Spring Harbor Laboratory (CSHL) neurovetenskapliga Anthony Zador. Nu, han hoppas att lärdomar från neurovetenskap kan hjälpa nästa generation av artificiell intelligens att övervinna vissa särskilt svåra hinder.

Anthony Zador, M.D., Ph.D., har ägnat sin karriär åt att beskriva, ner till den enskilda neuronen, de komplexa neurala nätverken som utgör en levande hjärna. Men han började sin karriär med att studera artificiella neurala nätverk (ANN). ANNs, vilka är datorsystemen bakom den senaste AI -revolutionen, är inspirerade av de förgrenade nätverken av neuroner i djur och mänskliga hjärnor. Dock, detta breda koncept är vanligtvis där inspirationen slutar.

I ett perspektivstycke som nyligen publicerades i Naturkommunikation , Zador beskriver hur förbättrade inlärningsalgoritmer gör att AI -system kan uppnå övermänskliga prestanda på ett ökande antal mer komplexa problem som schack och poker. Än, maskiner är fortfarande överraskade av vad vi anser vara de enklaste problemen.

Att lösa denna paradox kan äntligen göra det möjligt för robotar att lära sig att göra något så organiskt som att förfölja byten eller bygga ett bo, eller till och med något så mänskligt och vardagligt som att diska-en uppgift som Googles VD Eric Schmidt en gång kallade "bokstavligen nummer ett ... men ett utomordentligt svårt problem" för en robot.

"De saker som vi tycker är svåra, som abstrakt tanke eller schackspel, är faktiskt inte det svåra för maskiner. De saker som vi tycker är lätta, som att interagera med den fysiska världen, det är det som är svårt, "Förklarade Zador." Anledningen till att vi tycker att det är lätt är att vi hade en halv miljard år av utveckling som har kopplat ihop våra kretsar så att vi gör det enkelt. "

Det är därför Zador skriver att hemligheten till snabbt lärande kanske inte är en perfekt perfekt allmän inlärningsalgoritm. Istället, han föreslår att biologiska neurala nätverk skulpterade av evolutionen ger ett slags ställningar för att underlätta snabbt och enkelt lärande för specifika typer av uppgifter-vanligtvis de avgörande för överlevnad.

För ett exempel, Zador pekar på din bakgård.

"Du har ekorrar som kan hoppa från träd till träd inom några veckor efter födseln, men vi har inte möss som lär sig samma sak. Varför inte? "Sade Zador." Det beror på att man är genetiskt förutbestämd för att bli en trädlevande varelse. "

Zador föreslår att ett resultat av denna genetiska anlag är den medfödda kretsen som hjälper till att styra ett djurs tidiga inlärning. Dock, dessa ställningsnätverk är mycket mindre generaliserade än det upplevda universalmedlet för maskininlärning som de flesta AI -experter eftersträvar. Om ANN identifierade och anpassade liknande uppsättningar av kretsar, Zador hävdar, framtidens hushållsrobotar kan bara en dag överraska oss med rena rätter.