როგორც წესი, ხელოვნური ინტელექტი ადამიანის ტვინის დინამიკას ეფუძნება. მიუხედავად ამისა, ღრმა დასწავლასთან (DL) შედარებით, ტვინი ამ მხრივ არაერთ მნიშვნელოვან ასპექტშია შეზღუდული.

პირველ რიგში, ეფექტიანი DL ქსელის სტრუქტურები (არქიტექტურები) არაერთი თანამიმდევრული შრისაგან შედგება, ხოლო ტვინს კი ისინი შეზღუდული რაოდენობით აქვს. ამასთანავე, DL არქიტექტურებს, ჩვეულებრივ, რამდენიმე თანმიმდევრული გამფილტრავი შრე აქვს, რომლებიც მიწოდებული ინფორმაციის დაჯგუფებაში უდიდეს როლს ასრულებს.

მაგალითისთვის, თუკი მიწოდებული ინფორმაცია მანქანაა, პირველი ფილტრი ბორბლებს აფიქსირებს, შემდეგი კარებს, მესამე სინათლეებს, ბევრი დამატებითი ფილტრის შემდეგ კი უკვე ეჭვგარეშე ხდება, რომ ობიექტი მანქანაა.

ამის საპირისპიროდ, ტვინის დინამიკა მხოლოდ ერთ ფილტრს მოიცავს, რომელიც რეტინასთან ახლოსაა მოთავსებული. უკანასკნელი საჭირო კომპონენტი კომპლექსური მათემატიკური DL წვრთნის პროცედურაა, რაც, თავისთავად, ბიოლოგიური გაგების საზღვრებს გაცილებით სცდება.

მაშ, შეუძლია თუ არა ტვინს, ზუსტი მათემატიკური ოპერაციების შეზღუდული გაცნობიერების პირობებში გაეჯიბროს ხელოვნური ინტელექტის მეტად დახვეწილ სისტემებს, რომლებიც ძლიერ კომპიუტერებზე სრულდება? ყოველდღიური გამოცდილებიდან, დიახ, არაერთი დავალების შემთხვევაში მას ეს შეუძლია. მაშინ კითხვა შემდეგნაირად დავსვათ: შესაძლებელია თუ არა, ტვინის პრინციპებზე დაყრდნობით მეტად ეფექტიანი ხელოვნური ინტელექტი შეიქმნას?

ეს თავსატეხი ბარ-ილანის უნივერსიტეტის (ისრაელი) მკვლევრებმა ამოხსნეს. მათი ნაშრომი გამოცემაში Scientific Reports გამოქვეყნდა.

"ვაჩვენეთ, რომ ეფექტიანი დასწავლა ხელოვნურ ხისებრ არქიტექტურაზე, სადაც თითოეულ ნაწილს ერთი გზა აქვს უკუკავშირის ერთეულამდე, დაჯგუფების უკეთეს მაჩვენებელს იძლევა, ვიდრე აქამდე მეტი შრეებისა და ფილტრების შემცველი DL არქიტექტურები აღწევდა. შესაძლოა, მიგნების წყალობით ბიოლოგიურად შთაგონებული ახალი AI აპარატული უზრუნველყოფა და ალგორითმები შეიქმნას", — განაცხადა პროფესორმა იდო კანტერმა, კვლევის ხელმძღვანელმა.

იუვალ მეირის, ერთ-ერთი მკვლევრის, თქმით, ასეთი ხისებრი არქიტექტურების გამოყენება წინგადადგმული ნაბიჯია AI სისტემის შექმნისკენ, რომელიც ნერვულ სისტემას დაეფუძნება და მეტად ეფექტიანი, ნაკლებად კომპლექსური იქნება და ენერგიაც ნაკლები დასჭირდება. ეს მიდგომა უკუპროპაგაციული მექანიზმის ბიოლოგიურად რეალისტურ იმპლემენტაციას მოიცავს, რაც AI-ის საკვანძო ტექნიკაა.

მეორე მხრივ, ამას ახლებური პროგრამული უზრუნველყოფა დასჭირდება, რომელიც ამჟამად არსებული GPU-ებისაგან (რომლებიც ღრმა დასწავლას უკეთ ერგება) განსხვავებული უნდა იყოს. შესაბამისად, ტვინის დინამიკის იმიტირებისათვის მოგვიწევს, ტექნიკის განვითარებას დავუცადოთ.