Bagaimana AI dan Neuroscience Bekerja Sama untuk Mendapat Manfaat Kedua Disiplin (dan Masyarakat) – Menuju AI – Teknologi, Sains, dan Teknik Terbaik

Penulis: Gaugarin Oliver

Kecerdasan Buatan, Ilmu Saraf

Insinyur biomedis Chethan Pandarinath mengembangkan prostetik – tetapi tidak sembarang prostetik. Itu karena tujuan peneliti Universitas Emory dan Georgia Tech adalah memungkinkan mereka yang memiliki anggota tubuh yang lumpuh untuk menggunakan lengan itu seolah-olah lengan mereka sendiri, melalui sinyal dari otak mereka.

Pandarinath berharap untuk mencapai ini dengan menganalisis rekaman aktivitas otak orang lumpuh untuk mengidentifikasi pola neuron yang sesuai dengan gerakan tertentu. Secara teori, pola ini dapat memberi daya pada sistem kecerdasan buatan (AI) yang terhubung ke kaki palsu, memungkinkan kontrol gerakan serupa atas apa yang pada dasarnya adalah benda asing yang melekat pada tubuh.

Jika kedengarannya rumit, itu karena memang begitu, kata Pandarinath di Character. Tapi ini jelas bukan fiksi ilmiah. Dan itu terutama karena meningkatnya konvergensi AI dan ilmu saraf.

AI dan ilmu saraf: Dua sisi mata uang yang serupa

Kedua disiplin, bagaimanapun, memiliki tujuan yang sama untuk memahami rahasia kognisi manusia. Itu berarti mempelajari cara kerja otakcara yang, pada gilirannya, dapat menginspirasi desain dan pengembangan jaringan saraf tiruan sambil menegaskan kembali validitas algoritme yang dikembangkan sebelumnya. Memang, peningkatan berkelanjutan dari AI contemporary dan sistem pembelajaran mendalam (dalam hal akurasi, intensif sumber daya, dan kemampuan untuk belajar dan menyesuaikan secara lebih efektif dengan lebih sedikit information ) membutuhkan pemahaman mendasar tentang cara kerja otak manusia.

Salah satu hubungan paling kuat antara AI dan ilmu saraf adalah konsep pembelajaran berbasis penghargaan, yang menjadi fokus beberapa peneliti ilmu komputer sejak 1980-an. Dari perspektif AI dan ilmu komputer, mudah untuk melihat alasannya: Sistem pembelajaran berbasis penghargaan dapat belajar sendiri melalui sistem penghargaan dan hukuman bawaan. Itu berarti bahwa alih-alih instruksi manusia, sistem ini menggunakan sistem prediksi penghargaan yang terus-menerus menyesuaikan berdasarkan pengalaman.

Jenis sistem berbasis penghargaan ini mencakup pembelajaran perbedaan waktu (TD), pendekatan tonggak yang dikembangkan pada akhir 1980-an dan awal 1990-an. Pembelajaran TD berbeda dari metodologi pembelajaran tradisional karena terus mengambil sampel lingkungan dan menyesuaikan prediksi imbalannya berdasarkan yang diterima vs ekspektasi. Dengan cara ini, pembelajaran TD cocok dengan yang diharapkan vs. menerima hadiah untuk setiap momen dalam waktu, terus menyesuaikan ekspektasi (dan, dengan ekstensi, meningkatkan akurasi algoritmik).

Menurut DeepMind, sebuah firma riset AI, momen eureka yang secara permanen menghubungkan AI dan ilmu saraf datang hanya beberapa tahun kemudian, di pertengahan 1990-an. Saat itulah para peneliti memperhatikan bahwa neuron di otak tampaknya menggunakan prediksi penghargaan yang sama – dengan mempelajari otak hewan hidup, mereka dapat melihat bahwa neuron dopamin tertentu ditembakkan jika hewan tersebut menerima lebih atau kurang dari yang diharapkan. Mereka segera mengusulkan bahwa otak manusia juga menggunakan algoritme pembelajaran TD, hipotesis yang sejak itu menunjukkan validitasnya melalui banyak eksperimen lain.

Sejak saat itu, sebagian besar peneliti AI telah berfokus pada pembelajaran penguatan mendalam menggunakan metodologi canggih seperti pembelajaran penguatan distribusi, yang memungkinkan mereka menangani masalah yang semakin rumit. Pembelajaran penguatan terdistribusi meningkatkan pembelajaran TD tradisional melalui kemampuannya untuk memprediksi spektrum imbalan yang mungkin lebih luas. Dan makalah penelitian DeepMind baru-baru ini yang diterbitkan di Nature melangkah lebih jauh, menunjukkan bahwa otak manusia juga menggunakan pembelajaran penguatan distribusi.

“Kami menemukan bahwa neuron dopamin di otak masing-masing disetel ke tingkat pesimisme atau optimisme yang berbeda,” tulis para penulis. “Jika mereka adalah paduan suara, mereka tidak akan menyanyikan nada yang sama, tetapi menyelaraskan – masing-masing dengan enroll vokal yang konsisten, seperti penyanyi bass dan sopran. Dalam sistem pembelajaran penguatan buatan, penyetelan yang beragam ini menciptakan sinyal pelatihan yang lebih kaya yang sangat mempercepat pembelajaran di jaringan saraf, dan kami berspekulasi bahwa otak mungkin menggunakannya untuk alasan yang sama. ”

Bagaimana AI dan ilmu saraf dapat membuat satu sama lain menjadi lebih baik

Masih banyak yang belum kita ketahui tentang otak. Selain itu, sebagian besar algoritme AI saat ini juga memiliki beberapa kelemahan dibandingkan jaringan saraf alami yang (sejauh ini) belum dapat diatasi oleh para peneliti. Tantangan ini termasuk rasa lapar mereka yang tak pernah terpuaskan untuk kumpulan information pelatihan yang besar dan jumlah energi yang sangat besar yang dibutuhkan untuk mencocokkan bahkan kemampuan balita untuk memperbaiki kesalahan. Algoritme pembelajaran mendalam masih sederhana dibandingkan dengan sirkuit kompleks otak, sementara algoritme AI yang paling kuat sekalipun dengan mudah rusak ketika dihadapkan dengan apa pun di luar tujuan yang diungkapkan. “Algoritme pembelajaran mendalam (sering kali) membutuhkan jutaan contoh pelatihan, sedangkan manusia, terutama anak-anak, dapat mengambil konsep atau keterampilan motorik baru dengan satu kesempatan,” menggambarkan ilmuwan saraf dan penulis sains Shelley Fan.

Meskipun demikian, kedua disiplin – sebagian berkat beberapa kemitraan dan peneliti dengan gabungan latar belakang AI dan ilmu saraf – semakin menginspirasi dan meningkatkan satu sama lain berkat kerangka kerja pembelajaran penguatan bersama. “Menggabungkan (pembelajaran mendalam) dengan struktur bawaan seperti otak dapat membawa kita menuju mesin yang belajar secepat, fleksibel, dan intuitif seperti manusia,” kata Fan. Dr. Shimon Ullman dari Weizmann Institute of Science menambahkan bahwa ada beberapa cara ilmu saraf dapat meningkatkan AI dan pembelajaran mendalam lebih jauh, termasuk:

Kekuatan neuron alami. Seperti disebutkan sebelumnya, jaringan saraf tiruan saat ini relatif sederhana dibandingkan dengan kerumitan yang ditemukan di otak manusia – termasuk neuron alami, yang kekuatannya baru mulai dipahami oleh para peneliti. Memanfaatkan wawasan baru ke dalam fungsi dan perilaku neuron di otak manusia dapat merevolusi efektivitas jaringan saraf tiruan. Konektivitas sirkuit. Demikian pula, koneksi dalam jaringan saraf tiruan dan lapisan neuron cukup sederhana dibandingkan dengan kabel rumit di otak. Mengungkap pengetahuan yang lebih dalam tentang bagaimana neuron berinteraksi satu sama lain di otak manusia dapat mengarah pada koneksi yang lebih kompleks antara neuron dalam jaringan buatan. Struktur kognitif bawaan. Pada saat bayi lahir, sudah ada beberapa konsep yang tertanam di dalam otaknya, termasuk kemampuan mengenali tangan atau wajah manusia. Dengan mempelajari struktur bawaan ini, peneliti dapat mengembangkan sistem AI untuk memecahkan masalah kompleks dengan sedikit atau tanpa pelatihan.

Karena kedua disiplin memiliki hubungan simbiosis dan pada dasarnya memecahkan masalah serupa dari sudut yang berbeda, AI juga berdampak besar pada ilmu saraf. Kemampuan AI untuk menganalisis kumpulan info yang lebih besar daripada yang diperkirakan para peneliti bahkan beberapa tahun yang lalu adalah hal yang besar, tetapi ada yang lain, termasuk menggunakan algoritma AI untuk menilai kembali ide-ide kami tentang bagaimana otak bekerja saat melakukan tugas dan gerakan yang kompleks. “Jika Anda dapat melatih jaringan saraf untuk melakukannya,” kata Dr. David Sussillo dari Google Brain,”maka mungkin Anda dapat memahami bagaimana jaringan tersebut berfungsi, dan kemudian menggunakannya untuk memahami information biologis.”

Hubungan intrinsik antara AI dan ilmu saraf ini adalah sesuatu yang diketahui dengan sangat baik oleh Emory University dan Georgia Tech’s Pandarinath, peneliti yang mengembangkan prostetik infus AI. “Teknologi ini berkembang sepenuhnya dan diterapkan kembali untuk memahami otak,” jelasnya, yang dapat membantu memacu pengobatan baru untuk berbagai penyakit. Maneesh Sahani, dari Gatsby Computational Neuroscience Unit di University College London, setuju. “Kami secara efektif mempelajari hal yang sama,” katanya.

“Dalam satu kasus, kami menanyakan bagaimana menyelesaikan masalah pembelajaran ini secara matematis sehingga dapat diimplementasikan secara efisien di mesin. Dalam kasus lain, kami melihat satu-satunya bukti yang ada bahwa hal itu dapat diselesaikan – yaitu otak. ”

The Way AI and Neuroscience Are Coming Together to Gain Both Disciplines (and Society) awalnya diterbitkan di Limit AI on Moderate, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Towards AI