Τα τεχνητά νευρωνικά δίκτυα αναπτύσσουν κύτταρα πλοήγησης που μοιάζουν με τον εγκέφαλο

Το να έχεις την αίσθηση να κάνεις μια συντόμευση, την πιο άμεση διαδρομή από το σημείο Α στο σημείο Β, δεν ακούγεται σαν ένα πολύ εντυπωσιακό τεστ νοημοσύνης. Ωστόσο, σύμφωνα με μια νέα αναφορά που εμφανίζεται σήμερα στο Nature , στο οποίο οι ερευνητές περιγράφουν την απόδοση της νέας τους τεχνητής νοημοσύνης πλοήγησης, την ικανότητα του συστήματος να εξερευνά πολύπλοκα προσομοιωμένα περιβάλλοντα και να βρίσκει τη συντομότερη διαδρομή προς έναν στόχο, το βάζει σε μια τάξη που προηγουμένως προοριζόταν για ανθρώπους και άλλα έμβια όντα.

Το εκπληκτικό κλειδί για την απόδοση του συστήματος ήταν ότι ενώ μάθαινε πώς να πλοηγηθεί, το νευρωνικό δίκτυο ανέπτυξε αυθόρμητα το ισοδύναμο των «κυττάρων πλέγματος», σύνολα εγκεφαλικών κυττάρων που επιτρέπουν σε τουλάχιστον μερικά θηλαστικά να παρακολουθούν τη θέση τους στο διάστημα.

Για τους νευροεπιστήμονες, η νέα εργασία φαίνεται να προσφέρει σημαντικές ενδείξεις για το πώς τα κύτταρα πλέγματος σε ζωντανούς εγκεφάλους μας κάνουν καλύτερους πλοηγούς. Δείχνει επίσης πώς τα νευρικά δίκτυα θα μπορούσαν να συμβάλουν σε μεγάλο βαθμό σε μελλοντικές μελέτες νευροεπιστήμης:Ο Neil Burgess, ένας γνωστικός νευροεπιστήμονας στο University College του Λονδίνου που δεν συμμετείχε στη μελέτη, πρότεινε ότι τα συστήματα πρέπει να «παρέχουν γόνιμο έδαφος για την κατανόηση του πώς και γιατί λειτουργεί ο ανθρώπινος εγκέφαλος όπως συμβαίνει.»

Εν τω μεταξύ, για τους ερευνητές της τεχνητής νοημοσύνης, η συνάφεια της εργασίας με τη βελτίωση των αυτοματοποιημένων συστημάτων πλοήγησης είναι προφανής. Αλλά η μεγαλύτερη σημασία του μπορεί τελικά να έγκειται στην πρόταση ενός γενικότερου τρόπου για την ενίσχυση της ευφυΐας των μηχανών.

Σύμφωνα με τους ερευνητές Andrea Banino της βρετανικής εταιρείας AI DeepMind και Caswell Barry στο University College του Λονδίνου, οι οποίοι ήταν κύριοι συγγραφείς του νέου Nature χαρτί, το έργο εξελίχθηκε από ερωτήσεις που είχαν σχετικά με τη λειτουργία των δικτυωμένων κυττάρων του εγκεφάλου. Τα κύτταρα πλέγματος αποκαλούνται συχνά «το GPS του εγκεφάλου» λόγω της σημασίας τους για την πλοήγηση σε πολλά είδη ζώων. (Ο Edvard Moser και η May-Britt Moser μοιράστηκαν ένα βραβείο Νόμπελ 2014 για την ανακάλυψη των κυττάρων πλέγματος εννέα χρόνια νωρίτερα.) Αυτά τα σμήνη νευρώνων, τα οποία είναι διατεταγμένα σε περίπου εξαγωνικές συστοιχίες, λειτουργούν συλλογικά όπως τα αδρανειακά συστήματα καθοδήγησης σε πλοία, αεροσκάφη και πυραύλους :Παρακολουθούν πώς το σώμα κινείται στο διάστημα, ακόμη και στο απόλυτο σκοτάδι. "Βασικά ενημερώνει την πεποίθησή σας για το πού βρίσκεστε με βάση τον τρόπο που κινείστε", είπε ο Barry.

Ως εκ τούτου, οι νευροεπιστήμονες έχουν πιστώσει στα κύτταρα του πλέγματος την εκτέλεση της λειτουργίας που ονομάζεται "ολοκλήρωση διαδρομής" - τη μορφή πλοήγησης με νεκρό υπολογισμό που δεν περιλαμβάνει εξωτερικές ενδείξεις:για παράδειγμα, "Κάντε πέντε βήματα προς τα εμπρός, στρίψτε 90 μοίρες προς τα αριστερά και μετά περπατήστε ευθεία μπροστά για άλλα 15 βήματα…» Αλλά διάφορα πειράματα έχουν επίσης υποδείξει ότι τα κελιά πλέγματος εκτελούν άλλες λειτουργίες, συμπεριλαμβανομένων ορισμένων που μπορεί να υπερβαίνουν την πλοήγηση. Για παράδειγμα, ορισμένες μελέτες εμπλέκουν τα κελιά πλέγματος στη μέτρηση του χρόνου και της απόστασης κατά τη διάρκεια του ταξιδιού. Όπως σημείωσε ο Barry, εάν τα κελιά πλέγματος παρέχουν μια χωρική αναφορά για αντικείμενα και τοποθεσίες, "τότε καταρχήν μπορείτε να τα χρησιμοποιήσετε για να υπολογίσετε την άμεση διαδρομή μεταξύ αυτών των σημείων" — δηλαδή, αυτό που ονομάζεται "πλοήγηση βάσει διανύσματος".

Οι ερευνητές αποφάσισαν να χρησιμοποιήσουν νευρωνικά δίκτυα βαθιάς μάθησης για να διερευνήσουν το ρόλο των κυψελών πλέγματος σε αυτές τις λειτουργίες πλοήγησης. Ως πρώτο βήμα, δημιούργησαν ένα νευρωνικό δίκτυο για να μάθουν πώς να κάνουν ενσωμάτωση μονοπατιών για έναν προσομοιωμένο πράκτορα που κινείται σε ένα μικρό χώρο. «Θέλαμε να δούμε αν θα μπορούσαμε να δημιουργήσουμε ένα τεχνητό δίκτυο με την κατάλληλη εργασία, έτσι ώστε να αναπτύσσει πραγματικά κελιά πλέγματος», είπε ο Barry.

Το νευρωνικό δίκτυο υποχρέωσε και, σύμφωνα με τον Barry, «αυτό που ήταν εκπληκτικό ήταν το πόσο καλά λειτουργούσε». Οι "μονάδες πλέγματος" που εμφανίστηκαν αυθόρμητα στο δίκτυο ήταν εντυπωσιακά παρόμοιες με αυτό που παρατηρείται στον εγκέφαλο των ζώων, μέχρι το εξαγωνικό πλέγμα.

Στη συνέχεια, η ερευνητική ομάδα ένωσε τις ικανότητες του νευρωνικού δικτύου σε συστήματα που βοήθησαν τους προσομοιωμένους πράκτορες να βρουν το δρόμο τους μέσα από δαιδαλώδη εικονικά περιβάλλοντα προς στόχους. Το σύστημα με μονάδες δικτύου ήταν πολύ ανώτερο από συστήματα χωρίς:Για παράδειγμα, το σύστημα μπορούσε να πει εάν μια προηγουμένως κλειστή πόρτα πρόσφερε μια συντόμευση προς τον στόχο και θα ακολουθούσε αυτή τη διαδρομή κατά προτίμηση. Σύμφωνα με τον Banino, αυτή η ικανότητα έδειξε ότι οι μονάδες πλέγματος στο νευρωνικό δίκτυο εκτελούσαν πλοήγηση βάσει διανύσματος επειδή εντόπιζαν μια συντομότερη, πιο άμεση διαδρομή με βάση τη γνώση της θέσης του στόχου.

«Νομίζω ότι με αυτήν την εργασία, μπορέσαμε να δώσουμε μια απόδειξη αρχής ότι τα κελιά πλέγματος χρησιμοποιούνται για τη λήψη συντομεύσεων», είπε ο Banino. Ως εκ τούτου, τα αποτελέσματα υποστήριξαν θεωρίες ότι τα κύτταρα πλέγματος στον εγκέφαλο είναι ικανά τόσο για ολοκλήρωση διαδρομής όσο και για πλοήγηση βάσει διανύσματος. Συγκρίσιμες πειραματικές αποδείξεις με μελέτες σε ζωντανά ζώα, πρόσθεσε, θα ήταν πολύ πιο δύσκολο να αποκτηθούν.

«Η ενδιαφέρουσα συνέπεια είναι ότι αυτή η ίδια προσέγγιση θα μπορούσε να χρησιμοποιηθεί για διαφορετικά είδη ερωτήσεων νευροεπιστήμης», είπε ο Barry. Οι ερευνητές που ενδιαφέρονται για τον έλεγχο των άκρων, για παράδειγμα, θα μπορούσαν να εκπαιδεύσουν ένα νευρωνικό δίκτυο για τον έλεγχο ενός ρομποτικού βραχίονα με τον τρόπο που ο εγκέφαλος ελέγχει έναν ζωντανό βραχίονα και στη συνέχεια να εκτελέσουν πειράματα στο τεχνητό σύστημα για να δημιουργήσουν περαιτέρω γνώσεις για το ζωντανό. "Είναι ένα δυνητικά πολύ συναρπαστικό εργαλείο νευροεπιστήμης γενικής χρήσης."

«Είναι αρκετά θεαματικό», είπε ο Stefan Leutgeb, καθηγητής νευροβιολογίας στο Πανεπιστήμιο της Καλιφόρνια στο Σαν Ντιέγκο. «Νομίζω ότι αποτελούν μια πολύ καλή περίπτωση για τη διανυσματική πλοήγηση που είναι μια πιθανή συνάρτηση [των κελιών πλέγματος]. Αυτό έχει προταθεί εδώ και καιρό, αλλά δεν νομίζω ότι κανείς έχει φτάσει τόσο κοντά στο να βρει έναν πιθανό μηχανισμό."

Αλλά ταυτόχρονα, σημειώνει, «Έχει τα όρια κάθε υπολογιστικής μελέτης. Αυτός είναι ένας τρόπος με τον οποίο θα μπορούσε να λειτουργήσει, αλλά δεν αποδεικνύει ότι είναι ο τρόπος που λειτουργεί στα ζώα."

Ο Francesco Savelli, ένας νευροεπιστήμονας στο Πανεπιστήμιο Johns Hopkins, ο οποίος συνέγραψε ένα σχόλιο που συνοδεύει τη νέα Φύση χαρτί, προσέφερε παρόμοια άποψη. Θεωρεί πολύ ενδιαφέρον το γεγονός ότι «παίρνετε με κάποιο τρόπο αυτά τα [πλέγμα] κελιά χωρίς να τα προγραμματίσετε. … Και ακόμα βγαίνουν, ως αναδυόμενες ιδιοκτησίες». Αλλά την ίδια στιγμή, "επειδή δεν είναι ένα βιολογικά ρεαλιστικό σύστημα, τότε μπορεί να είστε λίγο λιγότερο σαφείς σχετικά με το ποιες ακριβώς πληροφορίες σας δίνει.

"Εκτός και αν καταφέρετε να εισέλθετε στο μαύρο κουτί αυτού του δικτύου και να κάνετε αυτό το δίκτυο λίγο πιο βιολογικά ρεαλιστικό, τότε κάποια στιγμή θα αγγίξετε το όριο στο πώς μπορείτε να ενημερώσετε περαιτέρω νευροβιολογικές μελέτες", είπε.

Από την άλλη πλευρά, αυτό που είναι ενθαρρυντικό από τεχνολογική άποψη είναι ότι «αυτά τα συστήματα βαθιάς μάθησης, όλο και περισσότερο, μπορούν να αντιμετωπίσουν εργασίες που μοιάζουν περισσότερο με την ανώτερη γνωστική λειτουργία του εγκεφάλου», είπε ο Savelli. "Είναι πραγματικά μια απόδειξη ότι τα οφέλη από τη χρήση της βαθιάς μάθησης μπορούν να επεκταθούν σε εργασίες που μοιάζουν περισσότερο με ανώτερες γνωστικές λειτουργίες."

Θα μπορούσε κανείς να φανταστεί ότι οι ερευνητές του DeepMind θα προσπαθούσαν να χρησιμοποιήσουν αυτό το καλύτερο δίκτυο πλοήγησης για να βελτιώσουν, ας πούμε, τις δυνατότητες των εξερευνητικών ρομπότ ή των μελλοντικών αυτοχειριζόμενων drones. Αλλά σύμφωνα με τον Banino, τα σχέδιά τους είναι λιγότερο εστιασμένα - και πιο φιλόδοξα. «Πιστεύουμε ότι η πλοήγηση είναι μια θεμελιώδης πτυχή της νοημοσύνης μας», είπε. "Προσωπικά, δεν σκεφτόμαστε καμία άλλη εφαρμογή εκτός από τη δημιουργία ενός αλγόριθμου γενικής χρήσης.

«Ο εγκέφαλος είναι το μόνο παράδειγμα που έχουμε για έναν αλγόριθμο γενικής χρήσης», συνέχισε. "Γιατί λοιπόν να μην προμηθεύεστε από αυτό;"

Η Jordana Cepelewicz συνέβαλε στην αναφορά σε αυτήν την ιστορία.