Bengio, LeCun et d'autres ont publié conjointement un livre blanc sur NeuroAI : L'essence de l'intelligence est la capacité sensorimotrice, l'IA fait face au grand défi du test de Turing incarné

Cet article est reproduit à partir de Lei Feng.com Si vous avez besoin de réimprimer, veuillez vous rendre sur le site officiel de Lei Feng.com pour demander une autorisation.

Historiquement, les neurosciences ont été un moteur clé et une source d'inspiration pour le développement de l'intelligence artificielle, en particulier dans les domaines dans lesquels les humains et les autres animaux sont très bons, comme la vision, l'apprentissage basé sur les récompenses, l'interaction avec le monde physique, et le langage. Faites des progrès dans ces domaines avec l’aide des neurosciences.

Mais ces dernières années, les méthodes de recherche de l'intelligence artificielle semblent s'éloigner des neurosciences. Dans le même temps, l'intelligence artificielle a continué à avoir du mal à rattraper l'intelligence humaine. Dans ce contexte, un engouement pour l’intelligence artificielle qui revient aux neurosciences se dessine.

Récemment, un livre blanc a publié une déclaration selon laquelle "NeuroAI catalysera la prochaine génération de révolution de l'intelligence artificielle".

Ce livre blanc intitulé « Vers l'intelligence artificielle de nouvelle génération : catalyser la révolution NeuroAI » rassemble deux lauréats du Turing Award, Yoshua Bengio et Yann LeCun, ainsi qu'un groupe de chercheurs dédiés à l'apprentissage automatique et aux neurosciences. recherche.

Ils appellent : Afin d'accélérer les progrès de l'intelligence artificielle et de réaliser son énorme potentiel, nous devons nous engager dans la recherche fondamentale de NeuroAI.

Le livre blanc propose d'abord que L'élément de base de l'intelligence biologique réside dans la capacité des animaux à s'engager dans une interaction sensorimotrice avec le monde.

Partant de cette prémisse, ils ont proposé le test de Turing incorporé comme défi ultime de NeuroAI Son cœur réside dans les capacités sensorimotrices avancées, y compris l'interaction avec le monde et la flexibilité du comportement animal, l'efficacité énergétique et d'autres caractéristiques. .

Dans le même temps, le livre blanc envisage également une voie pour traiter le test de Turing incarné, décomposant le test de Turing incarné du système d'IA du point de vue de l'histoire de l'évolution en l'intelligence des organismes avancés de niveau intermédiaire et des organismes de bas niveau à des organismes plus complexes.

1 NeuroAI : L'essence de l'intelligence réside dans la sensorimotrice

Le retour de l'intelligence artificielle dans les neurosciences est inévitable.

Les graines de la révolution de l'intelligence artificielle ont été semées il y a des décennies dans les neurosciences computationnelles, lorsque les neuroscientifiques McCulloch et Pitts ont proposé pour la première fois une expression mathématique des propriétés des neurones en 1943 alors qu'ils cherchaient à comprendre comment le cerveau calcule.

L'invention de « l'architecture informatique de Von Neumann » par Von Neumann est en fait dérivée de ses premiers travaux sur la construction d'un « cerveau artificiel ». Il s'est inspiré de la connaissance très limitée du cerveau des années 1940.

Les réseaux convolutionnels profonds qui ont déclenché la dernière vague d’intelligence artificielle sont construits sur des réseaux de neurones artificiels (ANN), directement inspirés des recherches sur les circuits de traitement visuel des chats.

De même, le développement de l’apprentissage par renforcement (RL) a été directement inspiré de l’activité neuronale des animaux au cours du processus d’apprentissage.

Aujourd'hui, des décennies plus tard, les réseaux de neurones artificiels et l'apprentissage par renforcement sont devenus les technologies dominantes de l'intelligence artificielle. Ainsi, aux yeux du public, l'objectif à long terme de « l'intelligence artificielle générale » semble être à notre portée.

Cependant, contrairement à cet optimisme, de nombreux chercheurs de première ligne en intelligence artificielle estiment que nous devons encore réaliser de nouvelles avancées majeures avant qu'il soit possible de construire des systèmes artificiels capables d'accomplir toutes les tâches des humains, et pas seulement des humains, Des animaux encore plus simples comme les rats.

L'IA actuelle est loin d'atteindre cet objectif :

L'IA peut facilement vaincre n'importe quel adversaire humain dans des jeux comme les échecs et le Go, mais elle n'est pas assez robuste pour affronter de nouvelles choses. Nous rencontrons souvent des difficultés lorsque nous jouons à des jeux ;

L'IA n'est pas encore capable d'effectuer une série de comportements simples consistant à « marcher jusqu'à l'étagère, démonter l'échiquier, disposer les pièces d'échecs et déplacer les pièces d'échecs dans le jeu » ; la capacité sensorimotrice de l'IA n'est pas encore comparable ; aux quatre Comparable aux enfants de 6 ans ou aux animaux encore plus simples ; l'IA n'a pas la capacité d'interagir avec le monde imprévisible et de lutter pour gérer de nouvelles situations, une capacité de base que tous les animaux acquièrent sans effort.

Par conséquent, de plus en plus de chercheurs en IA soupçonnent qu’il sera difficile de résoudre les problèmes ci-dessus si nous continuons sur la voie actuelle.

Étant donné que notre objectif est de doter l'IA d'une intelligence plus naturelle, nous aurons probablement besoin d'une nouvelle inspiration issue des systèmes intelligents naturels.

Alors que des éléments tels que les réseaux de neurones artificiels convolutifs et l'apprentissage par renforcement s'inspirent des neurosciences, la plupart des recherches actuelles en apprentissage automatique empruntent une autre voie, en utilisant des méthodes inspirées de décennies de neurosciences inspirées de découvertes antérieures, telles que les réseaux de neurones basés sur les neurosciences. le mécanisme d'attention du cerveau.

Les neurosciences modernes affectent effectivement encore l’IA, mais leur impact est encore très faible. C'est une occasion manquée. Au cours des dernières décennies, nous avons accumulé une richesse de connaissances sur le cerveau, nous permettant de mieux comprendre les structures anatomiques et fonctionnelles qui sous-tendent l’intelligence naturelle.

C'est dans ce contexte que ces scientifiques ont publié une déclaration dans ce livre blanc :

NeuroAI est un domaine émergent à l'intersection des neurosciences et de l'IA, basé sur le postulat d'une meilleure compréhension L'informatique neuronale révélera les composants de base de l'intelligence, et cela catalysera la prochaine révolution de l'IA, créant à terme des agents d'intelligence artificielle dotés de capacités qui rivalisent, voire surpassent les humains. Ils estiment que le moment est venu de lancer des efforts à grande échelle pour identifier et comprendre les principes de l’intelligence biologique et les extraire pour les utiliser dans des systèmes informatiques et robotiques.

Alors, quels sont les éléments les plus importants de l’intelligence biologique ?

Ils croient que L'adaptabilité, la flexibilité et la capacité de faire des déductions générales à partir d'observations éparses sont les éléments de base de l'intelligence, Ils sont présents sous une forme ou une autre dans les bases de notre évolution depuis des centaines de millions d'années. circuits sensorimoteurs.

Bien que la pensée et le raisonnement abstraits soient souvent considérés comme des comportements intelligents propres aux humains, comme l'a dit le pionnier de l'intelligence artificielle Moravec, la pensée abstraite n'est qu'« une nouvelle technique, peut-être vieille de moins de 100 000 ans... La raison pour laquelle elle est valable parce que elle est soutenue par des connaissances sensorimotrices plus anciennes, plus puissantes, mais souvent inconscientes. »

C'est certainement une bonne nouvelle que les rats, les souris et les primates non humains puissent servir d'intelligence naturelle. Un modèle plus maniable dans les expériences, si l'IA le peut. correspondent à leurs capacités perceptuelles et motrices, les pas vers l’intelligence humaine seront beaucoup plus petits. Par conséquent, si nous identifions les capacités fondamentales que possèdent tous les animaux dans leurs interactions sensorimotrices incarnées avec le monde, la NeuroAI mènera forcément à des progrès significatifs.

2 NeuroAI Grand Challenge: Embodied Turing Test

En 1950, Alan Turing a proposé le "jeu d'imitation" pour tester le comportement intelligent de machines identiques ou impossibles à distinguer des capacités humaines. Dans ce concours, des juges humains devaient évaluer les conversations en langage naturel entre de vraies personnes et des machines entraînées à imiter les réponses humaines.

Turing a proposé que, par rapport à la question sans réponse de « si les machines peuvent penser », ce dont nous pouvons être sûrs est de savoir si la capacité conversationnelle des machines peut être distinguée de celle des humains. L’idée implicite est que le langage représente le summum de l’intelligence humaine et que les machines capables de parler doivent donc être intelligentes.

D'une certaine manière, Turing avait raison, mais d'une autre manière, il avait tort.

Bien qu'aucune IA ne puisse réussir le test de Turing, récemment, des systèmes linguistiques formés sur de grandes bibliothèques de textes ont abouti à des conversations convaincantes. Ce succès révèle également dans une certaine mesure à quel point il est facile pour nous de penser à l'intelligence comme à l'action, à l'action et même à la conscience. sont attribués à l’interlocuteur. Mais en même temps, ces systèmes fonctionnent encore mal sur certaines tâches de raisonnement, ce qui souligne le fait que Turing a négligé le fait que l’intelligence est bien plus qu’une simple capacité linguistique.

Les nombreuses erreurs actuellement commises par les systèmes de traitement du langage naturel (NLP) illustrent également le manque fondamental de sémantique, de raisonnement causal et de bon sens de IA. Pour ces modèles, la signification des mots réside dans leur co-occurrence statistique, pas dans le monde réel, de sorte que même les modèles de langage les plus avancés, malgré leurs capacités croissantes, sont encore limités dans certaines connaissances de base. Encore de mauvaises performances en matière de connaissances générales en physique .

Le test de Turing tel qu'il a été formulé à l'origine n'a pas exploré la capacité de l'IA à partager avec les animaux et à comprendre le monde physique de manière flexible, mais a seulement établi une norme qualitative simple permettant de juger des progrès que nous avons réalisés dans la construction de l'IA. . La compréhension et les capacités peuvent être basées sur la perception humaine et les capacités motrices, perfectionnées au cours d’innombrables générations de sélection naturelle.

À cet égard, l'auteur a proposé un « test de Turing incorporé » élargi (le test de Turing incorporé) dans le livre blanc, qui inclut des capacités sensorimotrices avancées pour mener des interactions d'IA avec des humains et d'autres animaux.

Prenons l'exemple des animaux. Chaque animal a son propre ensemble de capacités, ils définissent donc également leur propre test de Turing incarné, comme tester la capacité des castors artificiels à construire des barrages, la capacité des écureuils à sauter des arbres, etc. . Parmi elles, de nombreuses capacités sensorimotrices de base sont partagées par presque tous les animaux, et la capacité des animaux à développer rapidement les compétences sensorimotrices nécessaires pour s'adapter à de nouveaux environnements montre également que ces compétences de base leur fournissent une base solide.

Voici plusieurs caractéristiques communes des capacités sensorimotrices présentées dans le livre blanc.

Interagir avec le monde

Se déplacer avec un but précis et interagir avec l'environnement sont les caractéristiques déterminantes des animaux.

Bien que la robotique ait récemment fait des progrès dans l'optimisation du contrôle, de l'apprentissage par renforcement et de l'apprentissage par imitation, elle est encore loin d'atteindre le contrôle du corps et la manipulation des objets au niveau animal.

L'auteur souligne que puisque les neurosciences peuvent fournir des conseils sur les architectures modulaires et en couches, lorsque ces architectures sont adaptées à l'IA, l'IA peut également avoir ces capacités.

De plus, les neurosciences nous fournissent également quelques principes directeurs pour la conception de systèmes d'IA, tels que l'autonomie partielle (comment les modules de bas niveau dans la hiérarchie peuvent agir de manière semi-autonome sans l'apport des modules de haut niveau) et le contrôle par étapes. (Comment les mouvements initialement générés par des processus de planification lents sont finalement transférés vers des systèmes réflexes rapides) etc.

Comprendre comment des réseaux neuronaux spécifiques sont impliqués dans différentes tâches - telles que la locomotion, le contrôle précis des membres, des mains et des doigts, la perception et la sélection des actions - peut ouvrir la voie à la manière dont de tels systèmes peuvent être mis en œuvre dans les robots, et éventuellement Apporter des solutions pour d’autres formes d’« intelligence » dans des domaines plus cognitifs. Par exemple, l’intégration de principes de circuit pour le contrôle de mouvement de bas niveau peut contribuer à fournir une meilleure base pour la planification de mouvement de haut niveau dans l’IA.

Flexibilité du comportement animal

Un autre objectif de la compréhension des réseaux neuronaux spécifiques est de développer des systèmes d'intelligence artificielle capables de s'engager dans un grand nombre de tâches flexibles et diverses d'une manière qui fait écho à la gamme de comportements produits par les animaux individuels.

Aujourd'hui, l'IA peut facilement apprendre à surpasser les humains dans des jeux vidéo comme Human Torch, simplement en utilisant les pixels à l'écran et les scores des jeux. Cependant, contrairement aux joueurs humains, ces IA sont fragiles et très sensibles aux petites perturbations, et un léger changement dans les règles du jeu ou quelques pixels d’entrée peut entraîner des performances catastrophiquement médiocres. En effet, l’IA apprend une cartographie des pixels aux actions qui n’implique pas une compréhension des agents, des objets et de la physique qui les régissent dans le jeu.

De même, une voiture autonome elle-même ne comprendrait pas les dangers de la chute d'une boîte du camion devant elle à moins qu'elle ne voit réellement un cas où la chute d'une boîte d'un camion a entraîné un mauvais résultat. Même s'il est formé aux dangers des chutes de caisses, le système peut considérer un sac plastique vide soufflé par la voiture qui le précède comme un obstacle à éviter à tout prix, car il ne comprend pas réellement qu'un sac plastique est Quoi, ou à quel point c'est physiquement menaçant. Cette incapacité à gérer des scénarios non visibles dans les données de formation constitue un défi majeur pour les systèmes d’IA largement utilisés.

Pour réussir dans un monde imprévisible et en constante évolution, un agent doit être flexible et maîtriser les nouveaux changements à travers les tendances régulières de la situation, ce que font aussi les animaux. Parce que les animaux sont ancrés dans des interactions du monde réel, au cours de leur évolution et de leur développement, ils naissent avec la plupart des compétences dont ils ont besoin pour s'épanouir, ou les acquièrent rapidement à partir d'une expérience limitée.

Il est donc clair que s’entraîner à une tâche spécifique à partir de zéro n’est pas la façon dont les animaux acquièrent des compétences. Les animaux n’entrent pas dans un monde vierge et ne s’appuient pas ensuite sur de grands ensembles d’entraînement étiquetés pour apprendre. Bien que l'apprentissage automatique ait cherché des moyens d'éviter cette « page blanche », notamment l'apprentissage auto-supervisé, l'apprentissage par transfert, l'apprentissage continu, le méta-apprentissage, l'apprentissage ponctuel et l'apprentissage par imitation, ces méthodes sont loin d'atteindre la flexibilité trouvée. chez les animaux.

À cette fin, les auteurs estiment que la compréhension des principes au niveau des circuits neuronaux qui sous-tendent la flexibilité comportementale dans le monde réel, même chez les animaux simples, a le potentiel d'améliorer considérablement la flexibilité et l'utilité de l'IA. Autrement dit, nous pouvons tirer parti des processus d’optimisation dans lesquels l’évolution s’est déjà engagée, accélérant considérablement la recherche de circuits universels pour les interactions du monde réel.

Efficacité énergétique

Actuellement, un défi important auquel l'IA est confrontée et que notre cerveau a surmonté est l'efficacité énergétique. Par exemple, la formation d’un grand modèle de langage tel que GPT‑3 nécessite plus de 1 000 mégawattheures, soit suffisamment pour alimenter une petite ville pendant une journée. La quantité totale d’énergie utilisée pour entraîner l’IA est importante et augmente rapidement. En comparaison, les systèmes biologiques sont plus économes en énergie, par exemple, consomme environ 20 watts.

La différence dans les exigences en matière de capacités entre le cerveau et l'ordinateur provient de la différence dans le traitement de l'information. Au niveau algorithmique, les réseaux de neurones artificiels modernes à grande échelle, tels que les modèles de langage à grande échelle, s'appuient sur de grandes architectures de rétroaction, et leur focalisation sur la séquence de processus au fil du temps ignore souvent le pouvoir potentiel de la récursivité pour le traitement des informations continues. .

Actuellement, comme nous ne disposons pas d'un mécanisme efficace de calcul d'allocation de crédits dans les réseaux récurrents, la façon dont le cerveau utilise une architecture de boucle flexible pour traiter les séquences à long terme peut évidemment résoudre efficacement le problème d'allocation de crédits temporels - encore mieux que l'actuel. réseaux de neurones artificiels Le mécanisme d'allocation de crédit feedforward utilisé dans le réseau est plus efficace. Si nous pouvons utiliser le cerveau pour guider la conception de mécanismes d'entraînement efficaces pour les circuits récurrents, pourrons peut-être améliorer notre capacité à traiter des données séquentielles tout en améliorant encore l'efficacité énergétique du système.

Deuxièmement, au niveau de la mise en œuvre, les neurones biologiques interagissent principalement en transmettant des potentiels d'action (spikes), ce qui est un protocole de communication asynchrone. Tout comme l'interaction entre les éléments numériques traditionnels, la sortie d'un neurone peut être considérée comme une chaîne de 0 et de 1, mais contrairement à un ordinateur numérique, la consommation d'énergie d'un « 1 » (c'est-à-dire un pic) est plusieurs fois plus élevée. que celui d'un ordre de grandeur "0". Étant donné que les circuits biologiques fonctionnent dans un état peu dense (même les neurones très actifs dépassent rarement un cycle de service de 10 % et la plupart fonctionnent à un rythme inférieur), ils sont beaucoup plus économes en énergie.

De plus, d'autres facteurs peuvent également contribuer à améliorer l'efficacité énergétique des réseaux biologiques. Par exemple, les réseaux biologiques peuvent toujours calculer efficacement même si certains composants sont très peu fiables ou « bruyants ».

La libération synaptique - la façon dont les neurones communiquent - peut être si peu fiable que seulement 1 message sur 10 est délivré. Les circuits sont organisés de telle manière que les trains de pointes sont très variables, une propriété qui peut permettre aux circuits neuronaux d'effectuer un raisonnement probabiliste.

Il s'agit d'une forme de calcul robuste dans des conditions incertaines. Bien que de nombreuses recherches travaillent actuellement dur pour exploiter le potentiel des réseaux de pointe, à ce jour, il n'existe pas d'« application tueuse » qui puisse rivaliser avec l'efficacité énergétique du biologique. circuits". Le principal problème actuel est que les « puces neuromorphiques » ne reproduisent pas les fonctions innées des circuits neuronaux et ne sont pas faciles à entraîner. Ainsi, même si elles sont plus économes en énergie, elles ne sont pas aussi utiles que leurs homologues numériques gourmandes en énergie.

Dans de telles circonstances, l'auteur propose que pour atteindre une efficacité énergétique plus élevée dans l'IA, nous pouvons non seulement nous appuyer sur l'idée de réseaux de pointes clairsemés, mais également y parvenir en fournissant des puces neuromorphiques avec des fonctions de circuits neuronaux et des règles d'apprentissage .

3 Comment gérer le test de Turing incorporé

Alors, comment devrions-nous développer une IA capable de tester le test de Turing incorporé ?

L'auteur estime qu'il est peut-être possible de procéder étape par étape du point de vue de l'histoire de l'évolution. Par exemple, la plupart des animaux effectuent des mouvements dirigés vers un objectif, comme se diriger vers la nourriture et s’éloigner des menaces. S'appuyant sur cela, des compétences plus complexes, notamment combiner différents sens, comme la vue ou l'odorat, distinguer les aliments des menaces grâce à différentes informations sensorielles, naviguer vers des emplacements précédents, peser les incitations et les menaces pour atteindre des objectifs et interagir avec le monde de manière précise. servir des objectifs et plus encore.

Ces capacités complexes peuvent être trouvées dans des organismes simples comme les vers, mais chez des animaux plus complexes comme les poissons et les mammifères, ces capacités sont conçues pour être combinées avec de nouvelles stratégies afin de permettre des stratégies comportementales plus puissantes. Cette perspective évolutive suggère une stratégie pour résoudre le test de Turing incorporé en le décomposant en une série de défis incrémentaux interdépendants et en optimisant de manière itérative cette série.

De plus, les organismes qui représentent des défis de niveau faible et moyen comprennent les vers, les mouches, les poissons, les rongeurs et les primates. Ce sont tous des systèmes largement utilisés dans la recherche en neurosciences. Nous pouvons tirer parti des connaissances antérieures sur ces animaux. modèles comportementaux. Accumuler des connaissances sur les circuits et les mécanismes qui les sous-tendent et mener des recherches connexes sur des ordinateurs à l'aide d'environnements virtuels et de créatures virtuelles.

Afin d'atteindre le niveau flexible de comportement souhaité, l'IA qui réussit le test de Turing incorporé sera confrontée à une série de tests spécifiques à l'espèce pour explorer l'apprentissage auto-supervisé, l'apprentissage continu, l'apprentissage par transfert, le méta-apprentissage et la mémoire permanente. , Ces tests peuvent également être standardisés afin que nous puissions mesurer les progrès de la recherche. En fin de compte, les organismes virtuels performants peuvent être adaptés au monde physique grâce à des efforts robotiques et utilisés pour résoudre des problèmes du monde réel.

Pour atteindre les objectifs mentionnés ci-dessus, cela nécessite non seulement beaucoup de ressources, mais également des réalisations dans des disciplines autres que l'intelligence artificielle et les neurosciences traditionnelles comme la psychologie, l'ingénierie et la linguistique. Au-delà de la simple mise à profit de l’expertise existante dans ces disciplines, notre priorité absolue est de former une nouvelle génération de chercheurs en IA qui excellent à la fois en ingénierie/informatique et en neurosciences.

Ces chercheurs s'appuieront sur des décennies de neurosciences pour tracer de nouvelles orientations pour la recherche sur l'intelligence artificielle. Le plus grand défi sera de déterminer comment exploiter les synergies des neurosciences, de la science informatique et d’autres domaines connexes pour faire progresser l’exploration, c’est-à-dire déterminer quels détails des circuits cérébraux, de la biophysique et de la chimie sont importants et quels détails peuvent être utilisés dans les applications de l’IA. . négligence.

Par conséquent, nous avons besoin de toute urgence de chercheurs ayant une certaine formation dans différents domaines, capables d'extraire les connaissances en neurosciences de manière conviviale par ordinateur et d'aider à concevoir des expériences pour générer de nouveaux résultats de recherche neurobiologiques liés à l'intelligence artificielle.

Deuxièmement, nous devons créer une plateforme partagée qui puisse développer et tester ces agents virtuels. L’un des plus grands défis techniques auxquels nous serons confrontés dans la création d’itérations, la mise en œuvre du test de Turing et l’évolution d’organismes artificiels pour répondre à ce besoin est la puissance de calcul. Actuellement, la formation d’un grand modèle de réseau neuronal uniquement pour une seule tâche spécifique (telle que le contrôle du corps dans un espace 3D) peut prendre des jours sur du matériel distribué spécialisé.

Troisièmement, nous devons soutenir la recherche théorique et expérimentale fondamentale sur l’informatique neuronale.

Nous avons beaucoup appris sur le cerveau au cours des dernières décennies et nous commençons à comprendre de plus en plus les cellules individuelles du cerveau, les neurones et la manière dont ces éléments fonctionnent dans le cadre de circuits simples. Forts de la connaissance de ces modules, notre prochaine étape consiste à consacrer nos efforts à explorer le fonctionnement du cerveau, un système intelligent intégré.

Pour explorer tout cela, vous devez comprendre en profondeur comment 100 milliards de neurones de 1 000 types différents sont connectés entre eux, et vous devez comprendre la flexibilité entre chaque neurone et des milliers d'autres neurones. Les connexions adaptables nécessitent également une compréhension de l'informatique. le pouvoir, c'est-à-dire l'intelligence.

Nous devons donc procéder à une ingénierie inverse du cerveau et faire abstraction des principes de base de son fonctionnement.

Veuillez noter que le développement d'agents virtuels accélérera considérablement ce processus, car les agents virtuels permettront des comparaisons directes entre les expériences avec des animaux réels et des animaux simulés par ordinateur, ce qui révélera un contrôle robuste et des mécanismes intrinsèques flexibles des propriétés au niveau des circuits neuronaux. et les mécanismes nécessaires au comportement, à l’efficacité énergétique et au comportement intelligent.

Tirer parti des puissantes synergies entre les neurosciences et l’intelligence artificielle nécessite un soutien aux projets et aux infrastructures pour organiser et permettre la recherche à grande échelle dans toutes les disciplines.

4

Conclusion

Bien que les neurosciences favorisent depuis longtemps le développement de l'intelligence artificielle et que son développement futur présente également un énorme potentiel, la plupart des ingénieurs et des informaticiens de la communauté de l'intelligence artificielle ne sont pas conscients des avantages de neurosciences Ce style de stock.

L'influence des neurosciences sur les idées de von Neumann, Turing et d'autres géants de la théorie informatique est rarement mentionnée dans les cours typiques d'informatique ; des conférences de pointe sur l'intelligence artificielle telles que NeurIPS étaient autrefois utilisées pour partager et démontrer les neurosciences computationnelles et les dernières nouveautés. résultats de l'apprentissage automatique, mais Les personnes participant à la conférence se concentrent désormais presque uniquement sur l'apprentissage automatique et ignorent les neurosciences.

"Les ingénieurs n'étudient pas les oiseaux pour construire de meilleurs avions" est un dicton courant. Mais l’analogie échoue, en partie parce que les pionniers de l’aviation ont étudié les oiseaux, et les chercheurs le font encore à l’ère moderne. De plus, cette analogie n'est pas vraie à un niveau plus fondamental : l'objectif de l'ingénierie aéronautique moderne n'est pas de réaliser un vol « à la hauteur des oiseaux », mais l'objectif premier de l'intelligence artificielle est en effet d'atteindre, ou de dépasser, un vol « à la hauteur des humains ». " intelligence.

Tout comme les ordinateurs surpassent les humains dans de nombreux aspects (comme la capacité de calculer des nombres premiers), les avions surpassent les oiseaux en termes de vitesse, de portée et de capacité de chargement. Si l'objectif des ingénieurs aéronautiques est effectivement de construire une machine dotée de capacités « au niveau des oiseaux » capable de voler à travers des forêts denses et d'atterrir en douceur sur des branches d'arbres, alors ces ingénieurs devront prêter une attention particulière à la façon dont les oiseaux le font.

De même, si l’objectif de l’intelligence artificielle est d’atteindre une intelligence sensorimotrice de bon sens au niveau animal, les chercheurs feraient mieux d’apprendre des animaux et d’apprendre comment les animaux ont évolué pour se comporter dans ce monde imprévisible.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!