Bengio, LeCun 등이 공동으로 NeuroAI 백서를 발표했습니다. 지능의 본질은 감각 운동 능력이며 AI는 구현된 Turing 테스트의 큰 도전에 직면해 있습니다.

이 기사는 Lei Feng.com에서 복제되었습니다. 재인쇄가 필요한 경우 Lei Feng.com 공식 웹사이트로 이동하여 승인을 신청하세요.

역사적으로 신경과학은 인공 지능 개발의 주요 원동력이자 영감의 원천이었으며, 특히 비전, 보상 기반 학습, 물리적 세계와의 상호 작용, 인간과 다른 동물이 매우 능숙한 분야에서 신경과학의 도움을 받아 이러한 분야에서 발전을 이루세요.

그러나 최근 몇 년 동안 인공지능의 연구 방식은 신경과학에서 멀어지고 있는 것 같습니다. 동시에 인공지능은 인간 지능을 따라잡는 길에도 계속 어려움을 겪고 있습니다. 이런 배경에서 신경과학으로 회귀하는 인공지능의 물결이 형성되고 있다.

최근 백서에서는 "NeuroAI가 차세대 인공지능 혁명을 촉진할 것"이라는 선언문을 발표했습니다.

"차세대 인공 지능을 향하여: NeuroAI 혁명 촉진"이라는 제목의 이 백서에는 Turing Award 수상자 두 명인 Yoshua Bengio와 Yann LeCun은 물론 기계 학습 및 신경 과학에 전념하는 사람들이 모였습니다. 연구.

그들은 다음과 같이 요구합니다. 인공 지능의 발전을 가속화하고 그 엄청난 잠재력을 실현하려면 NeuroAI의 기초 연구에 전념해야 합니다.

백서에서는 먼저 다음과 같이 제안합니다. 생물학적 지능의 기본 요소는 동물이 세계와 감각 운동 상호 작용에 참여할 수 있는 능력에 있습니다.

이 전제에서 출발하여 그들은 NeuroAI의 궁극적인 도전으로 Embodied Turing Test(The Embodied Turing Test)를 제안했습니다. 그 핵심은 특히 세계와의 상호 작용과 동물 행동의 유연성을 포함한 고급 감각 운동 능력에 있습니다. 성능, 에너지 효율성 및 기타 특성.

동시에 백서에서는 AI 시스템의 구현된 튜링 테스트를 진화 역사의 관점에서 중급 단계부터 고급 유기체의 지능으로 분해하여 구현된 튜링 테스트를 다루는 경로도 구상합니다. 낮은 수준의 유기체부터 더 복잡한 유기체까지.

1 NeuroAI: 지능의 본질은 감각운동에 있습니다.

인공지능이 신경과학으로 복귀하는 것은 불가피합니다.

인공 지능 혁명의 씨앗은 수십 년 전 신경과학자 McCulloch와 Pitts가 뇌가 계산하는 방식을 이해하려고 노력하던 1943년에 처음으로 뉴런의 속성에 대한 수학적 표현을 제안했을 때 계산 신경과학에 뿌려졌습니다.

폰 노이만의 발명은 실제로 "인공 두뇌"를 구축하는 그의 초기 작업에서 파생되었습니다. 그는 1940년대 뇌에 대한 매우 제한된 지식에서 영감을 얻었습니다.

최신 인공지능의 물결을 일으킨 심층 컨벌루션 네트워크는 고양이의 시각 처리 회로에 대한 연구에서 직접 영감을 받은 인공 신경망(ANN)을 기반으로 구축되었습니다.

마찬가지로 강화 학습(RL)의 개발도 학습 과정에서 동물의 신경 활동에서 직접적으로 영감을 받았습니다.

수십년이 지나면서 인공신경망과 강화학습이 인공지능의 주류 기술이 되었기 때문에 대중의 눈에는 '일반 인공지능'의 장기적인 목표는 우리 손에 닿은 것처럼 보입니다.

그러나 이러한 낙관과는 달리 많은 일선 인공지능 연구자들은 인간뿐만 아니라 인간의 모든 작업을 완료할 수 있는 인공 시스템을 구축하려면 여전히 새로운 획기적인 발전이 필요하다고 믿습니다. 쥐와 같은 단순한 동물도 마찬가지입니다.

현재 AI는 이 목표에 도달하지 못합니다.

AI는 체스나 바둑과 같은 게임에서 인간 상대를 쉽게 이길 수 있지만 새로운 것에 직면할 만큼 강력하지 않습니다. 우리는 게임을 할 때 종종 어려움에 직면합니다.

AI는 아직 "선반으로 걸어가기, 체스판 내리기, 체스 말 배열하기, 게임에서 체스 말 옮기기"와 같은 일련의 간단한 동작을 수행할 수 없습니다. AI의 감각 운동 능력은 아직 비교할 수 없습니다. 19세 어린이나 심지어 단순한 동물과 비교할 수 없을 정도로 AI에는 예측할 수 없는 세계와 상호작용하고 새로운 상황에 대처하는 데 어려움을 겪는 능력이 부족합니다. 이는 모든 동물이 쉽게 습득하는 기본 능력입니다.

따라서 현재의 길을 계속 가면 위의 문제를 해결하기 어려울 것이라고 의심하는 AI 연구자들이 점점 늘어나고 있습니다.

AI가 보다 자연스러운 지능을 갖도록 만드는 것이 우리의 목표이기 때문에 자연 지능 시스템에서 새로운 영감이 필요할 것입니다.

컨벌루션 인공 신경망 및 강화 학습과 같은 것들은 신경 과학에서 영감을 얻은 반면, 기계 학습에 대한 대부분의 최신 연구는 수십 년간의 신경 과학에서 영감을 받은 방법을 사용하여 신경 네트워크를 기반으로 합니다. 뇌의 주의 메커니즘.

현대 신경과학은 실제로 여전히 AI에 영향을 미치고 있지만 그 영향은 여전히 ​​매우 작습니다. 이것은 놓친 기회입니다. 지난 수십 년 동안 우리는 뇌에 ​​관한 풍부한 지식을 축적해 왔으며 이를 통해 자연 지능을 뒷받침하는 해부학적, 기능적 구조에 대한 통찰력을 얻을 수 있었습니다.

이 과학자들이 이 백서에서 선언을 발표한 것은 이러한 배경에서입니다.

NeuroAI 는 더 나은 이해를 전제로 하는 신경과학과 AI의 교차점에 있는 신흥 분야입니다. 신경 컴퓨팅은 지능의 기본 구성 요소를 밝혀내고 AI의 다음 혁명을 촉진하여 궁극적으로 인간과 맞먹거나 심지어 능가하는 능력을 갖춘 인공 지능 에이전트를 실현할 것입니다. 그들은 지금이야말로 생물학적 지능의 원리를 식별하고 이해하고 이를 컴퓨터와 로봇 시스템에 사용하기 위해 추상화하기 위한 대규모 노력을 시작하기에 좋은 시기라고 믿습니다.

그렇다면 생물지능의 가장 중요한 요소는 무엇일까요?

그들은 적응성, 유연성, 희박한 관찰로부터 일반적인 추론을 하는 능력이 지능의 기본 요소라고 믿습니다. 그들은 수억 년 동안 우리 진화의 기본에 어떤 형태로든 존재해 왔습니다. 감각 운동 회로.

추상적 사고와 추론은 종종 인간 고유의 지능적인 행동으로 간주되지만, 인공지능의 선구자인 Moravec이 말했듯이 추상적 사고는 단지 "새로운 기술, 아마도 10만 년도 안 된... 그것이 유효한 이유는 그것은 오래되고 더 강력하지만 종종 무의식적인 감각 운동 지식에 의해 뒷받침됩니다.”

AI가 할 수 있다면 쥐, 쥐, 인간이 아닌 영장류가 실험에서 더 다루기 쉬운 모델이 될 수 있다는 것은 확실히 좋은 소식입니다. 그들의 지각 능력과 운동 능력이 일치하면 인간 지능을 향한 단계는 훨씬 작아질 것입니다. 따라서 모든 동물이 세상과 체화된 감각운동 상호작용에서 보유하는 핵심 능력을 파악한다면 NeuroAI는 상당한 발전을 가져올 것입니다.

2 능력. 해당 대회에서 인간 심사위원은 실제 사람과 인간의 반응을 모방하도록 훈련된 기계 간의 자연어 대화를 평가해야 했습니다.

튜링은 "기계가 생각할 수 있는지 여부"라는 답할 수 없는 질문에 비해 우리가 확신할 수 있는 것은 기계의 대화 능력이 인간의 대화 능력과 구별될 수 있는지 여부라고 제안했습니다. 암묵적인 견해는 언어가 인간 지능의 정점을 나타내므로 말할 수 있는 기계는 지능적이어야 한다는 것입니다.

어떤 면에서는 튜링이 옳았지만 다른 면에서는 틀렸습니다.

어떤 AI도 튜링 테스트를 통과할 수는 없지만 최근 대규모 텍스트 라이브러리에서 훈련된 언어 시스템은 설득력 있는 대화를 달성했습니다. 이러한 성공은 또한 우리가 지능을 주체, 의식으로 생각하는 것이 얼마나 쉬운지 어느 정도 드러냅니다. 대담 자에게 귀속됩니다. 그러나 동시에 이러한 시스템은 특정 추론 작업에서 여전히 제대로 작동하지 않으며, 이는 Turing이 지능이 단순한 언어 능력 이상의 것임을 간과했다는 사실을 강조합니다.

현재 자연어 처리(NLP) 시스템에서 저지르는 많은 실수는 AI의 의미론, 인과 추론 및 상식이 근본적으로 부족함을 보여줍니다. 이러한 모델의 경우 단어의 의미는 실제 세계가 아닌 통계적 동시 발생에 있으므로 가장 발전된 언어 모델이라도 성능이 향상됨에도 불구하고 일부 기본 기능에서는 여전히 제한적입니다. 물리학에 대한 일반 지식의 성능은 여전히 ​​낮습니다. .

원래 공식화된 튜링 테스트는 AI가 동물과 공유하고 물리적 세계를 유연하게 이해하는 능력을 탐색하는 것이 아니라, AI 구축에 있어 이룬 진전을 판단하는 간단한 질적 기준만 확립한 것입니다. . 이해와 능력은 수많은 세대의 자연 선택을 통해 연마된 인간의 지각과 운동 능력에 기초할 수 있습니다.

이와 관련하여 저자는 백서에서 인간 및 다른 동물과 AI 상호 작용 및 비교를 수행하는 고급 감각 운동 능력을 포함하는 확장된 "Embodied Turing Test"(The Embodied Turing Test)를 제안했습니다.

동물을 예로 들어 보겠습니다. 각 동물은 고유한 능력을 갖고 있으므로 인공 비버의 댐 건설 능력 테스트, 다람쥐의 나무 점프 능력 테스트 등 자체적으로 구현된 튜링 테스트도 정의합니다. . 그중 많은 핵심 감각운동 능력은 거의 모든 동물이 공유하며, 새로운 환경에 적응하는 데 필요한 감각운동 기술을 빠르게 발전시키는 동물의 능력은 이러한 핵심 기술이 동물에게 견고한 기반을 제공한다는 것을 나타냅니다.

백서에 소개된 감각운동 능력의 몇 가지 공통적인 특징은 다음과 같습니다.

세상과의 상호작용

목적을 가지고 움직이고 환경과 상호작용하는 것이 동물의 특징입니다.

최근 로봇 공학이 제어 최적화, 강화 학습, 모방 학습 분야에서 진전을 이루었지만, 동물 수준의 신체 제어 및 물체 조작에는 아직 갈 길이 멀습니다.

저자는 신경과학이 모듈식 및 계층형 아키텍처에 대한 지침을 제공할 수 있기 때문에 이러한 아키텍처가 AI에 적용되면 AI도 이러한 기능을 가질 수 있다고 지적합니다.

그뿐만 아니라 신경과학은 부분 자율성(계층 구조의 하위 수준 모듈이 상위 수준 모듈의 입력 없이 반자율적으로 작동할 수 있는 방법) 및 단계적 제어와 같은 AI 시스템 설계에 대한 몇 가지 원칙 지침도 제공합니다. (처음에는 느린 계획 프로세스에 의해 생성된 움직임이 결국 빠른 반사 시스템으로 전환되는 방식) 등

이동, 팔다리, 손, 손가락의 미세 제어, 지각, 동작 선택 등 특정 신경망이 다양한 작업에 어떻게 관여하는지 이해하면 이러한 시스템을 로봇에서 구현하는 방법에 대한 경로를 제공할 수 있습니다. 더 많은 인지 영역에서 다른 형태의 "지능"에 대한 솔루션을 제공합니다. 예를 들어, 낮은 수준의 모션 제어를 위한 회로 원리를 통합하면 AI의 높은 수준 모션 계획을 위한 더 나은 기반을 제공하는 데 도움이 될 수 있습니다.

동물 행동의 유연성

특정 신경망을 이해하는 또 다른 목표는 개별 동물이 생산하는 다양한 행동을 반영하는 방식으로 수많은 유연하고 다양한 작업에 참여할 수 있는 인공 지능 시스템을 개발하는 것입니다.

오늘날 AI는 화면의 픽셀과 게임 점수를 사용하여 Human Torch와 같은 비디오 게임에서 인간을 능가하는 방법을 쉽게 배울 수 있습니다. 그러나 인간 플레이어와 달리 이러한 AI는 부서지기 쉽고 작은 변동에 매우 민감하며 게임 규칙이 약간 변경되거나 입력 픽셀이 몇 개만 있어도 성능이 심각하게 저하될 수 있습니다. 이는 AI가 게임에서 이를 지배하는 에이전트, 개체 및 물리학에 대한 이해를 포함하지 않는 픽셀에서 동작으로의 매핑을 학습하기 때문입니다.

마찬가지로, 자율주행차 자체는 트럭에서 상자가 떨어져 나쁜 결과를 초래하는 사례를 실제로 보지 않는 한 앞 트럭에서 상자가 떨어지는 위험성을 이해하지 못할 것입니다. 상자가 떨어지는 위험에 대해 교육을 받더라도 시스템은 앞차에서 날아온 빈 비닐봉지를 어떻게 해서든 피해야 할 장애물로 간주할 수 있습니다. 그것이 무엇인지, 얼마나 육체적으로 위협적인지. 훈련 데이터에서 볼 수 없는 시나리오를 처리할 수 없다는 것은 AI 시스템에 널리 의존하는 주요 과제입니다.

예측할 수 없고 끊임없이 변화하는 세상에서 성공하려면 에이전트가 유연해야 하며 상황의 일반적인 추세를 통해 새로운 변화를 숙달해야 합니다. 동물도 마찬가지입니다. 동물은 실제 세계의 상호 작용에 기반을 두고 있기 때문에 진화와 발달 과정을 통해 동물은 번창하는 데 필요한 대부분의 기술을 가지고 태어나거나 제한된 경험을 통해 빠르게 습득합니다.

따라서 처음부터 특정 작업을 위한 훈련이 동물이 기술을 습득하는 방식이 아니라는 것은 분명합니다. 동물은 빈 슬레이트 세계에 들어간 다음 큰 라벨이 붙은 훈련 세트에 의존하여 학습하지 않습니다. 기계 학습은 자기 지도 학습, 전이 학습, 연속 학습, 메타 학습, 일회성 학습 및 모방 학습을 포함하여 이러한 "백지 상태"를 피할 수 있는 방법을 찾고 있지만 이러한 방법은 발견된 유연성에 근접하지 못했습니다. 동물에서.

이를 위해 저자는 단순한 동물에서도 현실 세계의 행동 유연성의 기초가 되는 신경 회로 수준 원리를 이해하면 AI의 유연성과 유용성을 크게 향상시킬 수 있는 잠재력이 있다고 믿습니다. 즉, 우리는 진화가 이미 참여하고 있는 최적화 프로세스를 활용하여 실제 상호 작용을 위한 보편적인 회로 검색을 크게 가속화할 수 있습니다.

에너지 효율성

현재 우리 두뇌가 극복한 AI가 직면한 중요한 과제는 에너지 효율성입니다. 예를 들어, GPT‑3와 같은 대규모 언어 모델을 훈련하려면 작은 마을에 하루 동안 전력을 공급할 수 있는 양인 1,000메가와트시 이상이 필요합니다. AI를 훈련하는 데 사용되는 총 에너지 양은 많고 빠르게 증가하고 있습니다. 이에 비해 생물학적 시스템은 예를 들어 약 20와트를 더 효율적으로 사용합니다.

뇌와 컴퓨터의 능력 요구 사항의 차이는 정보 처리의 차이에서 비롯됩니다. 알고리즘 수준에서 대규모 언어 모델과 같은 현대의 대규모 인공 신경망은 대규모 피드포워드 아키텍처에 의존하며, 시간이 지남에 따라 일련의 프로세스에 자체 초점을 두는 경우 연속 정보를 처리하기 위한 재귀의 잠재적인 힘을 종종 무시합니다. .

현재 순환 네트워크에는 효과적인 크레딧 할당 계산 메커니즘이 없기 때문에 두뇌가 유연한 루프 아키텍처를 사용하여 장기 시퀀스를 처리하는 방식은 분명히 시간 크레딧 할당 문제를 효율적으로 해결할 수 있습니다. 현재보다 훨씬 더 좋습니다. 인공 신경망 네트워크에 사용되는 피드포워드 크레딧 할당 메커니즘이 더 효율적입니다. 뇌를 사용하여 순환 회로에 대한 효율적인 훈련 메커니즘을 설계하는 방법을 안내할 수 있다면 순차 데이터 처리 능력을 향상시키는 동시에 시스템의 에너지 효율성을 더욱 향상시킬 수 있습니다.

두 번째로, 구현 수준에서 생물학적 뉴런은 주로 비동기 통신 프로토콜인 활동 전위(스파이크) 전송을 통해 상호 작용합니다. 전통적인 디지털 요소 간의 상호 작용과 마찬가지로 뉴런의 출력은 0과 1의 문자열로 생각할 수 있지만 디지털 컴퓨터와 달리 "1"(즉, 피크)의 에너지 소비는 몇 배 더 높습니다. "0" 크기보다 더 큽니다. 생물학적 회로는 스파이크가 희박한 상태에서 작동하기 때문에(매우 활동적인 뉴런이라도 듀티 사이클이 10%를 초과하는 경우가 거의 없고 대부분은 더 낮은 속도로 작동하므로) 훨씬 더 에너지 효율적입니다.

또한 다른 요인도 생물학적 네트워크의 에너지 효율성을 향상시키는 데 기여할 수 있습니다. 예를 들어 생물학적 네트워크는 일부 구성 요소가 매우 불안정하거나 "시끄러운" 경우에도 여전히 효율적으로 계산할 수 있습니다.

뉴런이 통신하는 방식인 시냅스 방출은 너무 불안정하여 메시지 10개 중 1개만 전달될 수 있습니다. 회로는 스파이크 트레인이 매우 가변적이며 신경 회로가 확률적 추론을 수행할 수 있도록 하는 속성으로 구성됩니다.

이것은 불확실한 조건에서 강력한 컴퓨팅의 한 형태입니다. 현재 많은 연구가 피크 네트워크의 잠재력을 활용하기 위해 열심히 노력하고 있지만 현재까지 생물학적 에너지 효율성에 필적할 수 있는 "킬러 애플리케이션"은 없었습니다. 회로." 현재 가장 큰 문제는 "뉴로모픽 칩"이 타고난 신경 회로 기능을 복제하지도 않고 쉽게 훈련할 수도 없기 때문에 에너지 효율적이지만 에너지를 많이 소비하는 디지털 칩만큼 유용하지 않다는 것입니다.

이러한 상황에서 저자는 AI에서 더 높은 에너지 효율을 달성하려면 희소 스파이크 네트워크의 아이디어를 끌어낼 수 있을 뿐만 아니라 신경 회로 기능과 학습 규칙을 갖춘 뉴로모픽 칩을 제공하여 이를 달성할 수 있다고 제안합니다. .

3 Embodied Turing Test에 대처하는 방법

그렇다면 Embodied Turing Test를 테스트할 수 있는 AI는 어떻게 개발해야 할까요?

저자는 진화사의 관점에서 차근차근 진행하는 것이 가능할 수도 있다고 믿습니다. 예를 들어, 대부분의 동물은 먹이를 향해 이동하고 위협으로부터 멀어지는 등 목표 지향적인 움직임에 참여합니다. 이를 바탕으로 시각이나 후각과 같은 다양한 감각을 결합하고, 다양한 감각 정보를 통해 음식과 위협을 구별하고, 이전 위치로 이동하고, 목표 달성을 위해 인센티브와 위협을 평가하고, 정확한 방식으로 세상과 상호 작용하는 등 더 복잡한 기술이 구축됩니다. 목표 등을 달성하기 위해.

이러한 복잡한 능력은 벌레와 같은 단순한 유기체에서도 발견할 수 있지만, 물고기나 포유류와 같은 더 복잡한 동물에서는 이러한 능력이 새로운 전략과 결합되어 더욱 강력한 행동 전략을 가능하게 합니다. 이러한 진화적 관점은 구현된 Turing 테스트를 일련의 상호 의존적인 증분 과제로 나누고 이 시리즈를 반복적으로 최적화함으로써 이를 해결하기 위한 전략을 제안합니다.

또한 낮은 수준과 중간 수준의 문제를 나타내는 유기체에는 벌레, 파리, 물고기, 설치류 및 영장류가 포함되며 모두 신경 과학 연구에서 널리 사용되는 시스템입니다. 이러한 동물에 대한 이전 지식을 활용할 수 있습니다. 행동 패턴의 배후에 있는 회로와 메커니즘에 대한 지식을 축적하고, 가상 환경과 가상 생물을 활용하여 컴퓨터에 대한 관련 연구를 수행합니다.

원하는 행동의 유연한 수준을 달성하기 위해 구체화된 튜링 테스트를 통과한 AI는 자기 지도 학습, 연속 학습, 전이 학습, 메타 학습 및 평생 기억을 탐구하는 일련의 종별 테스트에 직면하게 됩니다. , 이러한 테스트를 표준화하여 연구 진행 상황을 측정할 수도 있습니다. 궁극적으로 성공적인 가상 유기체는 로봇의 노력을 통해 물리적 세계에 적응하고 실제 문제를 해결하는 데 사용될 수 있습니다.

위에 언급된 목표를 달성하려면 많은 자원뿐만 아니라 전통적인 인공 지능 및 신경 과학 이외의 심리학, 공학, 언어학 등 학문 분야의 성과도 필요합니다. 단순히 이러한 분야의 기존 전문 지식을 활용하는 것 이상으로, 우리의 최우선 과제는 엔지니어링/계산 과학 및 신경 과학 모두에서 탁월한 차세대 AI 연구원을 양성하는 것입니다.

이 연구자들은 수십 년의 신경 과학을 활용하여 인공 지능 연구의 새로운 방향을 제시할 것입니다. 가장 큰 과제는 신경 과학, 계산 과학 및 기타 관련 분야의 시너지 효과를 활용하여 탐구를 발전시키는 방법을 결정하는 것입니다. 즉, 뇌 회로, 생물 물리학 및 화학의 어떤 세부 사항이 중요하고 어떤 세부 사항이 AI 응용 프로그램에 사용될 수 있는지 결정하는 것입니다. . 소홀히 하다.

따라서 신경과학 지식을 컴퓨터 친화적인 방식으로 추상화하고 실험을 설계하여 인공지능과 관련된 새로운 신경생물학적 연구 결과를 생성할 수 있는 다양한 분야의 특정 훈련을 받은 연구원이 시급히 필요합니다.

둘째, 이러한 가상 에이전트를 개발하고 테스트할 수 있는 공유 플랫폼을 만들어야 합니다. 반복을 생성하고, Turing 테스트를 구현하고, 이러한 요구 사항을 해결하기 위해 인공 유기체를 진화시키는 과정에서 우리가 직면하게 될 가장 큰 기술적 과제 중 하나는 컴퓨팅 성능입니다. 현재 단일 특정 작업(예: 3D 공간에서 신체 제어)에 대해서만 대규모 신경망 모델을 훈련하는 데는 특수 분산 하드웨어에서 며칠이 걸릴 수 있습니다.

셋째, 신경 컴퓨팅에 대한 기초적인 이론 및 실험 연구를 지원해야 합니다.

우리는 지난 수십 년 동안 뇌에 대해 많은 것을 배웠고, 뇌의 개별 세포, 뉴런, 그리고 이러한 것들이 간단한 회로의 일부로 어떻게 기능하는지에 대해 점점 더 많이 이해하기 시작했습니다. 이러한 모듈에 대한 지식을 바탕으로 우리의 다음 단계는 통합 지능 시스템인 뇌가 어떻게 작동하는지 탐구하는 데 노력을 기울이는 것입니다.

이 전체를 탐구하려면 1,000가지 유형의 1,000억 개의 뉴런이 어떻게 연결되어 있는지 깊이 이해해야 하며, 각 뉴런과 수천 개의 다른 뉴런 사이의 유연성을 이해해야 하며, 적응 가능한 연결에도 컴퓨팅에 대한 이해가 필요합니다. 힘, 즉 지능. 그래서 우리는 뇌를 역설계하고 뇌 작동의 기본 원리를 추상화해야 합니다.

가상 에이전트를 사용하면 실제 동물과 컴퓨터 시뮬레이션 동물을 사용한 실험을 직접 비교할 수 있어 강력한 제어, 신경 회로 수준 속성의 유연한 고유 메커니즘이 드러날 수 있으므로 가상 에이전트의 개발은 이 프로세스를 크게 가속화할 것입니다. 행동, 에너지 효율성 및 지능적인 행동에 필요한 메커니즘.

신경과학과 인공 지능 간의 강력한 시너지 효과를 활용하려면 여러 학문 분야에 걸친 대규모 연구를 조직하고 활성화하기 위한 프로젝트 및 인프라 지원이 필요합니다.

4 결론

신경과학은 인공지능의 발전을 촉진해 온 오랜 역사를 가지고 있고, 향후 발전에도 큰 잠재력이 있음에도 불구하고, 인공지능 커뮤니티에 속한 대부분의 엔지니어와 컴퓨터 과학자들은 신경과학의 이점을 인식하지 못하고 있습니다. 신경과학 이 주식 스타일.

폰 노이만(von Neumann), 튜링(Turing) 및 기타 컴퓨팅 이론의 거인의 아이디어에 대한 신경과학의 영향은 NeurIPS와 같은 최첨단 인공 지능 컨퍼런스에서 한때 컴퓨터 신경과학과 최신 기술을 공유하고 시연하는 데 사용되었습니다. 그러나 컨퍼런스에 참석하는 사람들은 이제 거의 기계 학습에만 집중하고 신경과학을 무시합니다.

"엔지니어는 더 나은 비행기를 만들기 위해 새를 연구하지 않는다"는 흔한 말입니다. 그러나 이러한 비유는 실패합니다. 부분적으로는 항공 개척자들이 새를 ​​연구했고 학자들은 현대에도 여전히 연구하고 있기 때문입니다. 더욱이 이 비유는 더 근본적인 수준에서는 적용되지 않습니다. 현대 항공 공학의 목표는 "새 수준"의 비행을 달성하는 것이 아니라 인공 지능의 주요 목표는 실제로 "인간 수준"을 달성하거나 초과하는 것입니다. " 지능.

컴퓨터가 여러 측면(예: 소수 계산 능력)에서 인간을 능가하는 것처럼 비행기는 속도, 범위 및 화물 용량에서 새를 능가합니다. 항공 엔지니어의 목표가 실제로 울창한 숲을 통과하고 나뭇가지에 부드럽게 착륙할 수 있는 "새 수준" 기능을 갖춘 기계를 만드는 것이라면, 이러한 엔지니어는 새가 그렇게 하는 방법에 세심한 주의를 기울여야 할 것입니다.

마찬가지로, 인공지능의 목표가 동물 수준의 상식적인 감각운동 지능을 달성하는 것이라면, 연구자들은 동물에게서 배우고, 이 예측할 수 없는 세상에서 동물이 어떻게 행동하도록 진화했는지 배우는 것이 더 나을 것입니다.

위 내용은 Bengio, LeCun 등이 공동으로 NeuroAI 백서를 발표했습니다. 지능의 본질은 감각 운동 능력이며 AI는 구현된 Turing 테스트의 큰 도전에 직면해 있습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!