Uzrakstījusi Qubic zinātniskā komanda
Kā informācija plūst tradicionālajās mākslīgajās neironu tīklos
Mākslīgās intelekta modeļos, kurus mēs pazīstam, informācija ieplūst, tiek kodēta, tiek pārveidota caur algebriskām matricām un rada izejas. Pat vismodernākajās arhitektūrās, piemēram, transformatoros, princips ir tas pats: signāls iziet cauri virknei labi definētu operāciju strukturētā sistēmā. Modelis darbojas kā virzīta apstrādes shēma, no kreisās uz labo, ieeja-izeja, vai no labās uz kreiso, izmantojot atpakaļizplatīšanu pielāgošanai un apmācībai.
Rezultāti, kā mēs labi zinām, ir iespaidīgi. Strādājot ar miljoniem valodu parametru, mākslīgā inteliģence spēj sniegt lieliskas atbildes, taču arī dažas halucinācijas. Taču, ja mērķis nav apstrādāt ievades un ražot izvades, bet izveidot sistēmas, kas spēj uzturēt iekšējo dinamiku, nepārtraukti pielāgoties, reorganizēties, regulēt savu mācīšanos un uzturēt inteliģenci kā audu īpašību, tad pašreizējā mākslīgā inteliģence ir nepietiekama.
Lai gan cilvēki dažkārt runā par valodas modeļiem kā smadzeņu imitācijām, patiesībā tas ir vairāk salīdzinošs metafors nekā neirozinātnes simulācija. Bioloģiskās sistēmas neapstrādā informāciju no kreisās uz labo un otrādi. Informācija izplatās caur tīklu, atgriežas pati pie sevis un arī oscilē, tiek apspiesta vai nostiprināta atkarībā no konteksta.
Attēls 1. Informācijas plūsma pa kreisi un pa labi tradicionālajos mākslīgajos neironu tīklos
Ne tikai neironi: astrocītu loma smadzeņu funkcijā un sinaptiskajā plastiskumā
Mēs parasti saistām kognīciju un inteliģenci ar neironu, to receptoru un neirotransmiteru darbību. Bet tie nav vienīgie šūnu veidi nervu sistēmā. Ilgu laiku astrocīti tika uzskatīti par nervu sistēmas šūnām, kas veltītas atbalstam, tīrīšanai, uzturam un vides stabilitātei. Šodien mēs zinām, ka tie aktīvi piedalās regulēšanā; patiesībā tiek izmantots termins: tripartītais sinapse, kurā tie aktīvi piedalās, atpazīstot neirotransmiterus, integrējot signālus no vairākiem sinapsēm, modulējot plastiskumu un modificējot ķēdes funkcionālo efektivitāti.
Dzīvs tīkls nav sastāvējis tikai no neironiem, kas ugunīgi, bet arī no astrocītiem, kas regulē, kā, kad un cik daudz sistēma mainās. Bioloģijā aprēķināšana nav tikai signāla izplatīšana, bet arī terēna modulācija, kur šim signālam būs ietekme. Recent pētījumi ir parādījuši, ka astrocīti var veikt normalizācijas operācijas, kas līdzīgas pašpievēršanas mehānismiem, kas sastopami transformatoru arhitektūrās — tieši saistot astrocītu-neirona mijiedarbības ar uzmanību līdzīgu aprēķināšanu mākslīgās inteliģences sistēmās.
Attēls 2 Bioloģiskie astrocīti un tripartītais sinapsis
Astrocītu regulēšana Neuraxon: Bioloģiski iedvesmota neironu tīkla arhitektūra
Neuraxon ir arhitektūra, kas cenšas atjaunot un atdarināt smadzeņu darbību un aprēķināt funkcionālas īpašības, kuras klasiskie mākslīgie tīkli ir pārsimplificējuši.
Kā mēs esam izskaidrojuši iepriekšējos šīs akadēmijas sējumos, Neuraxon neizmanto tikai ievadi, izvadi un slēptos neironus tradicionālajā izpratnē. Tas ievieš vienības ar stāvokļiem, kas atdarina uzbudinājuma, nomācošus vai neitrālus potenciālus (-1, 0, +1). Turklāt tas notiek nepārtrauktā TEMPORĀLĀ dinamikā, kur mēs ņemam vērā kontekstu un neseno aktivizācijas vēsturi. Tīkls vairs nav slāņu summa, bet drīzāk atgādina sistēmu ar iekšējo fizioloģiju. Lai iegūtu dziļāku kontekstu par to, kā šie pamatelementi darbojas, skatiet NIA 1. sējumu: Kāpēc inteliģence netiek aprēķināta posmos, bet laikā un NIA 2. sējumu: Ternāro dinamiku kā dzīvas inteliģences modeli.
Mēs esam izskaidrojuši, kā Neuraxon modeļi pārraidi caur ātrajiem, lēnajiem un neiroregulējošajiem receptoriem — mehānisms, kas detalizēti izpētīts NIA 3. sējumā: Neiroregulācija un smadzenēm iedvesmota mākslīgā inteliģence.
Kā darbojas astrocītu regulētā daudzlaika plastiskums (AGMP)
Astrocītu regulēšana ievieš vārtus, kas iedvesmoti no astrocītu lomas tripartītajā sinapsē. Ideja ir ieviest lokālu, lēnu un kontekstuālu filtru, kas nosaka, kad sinaptiska modifikācija jāatver, jāapslāpē vai jābloķē. Tas ir it kā sistēma varētu apsvērt, vai ir atļauja pārmaiņām. Šī pieeja tieši risina stabilitātes-plastiskuma dilemmu, viens no vissvarīgākajiem izaicinājumiem nepārtrauktā mācīšanā neironu tīklos.
Piemērotības pēdas un lokālā sinaptiskā atmiņa
Kā tas darbojas? Caur kāda veida piemērotības pēdu. Tā ir lokālā atmiņa, kas saka: "kaut kas būtisks ir noticis šajā sinapsē." Tā tiek atjaunināta ar laika zudumu un funkciju starp presinaptisko un postsinaptisko aktivitāti. Tas ir: sinapse uzkrāj lokālus pierādījumus par laika sakritību vai cēloņsakarību. No turienes ir globāla izplatīšanas tipa signāls, piemēram, kļūda, iespējama balva vai kaut kas dopamīna līdzīgs. Astrocītu vārti izvēlas, vai neirons ir mācību stāvoklī. Nākamajās versijās astrocīti varētu modulēt tūkstošiem sinapsu, ja tas sniedz aprēķinu priekšrocību.
Šī pieeja ir saskaņota ar jaunākajiem sasniegumiem neiroformālas aprēķināšanas jomā, tostarp astrocītu regulētā daudzlaika plastiskuma (AGMP) ietvarā, kas ieteikts uzsprāgušiem neironu tīkliem, kas līdzīgi palielina piemērotības pēdu mācīšanos ar lēnu astrocītu stāvokli, kas regulē sinaptiskos atjauninājumus — radot četru faktoru mācību noteikumu (piemērotība × modulējošais signāls × astrocītu vārti × stabilizācija).
Endogēna regulēšana: Kāpēc Neuraxon ir vairāk nekā konvencionāls neironu tīkls
Neuraxon iekš QUBIC nekonkurē mērogā vai uzdevuma izpildē. Tas darbojas caur arhitektūru ar endogēnu regulēšanu. Ieviešot astrocītu principus, tas sāk uzvesties kā tīkls ar iekšēju ekoloģiju. Tas ir: sistēma, kur ir svarīgi ne tikai tas, kuras vienības ir aktivizētas, bet arī tas, kuras audu jomas ir plastiskas, kuras ir stabilizētas, kuras nomāc troksni, kuras konsolidē regularitāti un kuras gatavojas reorganizēties. Lai iegūtu visaptverošu pārskatu par to, kā bioloģiskie un mākslīgie neironu tīkli salīdzina, skatiet NIA 4. sējumu: Neironu tīkli AI un neirozinātnē.
Aigarth un QUBIC mērķis nav uzkrāt vairāk parametru, bet ieviest vairāk funkcionālas organizācijas līmeņu sistēmā.
Kāpēc astrocītu regulēšana ir svarīga Aigarth un decentralizētai mākslīgajai inteliģencei
Aigarth nav statisks modelis, bet evolūcijas audums caur arhitektūru, kas spēj augt, mutēt, apgriezt, ģenerēt funkcionālus pēcnācējus un reorganizēt savu topoloģiju pielāgojošo spiedienu apstākļos. Šajā kontekstā Neuraxon sniedz ko vērtīgu: bagātu aprēķinu mikro fizioloģiju vienībām, kas apdzīvo šo audumu.
Tam ir sekas uz izturību, pielāgojamību un atmiņu. Tāpat arī mērogojamībai. Lielās arhitektūrās problēma nav tikai tā, ka ir daudz vienību, bet gan kā koordinēt, kuras sistēmas daļas ir pieejamas pārkonfigurēšanai un kuras ir jānotur stabilas.
QUBIC ceļvedī mērķis ir izveidot sistēmas, kur inteliģence rodas ne tikai no neironu aprēķināšanas, bet arī no ātras apstrādes, lēnas modulācijas un strukturālās evolūcijas savienojuma. Jūs varat izpētīt šīs dinamikas no pirmavotiem ar interaktīvo Neuraxon 3D simulāciju HuggingFace Spaces, kur jūs varat būvēt, konfigurēt un simulēt Neuraxon 2.0 tīklu no nulles.
Attēls 3. Neuraxon astrocīti regulēšana - AGMP formulējums
Zinātniskās atsauces
Allen, N. J., & Eroglu, C. (2017). Astrocītu-sinapsu mijiedarbības šūnu bioloģija. Neurons, 96(3), 697–708.
Halassa, M. M., Fellin, T., & Haydon, P. G. (2007). Tripartītais sinapse: Lomas gliotransmisijā veselībā un slimībās. Tendences molekulārajā medicīnā, 13(2), 54–63.
Kofuji, P., & Araque, A. (2021). Astrocīti un uzvedība. Gada pārskats par neirozinātni, 44, 49–67.
Perea, G., Navarrete, M., & Araque, A. (2009). Tripartītie sinapsi: astrocīti apstrādā un kontrolē sinaptisko informāciju. Tendences neirozinātnēs, 32(8), 421–431.
Woodburn, R. L., Bollinger, J. A., & Wohleb, E. S. (2021). Sinaptiskās un uzvedības sekas astrocītu aktivizācijai. Frontiers in Cellular Neuroscience, 15, 645267.
Vivancos, D. & Sanchez, J. (2026). Neuraxon v2.0: Jauns neironu augšanas un aprēķinu plāns. ResearchGate Preprint.
Izpētiet pilnu Neuraxon Inteliģences Akadēmiju
Šis ir NIA 5. sējums Neuraxon Inteliģences Akadēmijā, ko izstrādājusi Qubic zinātniskā komanda. Ja jūs tikai pievienojaties, izpētiet pilnu sēriju, lai iegūtu pilnīgu izpratni par zinātni, kas slēpjas aiz Neuraxon un Qubic pieejas smadzenēm iedvesmotai, decentralizētai mākslīgajai inteliģencei:
NIA 1. sējums: Kāpēc inteliģence netiek aprēķināta posmos, bet laikā — Izpēta, kāpēc bioloģiskā inteliģence darbojas nepārtrauktā laikā, nevis diskretos aprēķinu posmos, kā tradicionālie LLM.
NIA 2. sējums: Ternārās dinamikas kā dzīvas inteliģences modelis — Izskaidro ternārās dinamikas un kāpēc trīs stāvokļu loģika (uzbudinājuma, neitrāla, nomācoša) ir svarīga dzīvo sistēmu modelēšanai.
NIA 3. sējums: Neiroregulācija un smadzenēm iedvesmota mākslīgā inteliģence — Aptver neiroregulāciju un kā smadzeņu ķīmiskā signāla (dopamīns, serotonīns, acetilholīns, norepinefrīns) iedvesmo Neuraxon arhitektūru.
NIA 4. sējums: Neironu tīkli AI un neirozinātnē — Dziļa salīdzināšana starp bioloģiskajiem neironu tīkliem, mākslīgajiem neironu tīkliem un Neuraxon trešā ceļa pieeju.
Qubic ir decentralizēta, atvērtā koda tīkls eksperimentālai tehnoloģijai. Lai uzzinātu vairāk, apmeklējiet qubic.org