Uzrakstījusi Qubic zinātniskā komanda
Iedomājieties ēku ar trīsdesmit cilvēkiem. Zināt, cik daudz ir, pievieno maz. Patiesībā tas, kas izskaidro, kas notiek, ir tas, uz kuru cilvēku atkarīgs, kurš ir dēls, tēvs, sieva, vīrs, kurš koordinē ēku, kurš ir kopienas prezidents, kurš ir durvju sargs, piegādātājs, īpašnieks vai īrnieks. Grupas dinamika nav skaitliska, bet attiecību struktūrā. Tā ir sociālā smadzeņu būtība, kas mēs esam.
Smadzenēs savienojums (https://en.wikipedia.org/wiki/Connectome) ir līdzīgs iepriekšējam piemēram: pilnīga šīs dinamiskās struktūras apraksts. Atslēga nav karte, bet saprast, kāda veida dinamika var rasties no tās, kad tā tiek aktivizēta. Ēkā, kas notiek, kad ģimenes dēls pārvācas uz citu pilsētu, kad pāris izšķiras un dzīvokļi kļūst pieejami, kad prezidents mainās, kad ierodas jauni kaimiņi. Lai to bioloģiski izprastu, zinātnieki kartē organismu savienojumu, kas ir vienkāršāki par Homo sapiens. Šajā nesenajā dokumentā viņi analizē augļu mušas savienojumu: Drosophila melanogaster (https://www.nature.com/articles/s41586-024-07558-y).
Pamatideja ir dziļa: bioloģiskajos sistemas daļa inteliģences nav iemācīta; tā jau ir iekļauta arhitektūrā. Šis jēdziens, ko dēvē par spēcīgām arhitektūras priekštatām (https://www.nature.com/articles/s41467-019-11786-6), izaicina pastāvošo AI paradigmu, kas paļaujas tikai uz mācīšanos no datiem.
Pilnīgais augļu mušas smadzeņu savienojums: Ievērojams neironu shēmas kartēšanā
Pilnīgais mušu smadzeņu savienojums, vairāk nekā 125,000 neironi un apmēram 50 miljoni sinapsu, nav tikai tehnisks sasniegums, bet jauna analīzes vienība (Shiu et al., 2024). Pirmo reizi mēs varam pētīt pilnīgu nervu sistēmu kā gandrīz slēgtu funkcionālu grafiku. FlyWire projekts, Prinstonas vadīts konsorcijs ar vairāk nekā 200 pētniekiem no 127 institūcijām, padarīja šo pilnīgo smadzeņu savienojumu iespējamu, apvienojot AI atbalstītu segmentāciju, pilsoņu zinātni un ekspertu rediģēšanu.
Spiking neironu tīkla modelis: kā savienojamība virza sensorimotoru aprēķinus
Virspusē šī grafika autori izveido ļoti vienkāršu modeli. Viņi konstruē neironu tīklu (noplūdes integrēšanas un uguns tipa: https://neuronaldynamics.epfl.ch/online/Ch1.S3.html), kur aktivitāte izplatās atbilstoši sinaptiskajai savienojamībai un neirotransmitera veidam (Gerstner et al., 2014; Shiu et al., 2024). Nav nepieciešama apmācība. Spiking neironu tīkls “neiemācās” klasiskajā nozīmē, bet izpilda to, ko tā struktūra ļauj. Līdzīgi kā ēkas piemērā, kur funkcijas un savienojumi starp kopienas locekļiem vada un iepriekš nosaka viņu uzvedību.
Pētnieku izveidotais modelis spēj prognozēt pilnīgas sensorimotoru transformācijas. Ja viņi aktivizē garšas neironus, tas ļauj viņiem paredzēt, kuri motoru neironi tiks aktivizēti, un šīs prognozes tiek eksperimentāli apstiprinātas, izmantojot tehniku, ko sauc par optogenetiku (Shiu et al., 2024). Tas ir, funkcija iznāk tieši no arhitektūras. Tas ir, manipulējot ar to, kā muša savāc un konstruē stimulu, kas saistīti ar garšu, viņi var zināt, kā tā reaģēs. Savienojamība nav tikai atbalsts; tā ir arī aprēķins (Bargmann & Marder, 2013).
Arhitektūras priekštati: Inteliģence kodēta pirms mācīšanās sākšanās
Bioloģijā smadzenes nesākas tukšas. Organisms piedzimst ar organizētām shēmām, kas ļauj funkcionālām uzvedībām jau no paša sākuma. Vienkāršās sistēmās, piemēram, C. elegans vai citos kukaiņos, liela daļa funkcionālās dinamikas tieši ir atkarīga no savienojamības (Winding et al., 2023; Scheffer & Meinertzhagen, 2021). Kad tiek rekonstruēts pilnīgs savienojums, parādās atkārtoti modeļi. Tie ir atgriezeniskie cikli, konkurējošas inhibējošas shēmas, ļoti virzītas sensorimotoru ceļi. Šie modeļi nav reāllaika mācīšanās rezultāts, bet evolūcijas procesi, kas, teiksim, “iekodējuši” risinājumus savā struktūrā.
Tomēr dziļajā mācīšanā tīkli sākas ar patvaļīgi inicializētiem parametriem, un inteliģence, vai drīzāk tās izskats, parādās optimizācijas procesā ar lieliem datu apjomiem (LeCun, Bengio, & Hinton, 2015). Arhitektūra ievieš aizspriedumus, bet apmācības laikā tie pakāpeniski tiek izlīdzināti, tīri caur aprēķinu skalabilitāti.
Augļu mušas savienojums norāda uz citu iespēju: daļa inteliģences var atrasties struktūrā pat pirms mācīšanās. Tas atver alternatīvu paradigmu smadzenēm iedvesmotai mākslīgajai inteliģencei, jo arhitektūras, kas jau satur noderīgas aprēķinu īpašības, pastiprina mācīšanas lomu. Šī pieeja ir formulēta kā spēcīgu arhitektūras priekštatu vai savienojuma bāzes pieeju izmantošana (Zador, 2019).
Enerģijas efektivitāte neironu aprēķinos: Kāpēc smadzeņu arhitektūra ir svarīga
Ir arī fizisks arguments, kas nostiprina šo ideju: efektivitāte. Mušu smadzenes veic sarežģītas uzdevumus ar ļoti zemu enerģijas patēriņu. Tas liecina, ka efektivitāte nav atkarīga no parametru skaita, bet no tā, kā neironu apļi ir organizēti (Laughlin & Sejnowski, 2003). Savienojumi ļauj mums pētīt tieši šo organizāciju skaidri. Šis princips ir šīs augošās neiroformēšanas jomas centrā, kas cenšas izveidot aparatūru un algoritmus, kas atspoguļo smadzeņu izcilo enerģijas efektivitāti.
Drosophila savienojuma ierobežojumi: Kāpēc smadzeņu vadu diagramma nav pietiekama
Dokuments ir guvis zināmu redzamību, taču ir svarīgi to pareizi pamatot.
Mušu savienojums neļauj pilnībā prognozēt uzvedību. Tas ļauj diezgan precīzi prognozēt dažas lokālas sensorimotoru transformācijas, piemēram, kuri neironi tiek aktivizēti vai kuri mezgli ir nepieciešami atbildei, bet tas nenozīmē pilnīgu uzvedības teoriju. Pats darbs atzīst skaidras ierobežojumus, jo modelis neatbilstoši iekļauj neiroregulāciju, iekšējos stāvokļus, extrasynaptisko signālu vai ilgtspējīgu bāzes aktivitāti, un balstās uz ļoti vienkāršotiem pieņēmumiem, piemēram, nulles bāzes aktivizācijas līmeni, t.i., bez spontānas aktivitātes, kas ir ļoti atšķirīga no reālās bioloģiskās uzvedības, kur smadzenes ir aktīvas visu laiku (Shiu et al., 2024). Šeit savienojums drīzāk apraksta iespēju struktūru, bet ne pilnīgās sistēmas dinamikas. Tas pats tīkls var radīt dažādu uzvedību atkarībā no iekšējā stāvokļa, iepriekšējās vēstures vai konteksta. Šī ideja ir labi izveidota: savienojamība ierobežo dinamiku, bet to pilnībā nenosaka (Marder & Bucher, 2007; Bargmann, 2012). Jūsu dzīvojamā kopienā attiecības iezīmē augstu funkciju un uzvedības varbūtību, bet tās nenosaka tās. Ja notiek negaidīts notikums, piemēram, ballīte, sanāksme vai elektroenerģijas pārtraukums, cilvēki rīkosies atkarībā no konteksta, ne tikai balstoties uz savu strukturālo savienojumu. Dokuments ir uzsvēris, ka “savienojums nav pietiekams” lai izprastu smadzenes (Scheffer & Meinertzhagen, 2021).
Cilvēku smadzenes: pāri strukturālai savienojamībai
Šis ierobežojums kļūst vēl skaidrāks, ja mēs apsveram cilvēka gadījumu. Pat ja mums būtu pilnīgs cilvēka savienojums, kas šodien neeksistē un kura pieejamība ir neskaidra, tas nebūtu pietiekami, lai pilnībā izprastu uzvedību. Tas kalpotu, lai ierobežotu strukturālos ierobežojumus, izprastu organizatoriskos principus un uzlabotu dinamiskos modeļus, bet cilvēka uzvedība arī ir atkarīga no attīstības, plastiskuma, ķermeņa, endokrinoloģijas, valodas, kultūras un sociālā konteksta.
Pašreizējie pētījumi, kas mēģina prognozēt uzvedību no smadzeņu savienojamības, parāda skaidras ierobežojumus, kur ietekmes lielumi ir pieticīgi un stipri atkarīgi no parauga lieluma (Marek et al., 2022). Tāpēc doma, ka cilvēka savienojums ļautu mums pilnībā “izlasīt” uzvedību, būtu pārspīlēšana.
No savienojuma uz Neuraxon: QUBIC smadzenēm iedvesmotā AI pieeja
Neuraxon mēs zinām, ka arhitektūra satur aprēķinus, ka tā atbalsta parādīto inteliģenci un inducē iespējamos uzvedības modeļus. Bet mēs arī zinām, ka tā nav pietiekama, tieši tāpēc mēs pievienojam bagātīgas iekšējās dinamikas, neiroregulāciju un stāvokli. Neuraxon cenšas nostiprināt sevi šajā jomā. Tas ievieš endogenās aktivitātes, neiroregulātorus, vairākas laika skalas un plastiskumu, cenšoties simulēt vairākas cilvēka smadzeņu funkcijas, ne tikai strukturālas. Kā izpētīts mūsu dziļajā izpētē par neironu tīkliem AI un neirozinātnē, atšķirība starp bioloģiskajiem un mākslīgajiem neironu tīkliem ir tieši tas, ko Neuraxon savieno.
Aigarth šo pieeju ņem soli tālāk. Mušu savienojums ir slēgta sistēma. Aigarth piedāvā sistēmas, kur struktūra var attīstīties, dinamikas ir nepārtrauktas un funkcija parādās bez izteikta apmācības. Šeit inteliģence nav tikai optimizācijas rezultāts, bet organizētu dinamisko sistēmu īpašība (Friston, 2010).
No optimizācijas līdz organizācijai: Mākslīgā intelekta nākotne
Kopumā Drosophila savienojums neatrisina uzvedības problēmu, bet tas parāda mums sākumpunktu un sākotnējo struktūru nozīmību. Tas rāda, ka nozīmīga daļa inteliģences atrodas arhitektūrā. Bet starp arhitektūru un uzvedību joprojām pastāv dinamika, stāvoklis, vēsture un konteksts.
Mums jāpāriet no optimizācijas (LLMs) uz organizāciju (Aigarth). Mēs stingri ticam, ka tas ir viens no nozīmīgākajiem pagriezieniem nākotnes mākslīgajā inteliģencē. Pat muša palīdz mums aizstāvēt šos uzskatus.
Izpētiet pilnu Neuraxon Inteliģences Akadēmiju
Augļu muša pierādīja, ka inteliģence sākas ar arhitektūru. Neuraxon balstās uz šo principu. Izpētiet, kā smadzenēm iedvesmota AI formējas QUBIC, sākot ar Neuraxon Inteliģences Akadēmiju.
NIA Apjoms 1: Kāpēc inteliģence netiek aprēķināta solī, bet laikā — Izpēta, kāpēc bioloģiskā inteliģence darbojas nepārtrauktā laikā, nevis atsevišķās aprēķinu pakāpēs kā tradicionālie LLM.
NIA Apjoms 2: Ternā dinamikas kā dzīvas inteliģences modelis — Izskaidro ternā dinamikas un kāpēc trīs stāvokļu loģika (eksitatoriska, neitrāla, inhibējoša) ir svarīga dzīvo sistēmu modelēšanai.
NIA Apjoms 3: Neiroregulācija un smadzenēm iedvesmota AI — Aptver neiroregulāciju un kā smadzeņu ķīmiskā signālu pārraide (dopamīns, serotonīns, acetilholīns, norepinefrīns) iedvesmo Neuraxona arhitektūru.
NIA Apjoms 4: Neironu tīkli AI un neirozinātnē — Dziļa salīdzināšana starp bioloģiskajiem neironu tīkliem, mākslīgajiem neironu tīkliem un Neuraxona trešā ceļa pieeju.
NIA Apjoms 5: Astrocytes un smadzenēm iedvesmota AI — Izpēta, kā astrocytes regulē sinaptisko plastiskumu caur tripartītu sinapsi, un kā Neuraxon iekļauj astrocytisko vārstu, lai risinātu stabilitātes-plastiskuma dilemmu, ļaujot tīklam lokāli kontrolēt, kad, kur un cik daudz mācīšanās notiek.
Qubic ir decentralizēts, atvērtā koda tīkls eksperimentālai tehnoloģijai. Lai uzzinātu vairāk, apmeklējiet qubic.org. Pievienojieties diskusijai X, Discord un Telegram.
Atsauces
Bargmann, C. I. (2012). Aiz savienojuma: Kā neiroregulātori veido neironu shēmas. BioEssays, 34(6), 458–465.
Bargmann, C. I., & Marder, E. (2013). No savienojuma uz smadzeņu funkciju. Nature Methods, 10(6), 483–490.
Friston, K. (2010). Brīvās enerģijas princips: Apvienota smadzeņu teorija? Nature Reviews Neuroscience, 11(2), 127–138.
Gerstner, W., Kistler, W. M., Naud, R., & Paninski, L. (2014). Neironu dinamika. Cambridge University Press.
Laughlin, S. B., & Sejnowski, T. J. (2003). Saziņa neironu tīklos. Science, 301(5641), 1870–1874.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Dziļā mācīšanās. Nature, 521(7553), 436–444.
Marek, S., et al. (2022). Reproducējami smadzeņu plaša asociāciju pētījumi prasa tūkstošiem indivīdu. Nature, 603, 654–660.
Marder, E., & Bucher, D. (2007). Saprast shēmas dinamiku. Ikgadējā fizioloģijas pārskata, 69, 291–316.
Scheffer, L. K., & Meinertzhagen, I. A. (2021). Savienojums nav pietiekams. Eksperimentālās bioloģijas žurnāls, 224.
Shiu, P. K., Sterne, G. R., Spiller, N., et al. (2024). Drosophila datordizaina smadzeņu modelis atklāj sensorimotoru apstrādi. Nature.
Winding, M., et al. (2023). Viena kukaiņa smadzeņu savienojums. Science, 379.
Zador, A. M. (2019). Kritika par tīru mācīšanos. Dabas komunikācijas, 10, 3770.
Avots: https://qubic.org/blog-detail/fruit-fly-connectome-drosophila-brain-architecture-ai-qubic