Napisane przez Zespół Qubic Scientific
Jak informacje płyną w tradycyjnych sztucznych sieciach neuronowych
W modelach sztucznej inteligencji, które znamy, informacje wchodzą, są kodowane, są przekształcane poprzez macierze algebraiczne i produkują wyniki. Nawet w najbardziej zaawansowanych architekturach, takich jak transformatory, zasada jest ta sama: sygnał przechodzi przez szereg dobrze zdefiniowanych operacji w zorganizowanym systemie. Model działa jako skierowany obwód przetwarzania, od lewej do prawej, wejście-wyjście, lub od prawej do lewej, poprzez propagację wsteczną dla dostosowań i szkolenia.
Wyniki, jak dobrze wiemy, są spektakularne. Pracując nad milionami parametrów językowych, AI jest w stanie dawać wspaniałe odpowiedzi, choć czasami także halucynacje. Jednak jeśli celem nie jest przetwarzanie danych wejściowych i produkowanie danych wyjściowych, lecz budowanie systemów zdolnych do utrzymywania wewnętrznej dynamiki, ciągłej adaptacji, reorganizacji, regulacji swojego uczenia się i podtrzymywania inteligencji jako właściwości tkanki, obecna AI jest niewystarczająca.
Chociaż ludzie czasami mówią o modelach językowych jako imitacjach mózgu, w rzeczywistości jest to bardziej porównawcza metafora niż symulacja neuronauki obliczeniowej. Systemy biologiczne nie obsługują informacji od lewej do prawej i odwrotnie. Informacja propaguje się przez sieć, odbija się od siebie, a także oscyluje, jest tłumiona lub wzmacniana w zależności od kontekstu.
Rys. 1 Przepływ informacji lewo-prawo w tradycyjnych sztucznych sieciach neuronowych
Nie tylko neurony: Rola astrocytów w funkcjonowaniu mózgu i plastyczności synaptycznej
Zwykle kojarzymy poznanie i inteligencję z działaniem neuronów, ich receptorów i neuroprzekaźników. Ale nie są to jedyne komórki w układzie nerwowym. Przez długi czas astrocyty były uważane za komórki układu nerwowego poświęcone wsparciu, oczyszczaniu, odżywianiu i stabilności środowiska. Dziś wiemy, że aktywnie uczestniczą w regulacji; w rzeczywistości używa się terminu: synapsa tripartytowa, w której aktywnie uczestniczą, wykrywając neuroprzekaźniki, integrując sygnały z wielu synaps, modulując plastyczność i modyfikując funkcjonalną efektywność obwodu.
Żywa sieć nie składa się tylko z neuronów, które strzelają, ale także z astrocytów, które regulują jak, kiedy i ile system się zmienia. W biologii obliczenia nie polegają tylko na emitowaniu sygnału, ale także na modulowaniu terenu, na którym ten sygnał będzie miał efekt. Ostatnie badania wykazały, że astrocyty mogą wykonywać operacje normalizacyjne analogiczne do mechanizmów samo-zwracania się, które występują w architekturach transformatorów — łącząc interakcje astrocyt-neuron bezpośrednio z obliczeniami podobnymi do uwagi w systemach sztucznej inteligencji.
Rys. 2 Biologiczne astrocyty i synapsa tripartytowa
Bramkowanie astrocytów w Neuraxon: Architektura sieci neuronowej inspirowana biologią
Neuraxon to architektura, która stara się odzyskać i emulować funkcjonowanie mózgu oraz obliczać funkcjonalne właściwości, które klasyczne sieci sztuczne uprościły.
Jak wyjaśniliśmy w poprzednich tomach tej akademii, Neuraxon nie działa tylko z neuronami wejściowymi, wyjściowymi i ukrytymi w konwencjonalnym sensie. Wprowadza jednostki z stanami, które emulują potencjały ekscytujące, hamujące lub neutralne (-1, 0, +1). Co więcej, odbywa się to w ramach ciągłej DYNAMIKI TEMPORALNEJ, w której uwzględniamy kontekst i niedawną historię aktywacji. Sieć nie jest już sumą warstw, lecz przypomina bardziej system z wewnętrzną fizjologią. Aby uzyskać głębszy kontekst na temat działania tych podstawowych elementów, zobacz tom 1 NIA: Dlaczego inteligencja nie jest obliczana w krokach, ale w czasie oraz tom 2 NIA: Dynamika ternarna jako model żywej inteligencji.
Wyjaśniliśmy, jak modele Neuraxon modelują transmisję przez szybkie, wolne i neuromodulacyjne receptory — mechanizm, który został dokładnie zbadany w tomie 3 NIA: Neuromodulacja i AI inspirowana mózgiem. Ale teraz modelujemy również regulację plastyczności poprzez bramkowanie astrocytów.
Jak działa plastyczność wieloskalarna bramkowana astrocytami (AGMP)
Bramkowanie astrocytów wprowadza bramkę inspirowaną rolą astrocytów w synapsie tripartytowej. Idea polega na wprowadzeniu lokalnego, wolnego i kontekstowego filtra, który określa, kiedy modyfikacja synaptyczna powinna być otwarta, tłumiona lub blokowana. Jakby system mógł rozważyć, czy jest zezwolenie na zmianę. To podejście bezpośrednio rozwiązuje dylemat stabilności-plastyczności, jeden z najważniejszych problemów w ciągłym uczeniu się dla sieci neuronowych.
Ślady kwalifikacyjne i lokalna pamięć synaptyczna
Jak to działa? Poprzez rodzaj śladu kwalifikacyjnego. To lokalna pamięć, która mówi: "coś istotnego wydarzyło się w tej synapsie." Jest aktualizowana z czasem i z funkcją między aktywnością presynaptyczną a postsynaptyczną. To znaczy: synapsa gromadzi lokalne dowody czasowej zbieżności lub przyczynowości. Stamtąd pojawia się globalny sygnał typu nadawania, taki jak błąd, możliwa nagroda lub coś podobnego do dopaminy. Bramkowanie astrocytów wybiera, czy neuron jest w stanie uczenia się. W przyszłych wersjach, astrocyty mogłyby modulować tysiące synaps, jeśli przyniesie to przewagę obliczeniową.
Podejście to jest zgodne z ostatnimi osiągnięciami w obliczeniach neuromorficznych, w tym z ramami plastyczności wieloskalarnej bramkowanej astrocytami (AGMP), które proponują dla sieci neuronowych o impulsach, które podobnie wzmacniają uczenie się ze śladem kwalifikacyjnym z wolnym stanem astrocytów, który bramkuje aktualizacje synaptyczne — co prowadzi do reguły uczenia się czterofaktorowego (kwalifikacja × sygnał modulacyjny × brama astrocytów × stabilizacja).
Regulacja endogenna: Dlaczego Neuraxon jest czymś więcej niż konwencjonalną siecią neuronową
Neuraxon w ramach QUBIC nie konkuruje w zakresie skali ani wydajności zadania. Działa poprzez architekturę z regulacją endogenną. Wprowadzając zasady astrocytów, zaczyna zachowywać się jak sieć z wewnętrzną ekologią. To znaczy: system, w którym ważne jest nie tylko, które jednostki są aktywowane, ale które obszary tkanki są plastyczne, które są stabilizowane, które obszary tłumią szum, które konsolidują regularności i które przygotowują się do reorganizacji. Aby uzyskać kompleksowy przegląd tego, jak sieci neuronowe biologiczne i sztuczne porównują się, zobacz tom 4 NIA: Sieci neuronowe w AI i neuronauce.
Dla Aigarth i QUBIC celem nie jest gromadzenie większej liczby parametrów, ale wprowadzenie większej liczby poziomów organizacji funkcjonalnej w systemie.
Dlaczego bramkowanie astrocytów ma znaczenie dla Aigarth i zdecentralizowanej AI
Aigarth nie jest statycznym modelem, lecz ewolucyjną tkanką poprzez architekturę zdolną do wzrastania, mutacji, przycinania, generowania funkcjonalnego potomstwa i reorganizacji swojej topologii pod wpływem presji adaptacyjnej. W tym kontekście Neuraxon wnosi coś: bogatą mikrofizjologię obliczeniową dla jednostek zamieszkujących tę tkankę.
Ma to implikacje dla odporności, adaptacyjności i pamięci. Również dla skalowalności. W dużych architekturach problem nie polega tylko na tym, że jest wiele jednostek, ale jak skoordynować, które części systemu są dostępne do rekonstrukcji, a które muszą utrzymywać stabilność.
W terminach roadmapy dla QUBIC celem jest budowanie systemów, w których inteligencja wyłania się nie tylko z obliczeń neuronowych, ale także z sprzężenia między szybkim przetwarzaniem, wolną modulacją i ewolucją strukturalną. Możesz osobiście zbadać te dynamiki dzięki interaktywnej symulacji 3D Neuraxon na HuggingFace Spaces, gdzie możesz budować, konfigurować i symulować sieć Neuraxon 2.0 od podstaw.
Rys. 3. Bramkowanie astrocytów Neuraxon - Formulacja AGMP
Odwołania naukowe
Allen, N. J., & Eroglu, C. (2017). Biologia komórkowa interakcji astrocyt-synapsa. Neuron, 96(3), 697–708.
Halassa, M. M., Fellin, T., & Haydon, P. G. (2007). Synapsa tripartytowa: Role gliotransmisji w zdrowiu i chorobie. Trends in Molecular Medicine, 13(2), 54–63.
Kofuji, P., & Araque, A. (2021). Astrocyty i zachowanie. Annual Review of Neuroscience, 44, 49–67.
Perea, G., Navarrete, M., & Araque, A. (2009). Synapsy tripartytowe: Astrocyty przetwarzają i kontrolują informacje synaptyczne. Trends in Neurosciences, 32(8), 421–431.
Woodburn, R. L., Bollinger, J. A., & Wohleb, E. S. (2021). Synaptyczne i behawioralne efekty aktywacji astrocytów. Frontiers in Cellular Neuroscience, 15, 645267.
Vivancos, D. & Sanchez, J. (2026). Neuraxon v2.0: Nowy plan wzrostu i obliczeń neuronowych. ResearchGate Preprint.
Poznaj pełną Akademię Inteligencji Neuraxon
To jest tom 5 Akademii Inteligencji Neuraxon zespołu naukowego Qubic. Jeśli dopiero do nas dołączasz, zbadaj całą serię, aby zbudować pełne zrozumienie nauki za Neuraxon i podejściem Qubic do inspirowanej mózgiem, zdecentralizowanej sztucznej inteligencji:
Tom 1 NIA: Dlaczego inteligencja nie jest obliczana w krokach, ale w czasie — Bada, dlaczego inteligencja biologiczna działa w czasie ciągłym, a nie w dyskretnych krokach obliczeniowych jak tradycyjne LLM.
Tom 2 NIA: Dynamika ternarna jako model żywej inteligencji — Wyjaśnia dynamikę ternarną i dlaczego logika trzystanowa (ekscytująca, neutralna, hamująca) ma znaczenie dla modelowania systemów żywych.
Tom 3 NIA: Neuromodulacja i AI inspirowana mózgiem — Zawiera neuromodulację i jak chemiczne sygnalizowanie mózgu (dopamina, serotonina, acetylocholina, norepinefryna) inspiruje architekturę Neuraxon.
Tom 4 NIA: Sieci neuronowe w AI i neuronauce — Głęboki porównanie biologicznych sieci neuronowych, sztucznych sieci neuronowych i trzeciej drogi Neuraxon.
Qubic to zdecentralizowana, otwarta sieć dla technologii eksperymentalnej. Aby dowiedzieć się więcej, odwiedź qubic.org