Scris de echipa Qubic Scientific
Imaginează-ți o clădire cu treizeci de oameni. A ști câți sunt adaugă puțin. Ceea ce explică cu adevărat ceea ce se întâmplă este cine depinde de cine, cine este fiu, tată, soție, soț, cine coordonează clădirea, cine este președintele comunității, cine este portar, persoana care livrează, proprietarul sau chiriașul. Dinamica grupului nu constă în număr, ci în structura relațiilor. Este esența creierului social pe care îl avem.
În creier, connectomul (https://en.wikipedia.org/wiki/Connectome) este similar cu exemplul anterior: o descriere completă a acelei structuri dinamice. Cheia nu este harta, ci înțelegerea ce tip de dinamici pot apărea din ea când este activată. În clădire, ce se întâmplă când fiul unei familii se mută într-un alt oraș, când un cuplu se separă și apartamentele devin disponibile, când președintele se schimbă, când sosesc noi vecini. Pentru a înțelege acest lucru din punct de vedere biologic, oamenii de știință cartografiază connectomul organismelor mai simple decât Homo sapiens. În această lucrare recentă, analizează connectomul muscăi de fructe: Drosophila melanogaster (https://www.nature.com/articles/s41586-024-07558-y).
Ideea de bază este profundă: în sistemele biologice, o parte din inteligență nu este învățată; este deja conținută în arhitectură. Acest concept, cunoscut sub numele de priors arhitecturale puternice (https://www.nature.com/articles/s41467-019-11786-6), contestă paradigma dominantă a IA care se bazează exclusiv pe învățarea din date.
Connectomul complet al creierului de muscă: O piatră de hotar în cartografierea circuitelor neuronale
Connectomul complet al creierului de muscă, mai mult de 125.000 de neuroni și aproximativ 50 de milioane de sinapse, nu este doar o realizare tehnică, ci o nouă unitate de analiză computațională (Shiu et al., 2024). Pentru prima dată, putem studia un sistem nervos complet ca un graf funcțional aproape închis. Proiectul FlyWire, un consorțiu condus de Princeton format din peste 200 de cercetători din 127 de instituții, a făcut posibil acest connectom complet al creierului printr-o combinație de segmentare asistată de IA, știință cetățenească și corectură de specialitate.
Modelul rețelei neuronale cu impulsuri: Cum conectivitatea conduce calculul senzorimotor
Pe acest grafic, autorii construiesc un model foarte simplu. Ei construiesc o rețea de neuroni (tip integrate-and-fire cu scurgeri: https://neuronaldynamics.epfl.ch/online/Ch1.S3.html) unde activitatea se propagă conform conectivității sinaptice și tipului de neurotransmițător (Gerstner et al., 2014; Shiu et al., 2024). Nu este necesar niciun antrenament. Rețeaua neurală cu impulsuri nu „învață” în sensul clasic, ci execută ceea ce îi permite structura. Similar cu exemplul clădirii, unde funcțiile și conexiunile dintre membrii comunității ghidează și preconfigurează comportamentele lor.
Modelul creat de cercetători este capabil să prezică transformări complete senzorimotorii. Dacă activează neuroni gustativi, le permite să anticipeze care neuroni motori vor fi activați, iar aceste previziuni sunt validate experimental folosind o tehnică cunoscută sub numele de optogenetică (Shiu et al., 2024). Adică, funcția apare direct din arhitectură. Adică, manipulând modul în care musca colectează și construiește stimuli legați de gust, pot ști cum va reacționa. Conectivitatea nu este doar un suport; este, de asemenea, calcul (Bargmann & Marder, 2013).
Priori arhitecturale: Inteligența codificată înainte de a începe învățarea
În biologie, creierele nu încep goale. Un organism se naște cu circuite organizate care permit comportamente funcționale de la început. În sisteme simple precum C. elegans sau alte insecte, o mare parte din dinamica funcțională este direct condiționată de conectivitate (Winding et al., 2023; Scheffer & Meinertzhagen, 2021). Când un connectom complet este reconstruit, apar modele recurente. Acestea sunt bucle de feedback, circuite inhibitory competitive, căi senzorimotorii foarte direcționate. Aceste modele nu se datorează învățării în timp real, ci proceselor evolutive care au, ca să spunem așa, „codificat” soluții în propria structură.
În învățarea profundă, totuși, rețelele încep cu parametri inițializați aleator și inteligența, sau mai degrabă apariția acesteia, apare prin optimizare cu volume mari de date (LeCun, Bengio, & Hinton, 2015). Arhitectura introduce prejudecăți, dar prin antrenament acestea sunt netezite treptat într-o anumită măsură, pur și simplu prin scalabilitate computațională.
Connectomul muscăi de fructe sugerează o altă posibilitate: o parte din inteligență poate rezida în structură chiar înainte de învățare. Aceasta deschide o paradigmă alternativă pentru inteligența artificială inspirată de creier, deoarece arhitecturile care conțin deja proprietăți computaționale utile îmbunătățesc rolul învățării. Această abordare a fost formulată ca utilizarea de priors arhitecturale puternice sau abordări bazate pe connectom (Zador, 2019).
Eficiența energetică în calculul neural: De ce arhitectura creierului contează
Există, de asemenea, un argument fizic care întărește această idee: eficiența. Creierul unei muște îndeplinește sarcini complexe cu un consum de energie foarte mic. Aceasta sugerează că eficiența nu depinde de numărul de parametrii, ci de modul în care sunt organizate circuitele neuronale (Laughlin & Sejnowski, 2003). Connectomurile ne permit să studiem exact acea organizare în mod explicit. Acest principiu este în centrul domeniului în expansiune al calculatoarelor neuromorfice, care caută să construiască hardware și algoritmi care să reflecte remarcabila eficiență energetică a creierului.
Limitările connectomului Drosophila: De ce un diagramă de conectare a creierului nu este suficient
Lucrarea a câștigat recent vizibilitate, dar este important să o fundamentăm corect.
Connectomul muscăi nu permite prezicerea completă a comportamentului. Permite prezicerea destul de precisă a unor transformări locale senzorimotorii, cum ar fi care neuroni sunt activați sau care noduri sunt necesare pentru un răspuns, dar nu constituie o teorie completă a comportamentului. Lucrarea însăși recunoaște limite clare, deoarece modelul nu încorporează adecvat neuromodularea, stările interne, semnalizarea extrasinaptică sau activitatea bazală susținută și se bazează pe presupuneri foarte simplificate, cum ar fi o rată de activitate bazală nulă, adică fără activitate spontană, foarte diferită de comportamentul biologic real unde creierul este activ în permanență (Shiu et al., 2024). Aici connectomul descrie mai degrabă o structură a posibilităților, dar nu dinamica completă a sistemului. Aceeași rețea poate produce comportamente diferite în funcție de starea internă, istoricul anterior sau context. Această idee este bine stabilită: conectivitatea constrânge dinamica, dar nu o determină complet (Marder & Bucher, 2007; Bargmann, 2012). În comunitatea dumneavoastră rezidențială, relațiile marchează o probabilitate mare de funcții și comportamente, dar nu le fixează. Dacă apare un eveniment neașteptat, cum ar fi o petrecere, o întâlnire sau o întrerupere a energiei, oamenii vor acționa în funcție de context, nu doar pe baza conectomului lor structural. Lucrarea a subliniat că „un connectom nu este suficient” pentru a înțelege un creier (Scheffer & Meinertzhagen, 2021).
Creierul uman: Dincolo de conectivitatea structurală
Această limitare devine și mai clară dacă luăm în considerare cazul uman. Chiar dacă am avea un connectom uman complet, ceva ce nu există astăzi și a cărui disponibilitate este incertă, nu ar fi suficient pentru a înțelege complet comportamentul. Ar servi pentru a delimita constrângerile structurale, a înțelege principiile organizaționale și a îmbunătăți modelele dinamice, dar comportamentul uman depinde de dezvoltare, plasticitate, corp, endocrinologie, limbă, cultură și context social.
Studiile actuale care încearcă să prezică comportamentul din conectivitatea cerebrală arată limitări clare, unde dimensiunile efectului sunt modeste și depind puternic de dimensiunea eșantionului (Marek et al., 2022). Prin urmare, ideea că un connectom uman ne-ar permite să „cităm” complet comportamentul ar fi o supra-interpretare.
De la Connectome la Neuraxon: Abordarea AI inspirată de creier a QUBIC
În Neuraxon, știm că arhitectura conține calcul, că susține inteligența emergentă și induce comportamente probabile. Dar știm și că nu este suficient, motiv pentru care adăugăm dinamici interne bogate, neuromodulare și stare. Neuraxon își propune să se poziționeze în acel spațiu. Introduce activitate endogenă, neuromodulatori, multiple scale temporale și plasticitate, încercând să simuleze mai multe funcții ale creierului uman, nu doar cele structurale. Așa cum s-a explorat în analiza noastră detaliată despre rețele neuronale în AI și neuroștiință, golul dintre rețele neuronale biologice și cele artificiale este exact ceea ce Neuraxon leagă.
Aigarth duce această abordare un pas mai departe. Connectomul muscăi este un sistem închis. Aigarth propune sisteme în care structura poate evolua, dinamica este continuă și funcția apare fără antrenament explicit. Aici, inteligența nu este doar rezultatul optimizării, ci o proprietate a sistemelor dinamice organizate (Friston, 2010).
De la optimizare la organizare: Viitorul inteligenței artificiale
În general, connectomul Drosophila nu rezolvă problema comportamentului, dar ne arată importanța punctului de plecare și a structurii inițiale. Ne arată că o parte semnificativă din inteligență se află în arhitectură. Dar între arhitectură și comportament există încă dinamici, stare, istorie și context.
Trebuie să trecem de la optimizare (LLM-uri) la organizare (Aigarth). Credem cu tărie că aceasta este una dintre cele mai relevante schimbări în viitorul inteligenței artificiale. Chiar și o muscă ne ajută să apărăm aceste idei.
Explorează întreaga Academie de Inteligență Neuraxon
Musca de fructe a demonstrat că inteligența începe cu arhitectura. Neuraxon se bazează pe acest principiu. Explorează cum IA inspirată de creier prinde contur pe QUBIC, începe cu Academia de Inteligență Neuraxon.
NIA Volumul 1: De ce inteligența nu este calculată în pași, ci în timp— Explorează de ce inteligența biologică operează în timp continuu mai degrabă decât în pași computaționali discreți, cum ar fi LLM-urile tradiționale.
NIA Volumul 2: Dinamica ternară ca model al inteligenței vii — Explică dinamica ternară și de ce logica cu trei stări (excitatorie, neutră, inhibitorie) este importantă pentru modelarea sistemelor vii.
NIA Volumul 3: Neuromodulare și AI inspirată de creier — Acoperă neuromodularea și modul în care semnalizarea chimică a creierului (dopamină, serotonină, acetilcolină, norepinefrină) inspiră arhitectura Neuraxon.
NIA Volumul 4: Rețele neuronale în AI și neuroștiință — O comparație profundă între rețele neuronale biologice, rețele neuronale artificiale și abordarea pe a treia cale a Neuraxon.
NIA Volumul 5: Astrocitele și AI inspirată de creier — Explorează modul în care astrocitele reglează plasticitatea sinaptică prin sinapsa tripartită și cum Neuraxon integrează controlul astrocitic pentru a aborda dilema stabilitate-plasticitate, permițând rețelei să controleze local când, unde și cât de mult învățare are loc.
Qubic este o rețea descentralizată, open-source pentru tehnologie experimentală. Pentru a învăța mai multe, vizitați qubic.org. Alăturați-vă discuției pe X, Discord și Telegram.
Referințe
Bargmann, C. I. (2012). Dincolo de connectom: Cum neuromodulatorii modelează circuitele neuronale. BioEssays, 34(6), 458–465.
Bargmann, C. I., & Marder, E. (2013). De la connectom la funcția creierului. Nature Methods, 10(6), 483–490.
Friston, K. (2010). Principiul energiei libere: O teorie unificată a creierului? Nature Reviews Neuroscience, 11(2), 127–138.
Gerstner, W., Kistler, W. M., Naud, R., & Paninski, L. (2014). Dinamica neuronală. Cambridge University Press.
Laughlin, S. B., & Sejnowski, T. J. (2003). Comunicare în rețele neuronale. Science, 301(5641), 1870–1874.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Învățare profundă. Nature, 521(7553), 436–444.
Marek, S., et al. (2022). Studiile de asociere la nivelul creierului reproducibile necesită mii de indivizi. Nature, 603, 654–660.
Marder, E., & Bucher, D. (2007). Înțelegerea dinamicii circuitelor. Annual Review of Physiology, 69, 291–316.
Scheffer, L. K., & Meinertzhagen, I. A. (2021). Un connectom nu este suficient. Journal of Experimental Biology, 224.
Shiu, P. K., Sterne, G. R., Spiller, N., et al. (2024). Un model computațional al creierului Drosophila dezvăluie procesarea senzorimotorie. Nature.
Winding, M., et al. (2023). Connectomul unui creier de insectă. Science, 379.
Zador, A. M. (2019). O critică a învățării pure. Nature Communications, 10, 3770.
Sursa: https://qubic.org/blog-detail/fruit-fly-connectome-drosophila-brain-architecture-ai-qubic