Память ИИ уступает биологической в эффективности
Нейронные сети, биологические или искусственные, обучаются, регулируя связи между нейронами, делая их сильнее или слабее. При этом некоторые нейроны становятся более, а некоторые менее активными, пока не сложится определенная картина активности, которую мы и называем "памятью".
Стратегия AI заключается в использовании для этого сложных длинных алгоритмов, которые итеративно настраивают и оптимизируют соединения. Мозг проделывает это гораздо проще: каждое соединение между нейронами изменяется только в зависимости от того, насколько активны оба нейрона одновременно.
Долгое время считалось, что в сравнении с ИИ-алгоритмом этот подход позволяет хранить меньше воспоминаний. Однако, исследование, проведенное учеными Высшей международной школы продвинутых исследований SISSA (Италия) в сотрудничестве с Институтом системной нейробиологии Кавли и Центром нейронных вычислений в Тронхейме (Норвегия), свидетельствует об обратном.
Когда простая стратегия, используемая мозгом для изменения связей, сочетается с биологически правдоподобными моделями реакции отдельных нейронов, она работает так же, или даже лучше, чем алгоритмы ИИ.
Почему это происходит? Как ни парадоксально, ответ заключается во внесении ошибок. Мозг эффективно извлекает воспоминания, которые не идентичны исходным входным данным, подавляя вклад в общую картину малоактивных нейронов.
Эти заглушенные нейроны не играют решающей роли в воспоминаниях. Игнорирование их помогает сконцентрировать нейронные ресурсы на тех нейронах, которые действительно важны для ввода, который необходимо запомнить, что и обеспечивает более высокую емкость памяти.
В целом, это исследование, свежеопубликованное в Physical Review Letters, демонстрирует, что биологически корректные самоорганизующиеся процессы обучения могут быть столь же эффективными, как и алгоритмы, основанные на синтетических, умозрительных концепциях обучения.
