Malgré leurs noms, les technologies d'intelligence artificielle et leurs systèmes composants, tels que les réseaux de neurones artificiels, n'ont pas grand-chose à voir avec la vraie science du cerveau. Je suis professeur de bio-ingénierie et de neurosciences qui souhaite comprendre comment le cerveau fonctionne en tant que système et comment nous pouvons utiliser ces connaissances pour concevoir et concevoir de nouveaux modèles d'apprentissage automatique.

Au cours des dernières décennies, les chercheurs sur le cerveau ont énormément appris sur les connexions physiques dans le cerveau et sur la façon dont le système nerveux achemine l'information et la traite. Mais il reste encore beaucoup à découvrir.

À la fois, algorithmes informatiques, les avancées logicielles et matérielles ont amené l'apprentissage automatique à des niveaux de réalisation auparavant inimaginables. Moi et d'autres chercheurs dans le domaine, dont un certain nombre de ses dirigeants, ont de plus en plus le sentiment qu'en savoir plus sur la façon dont le cerveau traite l'information pourrait aider les programmeurs à traduire les concepts de la pensée du monde humide et spongieux de la biologie en de toutes nouvelles formes d'apprentissage automatique dans le monde numérique.

Le cerveau n'est pas une machine

« L'apprentissage automatique » fait partie des technologies souvent étiquetées « intelligence artificielle ». Les systèmes d'apprentissage automatique sont meilleurs que les humains pour trouver des modèles complexes et subtils dans de très grands ensembles de données.

Ces systèmes semblent être partout - dans les voitures autonomes, logiciel de reconnaissance faciale, détection des fraudes financières, robotique, aider avec les diagnostics médicaux et ailleurs. Mais sous le capot, ce ne sont en réalité que des variantes d'un seul algorithme basé sur des statistiques.

Réseaux de neurones artificiels, l'approche traditionnelle la plus courante de l'apprentissage automatique, sont des réseaux hautement interconnectés de processeurs numériques qui acceptent des entrées, traiter les mesures concernant ces entrées et générer des sorties. Ils ont besoin d'apprendre quels extrants devraient résulter de divers intrants, jusqu'à ce qu'ils développent la capacité de répondre à des modèles similaires de manière similaire.

Si vous souhaitez qu'un système d'apprentissage automatique affiche le texte « Ceci est une vache » lorsqu'une photo d'une vache lui est montrée, vous devrez d'abord lui donner un nombre énorme de photos différentes de différents types de vaches sous tous les angles afin qu'il puisse ajuster ses connexions internes afin de répondre "Ceci est une vache" à chacune. Si vous montrez à ce système une photo d'un chat, il saura seulement que ce n'est pas une vache et ne pourra pas dire ce que c'est réellement.

Mais ce n'est pas comme ça que le cerveau apprend, ni comment il gère l'information pour donner un sens au monde. Plutôt, le cerveau absorbe une très petite quantité de données d'entrée, comme une photographie d'une vache et un dessin d'une vache. Très rapidement, et après seulement un très petit nombre d'exemples, même un tout-petit saisira l'idée de ce à quoi ressemble une vache et sera capable d'en identifier une dans de nouvelles images, sous différents angles et dans différentes couleurs.

Mais une machine n'est pas un cerveau, Soit

Parce que le cerveau et les systèmes d'apprentissage automatique utilisent des algorithmes fondamentalement différents, chacun excelle dans des domaines où l'autre échoue lamentablement. Par exemple, le cerveau peut traiter efficacement l'information même lorsqu'il y a du bruit et de l'incertitude dans l'entrée ou dans des conditions changeant de manière imprévisible.

Vous pourriez regarder une photo granuleuse sur du papier déchiré et froissé, représentant un type de vache que vous n'aviez jamais vu auparavant, et je pense toujours "c'est une vache". De la même manière, vous examinez régulièrement des informations partielles sur une situation et faites des prédictions et des décisions basées sur ce que vous savez, malgré tout ce que tu ne fais pas.

Tout aussi importante est la capacité du cerveau à se remettre de problèmes physiques, reconfigurer ses connexions pour s'adapter après une blessure ou un accident vasculaire cérébral. Le cerveau est si impressionnant que les patients atteints de maladies graves peuvent se faire retirer jusqu'à la moitié de leur cerveau et récupérer des fonctions cognitives et physiques normales. Imaginez maintenant à quel point un ordinateur fonctionnerait bien avec la moitié de ses circuits supprimés.

Tout aussi impressionnante est la capacité du cerveau à faire des inférences et des extrapolations, les clés de la créativité et de l'imagination. Considérez l'idée d'une vache renversant des hamburgers sur Jupiter qui en même temps résout des problèmes de gravité quantique dans sa tête. Aucun de nous n'a d'expérience de quelque chose comme ça, mais je peux le trouver et vous le communiquer efficacement, grâce à notre cerveau.

Peut-être le plus étonnant, bien que, le cerveau fait tout cela avec à peu près la même quantité d'énergie qu'il faut pour faire fonctionner une ampoule faible.

Combiner neurosciences et apprentissage automatique

En plus de découvrir le fonctionnement du cerveau, il n'est pas du tout clair quels processus cérébraux pourraient bien fonctionner en tant qu'algorithmes d'apprentissage automatique, ou comment faire cette traduction. Une façon de trier toutes les possibilités est de se concentrer sur des idées qui font avancer deux efforts de recherche à la fois, à la fois en améliorant l'apprentissage automatique et en identifiant de nouveaux domaines des neurosciences. Les cours peuvent aller dans les deux sens, de la science du cerveau à l'intelligence artificielle - et vice-versa, avec des recherches sur l'IA mettant en évidence de nouvelles questions pour les neuroscientifiques biologiques.

Par exemple, dans mon propre laboratoire, nous avons développé une façon de réfléchir à la façon dont les neurones individuels contribuent à leur réseau global. Chaque neurone échange des informations uniquement avec les autres neurones spécifiques auxquels il est connecté. Il n'a pas de concept global de ce que font le reste des neurones, ou quels signaux ils envoient ou reçoivent. Ceci est vrai pour chaque neurone, quelle que soit l'étendue du réseau, ainsi les interactions locales influencent collectivement l'activité de l'ensemble.

Il s'avère que les mathématiques qui décrivent ces couches d'interaction sont également applicables aux réseaux de neurones artificiels et aux réseaux de neurones biologiques dans les cerveaux réels. Par conséquent, nous développons une forme fondamentalement nouvelle d'apprentissage automatique qui peut apprendre à la volée sans formation préalable qui semble être hautement adaptable et efficace pour l'apprentissage.

En outre, nous avons utilisé ces idées et mathématiques pour explorer pourquoi les formes des neurones biologiques sont si tordues et alambiquées. Nous avons constaté qu'ils peuvent développer ces formes pour maximiser leur efficacité à transmettre des messages, en suivant les mêmes règles de calcul que nous utilisons pour construire notre système d'apprentissage artificiel. Ce n'était pas une découverte fortuite que nous avons faite au sujet de la neurobiologie :nous sommes allés chercher cette relation parce que les mathématiques nous l'ont dit.

Adopter une approche similaire peut également éclairer la recherche sur ce qui se passe lorsque le cerveau est la proie de troubles neurologiques et du développement neurologique. Se concentrer sur les principes et les mathématiques que l'IA et les neurosciences partagent peut aider à faire avancer la recherche dans les deux domaines, atteindre de nouveaux niveaux de capacité pour les ordinateurs et la compréhension des cerveaux naturels.

Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l'article original.