Main de robot tenant un cerveau virtuel. Crédit :Patra Kongsiriongkolchai/Pond5
L'intelligence artificielle (IA) a encore beaucoup à apprendre des cerveaux des animaux, explique Anthony Zador, neuroscientifique du Cold Spring Harbor Laboratory (CSHL). Maintenant, il espère que les leçons des neurosciences pourront aider la prochaine génération d'intelligence artificielle à surmonter certains obstacles particulièrement difficiles.
Antoine Zador, MARYLAND., Doctorat., a passé sa carrière à travailler pour décrire, jusqu'au neurone individuel, les réseaux neuronaux complexes qui composent un cerveau vivant. Mais il a commencé sa carrière en étudiant les réseaux de neurones artificiels (ANN). ANN, quels sont les systèmes informatiques à l'origine de la récente révolution de l'IA, s'inspirent des réseaux ramifiés de neurones dans le cerveau animal et humain. Cependant, ce concept large est généralement l'endroit où l'inspiration s'arrête.
Dans un article de perspective récemment publié dans Communication Nature , Zador décrit comment des algorithmes d'apprentissage améliorés permettent aux systèmes d'IA d'atteindre des performances surhumaines sur un nombre croissant de problèmes plus complexes comme les échecs et le poker. Encore, les machines sont encore bloquées par ce que nous considérons comme les problèmes les plus simples.
Résoudre ce paradoxe pourrait enfin permettre aux robots d'apprendre à faire quelque chose d'aussi organique que traquer une proie ou construire un nid, ou même quelque chose d'aussi humain et banal que faire la vaisselle - une tâche que le PDG de Google, Eric Schmidt, a un jour qualifiée de "littéralement la demande numéro un... mais un problème extraordinairement difficile" pour un robot.
"Les choses que nous trouvons difficiles, comme la pensée abstraite ou le jeu d'échecs, ne sont en fait pas la chose difficile pour les machines. Les choses que nous trouvons faciles, comme interagir avec le monde physique, c'est ça qui est dur, " a expliqué Zador. " La raison pour laquelle nous pensons que c'est facile, c'est que nous avons eu un demi-milliard d'années d'évolution qui a câblé nos circuits pour que nous le fassions sans effort. "
C'est pourquoi Zador écrit que le secret d'un apprentissage rapide n'est peut-être pas un algorithme d'apprentissage général perfectionné. Au lieu, il suggère que les réseaux de neurones biologiques sculptés par l'évolution fournissent une sorte d'échafaudage pour faciliter l'apprentissage rapide et facile pour des types spécifiques de tâches, généralement celles cruciales pour la survie.
À titre d'exemple, Zador désigne votre jardin.
"Vous avez des écureuils qui peuvent sauter d'arbre en arbre en quelques semaines après la naissance, mais nous n'avons pas de souris qui apprennent la même chose. Pourquoi pas ?" dit Zador. "C'est parce que l'on est génétiquement prédéterminé pour devenir une créature arboricole."
Zador suggère que l'un des résultats de cette prédisposition génétique est le circuit inné qui aide à guider l'apprentissage précoce d'un animal. Cependant, ces réseaux d'échafaudage sont beaucoup moins généralisés que la panacée perçue de l'apprentissage automatique que la plupart des experts en IA poursuivent. Si les ANN identifiaient et adaptaient des ensembles de circuits similaires, Zador argumente, les robots ménagers du futur nous surprendront peut-être un jour avec une vaisselle propre.