Born wired: innate cortical connectivity plus local plasticity is enough to stand, walk and look
Diese Arbeit zeigt, dass ein simulierter Quadruped stehen, auf visuelle Ziele zugehen und Blickverfolgungen ausführen kann, und zwar ausschließlich durch angeborene kortikale Verschaltungen und lokale korrelationsbasierte Plastizität, ohne jegliche globale Belohnungssignale, Gradienten oder Trainingsschleifen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Das meiste, was wir unter „Lernen“ in der künstlichen Intelligenz verstehen, beinhaltet ein System, das Millionen von Variationen ausprobiert, scheitert und seine internen Einstellungen langsam anpasst, bis es schließlich die richtige Antwort findet. Es ist ein Prozess von Versuch und Irrtum, geleitet von einem globalen Ziel, wie ein Schüler, der ein Lehrbuch auswendig lernt, indem er Kapitel wiederholt, bis die Antworten im Gedächtnis bleiben. Doch die Natur scheint nicht so zu funktionieren. Ein neugeborenes Tier beginnt nicht als unbeschriebenes Blatt; es kommt mit einem Körper zur Welt, der weiß, wie man steht, und Augen, die wissen, wie man Objekten folgt. Dies wirft eine grundlegende Frage für Wissenschaftler auf, die untersuchen, wie Gehirne funktionieren: Wie viel unseres Verhaltens ist wirklich erlernt, und wie viel ist einfach von vornherein in die Verschaltung eingebaut? Die vorherrschende Ansicht im modernen maschinellen Lernen legt nahe, dass komplexes Verhalten eine enorme Menge an Trainingsdaten und eine ständige Feedbackschleife erfordert, um Fehler zu korrigieren. Eine neue Forschungsrichtung fragt jedoch, ob ein Gehirn mit einer vorgezeichneten Verbindungskarte geboren werden könnte, bei der die einzige Regel für Veränderungen eine einfache, lokale Beobachtung dessen ist, welche Neuronen gemeinsam feuern, ohne die Notwendigkeit eines Lehrers oder einer globalen Bewertungsskala.
Ein Forscher namens Zhiwen Li hat ein digitales Gehirn gebaut, um genau diese Idee zu testen. Anstatt ein System von Grund auf neu zu trainieren, konstruierte er ein simuliertes Gehirn mit fast 144.000 Neuronen und über 300.000 spezifischen Verbindungen, die vom ersten Moment ihrer Existenz an vorhanden waren. Diese ursprünglichen Verbindungen, die der Autor als „Instinkt-Tabelle“ bezeichnet, waren nicht zufällig; sie wurden sorgfältig entworft, um sensorische Eingaben, wie das Sehen einer roten Form oder das Spüren des Körpers, der flach liegt, direkt mit motorischen Ausgaben zu verknüpfen, wie etwa den Muskeln, die benötigt werden, um aufzustehen oder zu gehen. Entscheidend war, dass dieses System kein Belohnungssignal, keine Fehlerkorrektur und keine Trainingsschleife besaß. Es wurde einfach in eine simulierte Welt mit einem vierbeinigen Roboterkörper gesetzt und hatte die Aufgabe zu überleben. Das Ergebnis war unmittelbar und überraschend: Als es auf dem Bauch platziert wurde, stand der Roboter von selbst auf. Wenn ihm ein rotes Objekt gezeigt wurde, ging er darauf zu. Diese Handlungen wurden nicht durch Wiederholung gelernt; sie waren das direkte Resultat der vorverdrahteten Verbindungen, die in der richtigen Sequenz feuerten.
Das Experiment ging weiter, um zu beweisen, dass diese Verhaltensweisen nicht zufällig waren. Als die Forscher den sensorischen Input vollständig entfernten, brach der Roboter zusammen, was bewies, dass das Verhalten auf die Verarbeitung von Echtzeitinformationen durch das Gehen angewiesen war. Als sie die spezifischen „Instinkt“-Verbindungen löschten, aber die zufällige Hintergrundverdrahtung intakt ließen, konnte der Roboter weder aufstehen noch gehen, was bestätigte, dass das Verhalten aus der vorgegebenen Karte stammte und nicht durch Zufall entstand. Die Studie zeigte auch, dass spezifische Teile des Gehirns für spezifische Handlungen verantwortlich waren. Indem die Forscher eine große Gruppe von Neuronen im präfrontalen Bereich – dem Teil des Gehirns, der oft mit Planung und Entscheidungsfindung assoziiert wird – ausschalteten, stellten sie fest, dass der Roboter zwar noch auf einen blauen Bildschirm reagieren konnte, aber die Fähigkeit völlig verlor, auf ein rotes Objekt zuzugehen. Dies demonstrierte, dass der „Gedanke“, auf das rote Objekt zuzugehen, ein spezifisches Aktivitätsmuster in dieser Gruppe von Zellen war, und ohne dieses verschwand das Verhalten, obwohl die grundlegenden Reflexe bestehen blieben.
Die vielleicht beeindruckendste Erkenntnis war, dass dieses System während seiner Lebenszeit eine neue Fähigkeit lernen konnte, ohne einen externen Lehrer zu haben. Die Forscher fügten eine kleine Gruppe von Zellen hinzu, die wie ein Belohnungssignal fungierten. Als der Roboter stand und ein rotes Objekt sah, während er ein bestimmtes Geräusch hörte, feuerte dieses Signal. In diesem Moment griff die lokale Veränderungsregel des Gehirns: Sie verstärkte die Verbindung zwischen den Zellen, die kurz vor dem Geräusch aktiv waren, und den Zellen, die zum Zeitpunkt des Geräusches aktiv waren. Nach diesem einzigen Ereignis lernte der Roboter, allein durch das Hören des Geräusches auf das rote Objekt zuzugehen, selbst wenn das Objekt nicht sichtbar war. Diese neue Fähigkeit wurde in Echtzeit in die Verdrahtung des Gehirns geschrieben, angetrieben nur durch das Zusammentreffen von Ereignissen und das Vorhandensein des Belohnungssignals, ohne dass eine globale Zielfunktion den Prozess leitete.
Jedoch offenbarte die Studie auch die Grenzen dieses Ansatzes. Während der Roboter lernen konnte zu gehen, hatte er Schwierigkeiten, über längere Zeiträume aufrecht zu bleiben, wenn das Belohnungssignal zu lange aktiv war. Die internen Schleifen, die es dem Gehirn ermöglichten, einen Gedanken oder einen Plan festzuhalten, führten auch dazu, dass es zu viel Aktivität anhäufte, was schließlich dazu führte, dass der Roboter umkippte. Dies deutet darauf hin, dass, obwohl ein vorverdrahtetes Gehirn mit einfachen lokalen Regeln komplexe Verhaltensweisen erzeugen und sogar neue Assoziationen lernen kann, es immer noch einen Weg braucht, um zu vergessen oder zurückzusetzen – einen Mechanismus, der dem aktuellen Modell fehlt. Die Forscher merkten auch an, dass die „Instinkt“-Tabelle selbst unter Verwendung von Daten aus einem zuvor trainierten maschinellen Lernsystem erstellt wurde, was bedeutet, dass das ursprüngliche Repertoire an Bewegungen aus einer gelernten Strategie destilliert wurde, bevor das Gehirn überhaupt erschaffen wurde. Dieses Eingeständnis unterstreicht, dass das System das Gehen nicht aus dem Nichts erfunden hat; es hat eine Bibliothek von Bewegungen geerbt und gelernt, wie es diese in neuen Kontexten auslöst.
Die Arbeit stellt die Idee infrage, dass Intelligenz einen massiven, Top-Down-Optimierungsprozess erfordert. Stattdessen deutet sie darauf hin, dass ein erheblicher Teil dessen, was ein Organismus tut, durch die spezifische Architektur bestimmt wird, mit der er geboren wird. Das Gehirn ist kein leerer Computer, der auf Software wartet; es ist eine Maschine mit einem fest verdrahteten Betriebssystem, das lokal aktualisiert werden kann, während es mit der Welt interagiert. Die Studie zeigt, dass ein System mit den richtigen Ausgangsverbindungen stehen, gehen und schauen kann, ohne jemals gesagt bekommen zu haben, was eine „richtige“ Antwort ist. Sie behauptet nicht, das Rätsel der allgemeinen Intelligenz gelöst zu haben, aber sie bietet eine konkrete Demonstration dafür, dass komplexes, zielgerichtetes Verhalten aus einem festen Satz von Regeln und einem einfachen, lokalen Lernmechanismus entstehen kann, vorausgesetzt, die initiale Verdrahtung ist korrekt. Die Ergebnisse legen nahe, dass der Mangel in der biologischen Intelligenz möglicherweise nicht in der Fähigkeit zu lernen liegt, sondern in der initialen Struktur, die das Lernen überhaupt erst möglich macht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.