Born wired: innate cortical connectivity plus local plasticity is enough to stand, walk and look
यह शोध पत्र प्रदर्शित करता है कि एक सिम्युलेटेड चतुष्पाद (क्वाड्रुपेड) बिना किसी वैश्विक पुरस्कार संकेतों, ग्रेडिएंट्स या प्रशिक्षण लूप के, केवल जन्मजात कॉर्टिकल वायरिंग और स्थानीय सहसंबंध-आधारित प्लास्टिसिटी का उपयोग करके खड़ा हो सकता है, दृश्य लक्ष्यों की ओर चल सकता है और गेज़ ट्रैकिंग (दृष्टि अनुरेखण) प्रदर्शित कर सकता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
आर्टिफिशियल इंटेलिजेंस में जिसे हम "सीखने" के रूप में देखते हैं, उसका अधिकांश हिस्सा एक ऐसी प्रणाली है जो लाखों विविधताओं को आज़माती है, विफल होती है, और धीरे-धीरे अपनी आंतरिक सेटिंग्स को तब तक समायोजित करती है जब तक कि वह अंततः सही उत्तर नहीं पा लेती। यह प्रयास और त्रुटि (ट्रायल एंड एरिर) की एक प्रक्रिया है, जो एक वैश्विक लक्ष्य द्वारा निर्देशित होती है, जैसे कि एक छात्र अध्याय दोहराते हुए पाठ्यपुस्तक को याद करने की कोशिश करता है जब तक कि उत्तर उसके दिमाग में न बैठ जाए। लेकिन प्रकृति इस तरह काम नहीं करती प्रतीत होती है। एक नवजात जीव खाली स्लेट के साथ पैदा नहीं होता; वह एक ऐसे शरीर के साथ आता है जो खड़ा होना जानता है और ऐसी आँखों के साथ जो ट्रैक करना जानती हैं। यह वैज्ञानिकों के लिए, जो मस्तिष्क के कार्य करने के तरीके का अध्ययन कर रहे हैं, एक मौलिक प्रश्न खड़ा करता है: हमारा व्यवहार वास्तव में कितना सीखा हुआ है, और कितना शुरू से ही हमारी वायरिंग में बना हुआ है? आधुनिक मशीन लर्निंग का प्रचलित दृष्टिकोण बताता है कि जटिल व्यवहार के लिए भारी मात्रा में प्रशिक्षण डेटा और गलतियों को सुधारने के लिए एक निरंतर फीडबैक लूप की आवश्यकता होती है। हालाँकि, जांच की एक नई रेखा यह पूछ रही है कि क्या एक मस्तिष्क एक पूर्व-निर्धारित कनेक्शन के मानचित्र के साथ जन्म ले सकता है, जहाँ परिवर्तन का एकमात्र नियम यह स्थानीय अवलोकन है कि कौन से न्यूरॉन्स एक साथ सक्रिय होते हैं, बिना किसी शिक्षक या वैश्विक स्कोरकार्ड की आवश्यकता के।
ज़ीवेन ली नामक एक शोधकर्ता ने ठीक इसी विचार का परीक्षण करने के लिए एक डिजिटल मस्तिष्क बनाया है। शून्य से एक प्रणाली को प्रशिक्षित करने के बजाय, उन्होंने लगभग 1,4,4,000 न्यूरॉन्स और 3,0,0,000 विशिष्ट कनेक्शनों वाला एक सिम्युलेटेड मस्तिष्क बनाया जो उसके अस्तित्व के पहले क्षण से मौजूद थे। ये प्रारंभिक कनेक्शन, जिन्हें लेखक "इंस्टिंक्ट टेबल" (सहज ज्ञान की तालिका) कहते हैं, यादृच्छिक नहीं थे; उन्हें संवेदी इनपुट, जैसे लाल आकृति देखना या शरीर को सपाट लेटे हुए महसूस करना, को सीधे मोटर आउटपुट, जैसे खड़े होने या चलने के लिए आवश्यक मांसपेशियों से जोड़ने के लिए सावधानीपूर्वक डिज़ाइन किया गया था। महत्वपूर्ण रूप से, इस प्रणाली के पास कोई रिवॉर्ड सिग्नल (पुरस्कार संकेत), कोई त्रुटि सुधार, और कोई ट्रेनिंग लूप नहीं था। इसे बस एक चार पैरों वाले रोबोट शरीर के साथ एक सिम्युलेटेड दुनिया में रखा गया और जीवित रहने के लिए कहा गया। परिणाम तत्काल और आश्चर्यजनक था: जब इसे पेट के बल लिटाया गया, तो रोबोट अपने आप खड़ा हो गया। जब इसे एक लाल वस्तु दिखाई गई, तो यह उसकी ओर चल पड़ा। ये क्रियाएं दोहराव के माध्यम से सीखी नहीं गई थीं; वे सही क्रम में सक्रिय होने वाले पूर्व-निर्धारित कनेक्शनों का सीधा परिणाम थीं।
प्रयोग ने यह सिद्ध करने के लिए आगे भी कदम बढ़ाया कि ये व्यवहार आकस्मिक नहीं थे। जब शोधकर्ताओं ने संवेदी इनपुट को पूरी तरह से हटा दिया, तो रोबट गिर गया, जिससे यह सिद्ध हुआ कि व्यवहार वास्तविक समय की जानकारी को संसाधित करने पर निर्भर था। जब उन्होंने विशिष्ट "इंस्टिंक्ट" कनेक्शनों को हटा दिया लेकिन यादृच्छिक बैकग्राउंड वायरिंग को बरकरार रखा, तो रोबोट न तो खड़ा हो सका और न ही चल सका, जिससे पुष्टि हुई कि व्यवहार पूर्व-निर्दिष्ट मानचित्र से आया था, न कि संयोग से। अध्ययन ने यह भी दिखाया कि मस्तिष्क के विशिष्ट हिस्से विशिष्ट कार्यों के लिए जिम्मेदार थे। प्रीफ्रंटल क्षेत्र—जो मस्तिष्क का वह हिस्सा है जो अक्सर योजना बनाने और निर्णय लेने से जुड़ा होता है—में न्यूरॉन्स के एक बड़े समूह को शांत (साइलेंस) करने पर, शोधकर्ताओं ने पाया कि रोबोट नीली स्क्रीन पर प्रतिक्रिया तो दे सकता था, लेकिन लाल वस्तु की ओर चलने की क्षमता पूरी तरह से खो चुका था। इसने प्रदर्शित किया कि लाल वस्तु की ओर चलने का "विचार" उस समूह की कोशिकाओं में गतिविधि का एक विशिष्ट पैटर्न था, और इसके बिना, व्यवहार गायब हो गया, भले ही बुनियादी रिफ्लेक्स (प्रतिवर्त) बने रहे।
शायद सबसे उल्लेखनीय खोज यह थी कि यह प्रणाली बिना किसी बाहरी शिक्षक के अपने जीवनकाल के दौरान एक नया कौशल सीख सकती थी। शोधकर्ताओं ने कोशिकाओं का एक छोटा समूह जोड़ा जो एक रिवॉर्ड सिग्नल की तरह कार्य करता था। जब रोबोट खड़ा था और उसने एक विशिष्ट ध्वनि सुनते समय एक लाल वस्तु देखी, तो यह सिग्नल सक्रिय हुआ। उस क्षण, परिवर्तन का मस्तिष्क का स्थानीय नियम सक्रिय हो गया: इसने उन कोशिकाओं के बीच के संबंध को मजबूत किया जो ध्वनि से ठीक पहले सक्रिय थीं और उन कोशिकाओं के बीच जो ध्वनि के समय सक्रिय थीं। इस एकल घटना के बाद, रोबोट केवल ध्वनि सुनकर लाल वस्तु की ओर चलने के लिए सीख गया, भले ही वस्तु दिखाई न दे रही हो। यह नई क्षमता वास्तविक समय में मस्तिष्क की वायरिंग में लिखी गई थी, जो केवल घटनाओं के संयोग और रिवॉर्ड सिग्नल की उपस्थिति से संचालित थी, जिसमें प्रक्रिया का मार्गदर्शन करने के लिए कोई वैश्विक उद्देश्य कार्य (ग्लोबल ऑब्जेक्टिव फंक्शन) नहीं था।
हालाँकि, अध्ययन ने इस दृष्टिकोण की सीमाओं को भी उजागर किया। जबकि रोबोट चलना सीख सकता था, जब रिवॉर्ड सिग्नल बहुत लंबे समय तक सक्रिय रहता, तो उसे लंबे समय तक सीधा खड़ा रहने में संघर्ष करना पड़ता था। आंतरिक लूप जो मस्तिष्क को किसी विचार या योजना को बनाए रखने की अनुमति देते थे, उन्होंने इसे अत्यधिक गतिविधि जमा करने का कारण भी बनाया, जिससे अंततः रोबोट लड़खड़ाकर गिर गया। यह सुझाव देता है कि जबकि एक पूर्व-निर्धारित मस्तिष्क सरल स्थानीय नियमों के साथ जटिल व्यवहार उत्पन्न कर सकता है और नए जुड़ाव सीख भी सकता है, इसे अभी भी भूलने या रीसेट करने के तरीके की आवश्यकता है, एक ऐसा तंत्र जिसकी वर्तमान मॉडल में कमी है। शोधकर्ताओं ने यह भी नोट किया कि "इंस्टिंक्ट" टेबल स्वयं एक पहले से प्रशिक्षित मशीन लर्निंग सिस्टम के डेटा का उपयोग करके बनाई गई थी, जिसका अर्थ है कि प्रारंभिक गतिविधियों का संग्रह एक सीखे हुए पॉलिसी से निकाला गया था, इससे पहले कि मस्तिष्क का निर्माण किया गया हो। यह स्वीकारोक्ति इस बात पर प्रकाश डालती है कि इस प्रणाली ने चलते हुए शून्य से आविष्कार नहीं किया था; इसने गतिविधियों का एक पुस्तकालय विरासत में लिया और सीखा कि उन्हें नए संदर्भों में कैसे ट्रिगर किया जाए।
यह कार्य इस विचार को चुनौती देता है कि बुद्धिमत्ता के लिए एक विशाल, टॉप-डाउन ऑप्टिमाइजेशन प्रक्रिया की आवश्यकता होती है। इसके बजाय, यह सुझाव देता है कि एक जीव जो कुछ भी करता है उसका एक बड़ा हिस्सा उस विशिष्ट संरचना द्वारा निर्धारित होता है जिसके साथ वह जन्म लेता है। मस्तिष्क एक खाली कंप्यूटर नहीं है जो सॉफ्टवेयर की प्रतीक्षा कर रहा है; यह एक मशीन है जिसका एक हार्ड-वायर्ड ऑपरेटिंग सिस्टम है जिसे दुनिया के साथ बातचीत करते समय स्थानीय रूप से अपडेट किया जा सकता है। अध्ययन दिखाता है कि सही शुरुआती कनेक्शनों के साथ, एक प्रणाली बिना कभी यह बताए कि "सही" उत्तर क्या है, खड़ा हो सकती है, चल सकती है और देख सकती है। यह सामान्य बुद्धिमत्ता के रहस्य को सुलझाने का दावा नहीं करता है, लेकिन यह एक ठोस प्रदर्शन प्रदान करता है कि जटिल, लक्ष्य-निर्देशित व्यवहार एक निश्चित नियमों के सेट और एक सरल, स्थानीय शिक्षण तंत्र से उभर सकता है, बशर्ते कि प्रारंभिक वायरिंग सही हो। निष्कर्ष बताते हैं कि जैविक बुद्धिमत्ता में कमी सीखने की क्षमता में नहीं, बल्कि उस प्रारंभिक संरचना में हो सकती है जो सीखने को संभव बनाती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।