Born wired: innate cortical connectivity plus local plasticity is enough to stand, walk and look
Dit artikel toont aan dat een gesimuleerde viervoeter kan staan, naar visuele doelen kan lopen en oogbewegingen kan uitvoeren met behulp van enkel aangeboren corticale bedrading en lokale correlatiegebaseerde plasticiteit, zonder enige globale beloningssignalen, gradiënten of trainingslussen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Het grootste deel van wat wij als "leren" beschouwen in kunstmatige intelligentie, houdt in dat een systeem miljoenen variaties probeert, faalt, en langzaam zijn interne instellingen aanpast totdat het eindelijk het juiste antwoord vindt. Het is een proces van vallen en opstaan, gestuurd door een globaal doel, zoals een student die een tekstboek uit het hoofd leert door hoofdstukken te herhalen totdat de antwoorden blijven hangen. Maar de natuur lijkt niet op deze manier te werken. Een pasgeboren dier begint niet met een onbeschreven blad; het arriveert met een lichaam dat weet hoe het moet staan en ogen die weten hoe ze moeten volgen. Dit roept een fundamentele vraag op voor wetenschappers die bestuderen hoe hersenen werken: hoeveel van ons gedrag is werkelijk aangeleerd, en hoeveel is simpelweg ingebouwd in de bedrading vanaf het begin? De heersende opvatting in moderne machine learning suggereert dat complex gedrag een enorme hoeveelheid trainingsdata en een constante feedbackloop vereist om fouten te corrigeren. Echter, een nieuwe lijn van onderzoek vraagt zich af of een brein geboren zou kunnen worden met een vooraf getekende kaart van verbindingen, waarbij de enige regel voor verandering een eenvoudige, lokale observatie is van welke neuronen samen vuren, zonder enige noodzaak voor een leraar of een globale scorekaart.
Een onderzoeker genaamd Zhiwen Li heeft een digitaal brein gebouwd om precies dit idee te testen. In plaats van een systeem vanaf nul te trainen, construeerde hij een gesimuleerd brein met bijna 144.000 neuronen en meer dan 300.000 specifieke verbindingen die aanwezig waren vanaf het allereerste moment van zijn bestaan. Deze initiële verbindingen, die de auteur een "instincttabel" noemt, waren niet willekeurig; ze waren zorgvuldig ontworpen om sensorische input, zoals het zien van een rode vorm of het voelen van het lichaam dat plat ligt, direct te koppelen aan motorische output, zoals de spieren die nodig zijn om op te staan of te lopen. Cruciaal was dat dit systeem geen beloningssignaal had, geen foutcorrectie en geen trainingsloop. Het werd simpelweg in een gesimuleerde wereld geplaatst met een vierpotig robotlichaam en kreeg de opdracht te overleven. Het resultaat was onmiddellijk en verrassend: toen het op de buik werd geplaatst, stond de robot uit zichzelf op. Wanneer er een rood object werd getoond, liep de robot er naartoe. Deze acties werden niet geleerd door herhaling; ze waren het directe gevolg van de vooraf bedrade verbindingen die in de juiste sequentie vuurden.
Het experiment ging verder om te bewijzen dat deze gedragingen niet toevallig waren. Toen de onderzoekers de sensorische input volledig verwijderden, stortte de robot in, wat bewees dat het gedrag vertrouwde op het verwerken van realtime informatie door het brein. Wanneer zij de specifieke "instinct"-verbindingen verwijderden maar de willekeurige achtergrondbedrading intact lieten, kon de robot noch staan noch lopen, wat bevestigde dat het gedrag voortkwam uit de vooraf gespecificeerde kaart en niet uit toeval. De studie toonde ook aan dat specifieke delen van het brein verantwoordelijk waren voor specifieke acties. Door een grote groep neuronen in het prefrontale gebied te stille — het deel van de hersenen dat vaak wordt geassocieerd met planning en besluitvorming — ontdekten de onderzoekers dat de robot nog steeds kon reageren op een blauw scherm, maar dat hij volledig het vermogen verloor om naar een rood object te lopen. Dit demonstreerde dat de "gedachte" om naar het rode object te lopen een specifiek patroon van activiteit was in die groep cellen, en zonder die activiteit verdween het gedrag, zelfs terwijl de basisreflexen behouden bleven.
Misschien wel de meest opmerkelijke bevinding was dat dit systeem tijdens zijn leven een nieuwe vaardigheid kon leren zonder externe leraar. De onderzoekers voegden een kleine groep cellen toe die fungeerden als een beloningssignaal. Wanneer de robot stond en een rood object zag terwijl hij een specifiek geluid hoorde, vuurde dit signaal. Op dat moment trad de lokale regel voor verandering in het brein in werking: het versterkte de verbinding tussen de cellen die actief waren vlak voor het geluid en de cellen die actief waren op het moment van het geluid. Na deze enkele gebeurtenis leerde de robot om naar het rode object te lopen door alleen het geluid te horen, zelfs wanneer het object niet zichtbaar was. Deze nieuwe vaardigheid werd in realtime in de bedrading van het brein geschreven, gedreven door enkel de samenloop van gebeurtenissen en de aanwezigheid van het beloningssignaal, zonder dat een globale doelstelling het proces stuurde.
Echter, de studie onthulde ook de beperkingen van deze aanpak. Hoewel de robot kon leren lopen, had hij moeite om langdurig rechtop te blijven staan wanneer het beloningssignaal te lang actief was. De interne lussen die het brein in staat stelden een gedachte of een plan vast te houden, zorgden er ook voor dat er te veel activiteit werd opgehoopt, wat er uiteindelijk toe leidde dat de robot omviel. Dit suggereert dat hoewel een vooraf bedraad brein met eenvoudige lokale regels complex gedrag kan genereren en zelfs nieuwe associaties kan leren, het nog steeds een manier nodig heeft om te vergeten of te resetten, een mechanisme dat het huidige model mist. De onderzoekers merkten ook op dat de "instinct"-tabel zelf werd opgebouwd met behulp van data van een eerder getraind machine learning-systeem, wat betekent dat het initiële repertoire aan bewegingen werd gedestilleerd uit een geleerd beleid voordat het brein überhaupt werd gecreëerd. Deze erkenning benadrukt dat het systeem het lopen niet uit het niets heeft uitgevonden; het erfde een bibliotheek van bewegingen en leerde hoe deze in nieuwe contexten te triggeren.
Het werk daagt het idee uit dat intelligentie een massaal, top-down optimalisatieproces vereist. In plaats daarvan suggereert het dat een aanzienlijk deel van wat een organisme doet, wordt bepaald door de specifieke architectuur waarmee het wordt geboren. Het brein is geen blanco computer die wacht op software; het is een machine met een hard-wired besturingssysteem dat lokaal kan worden bijgewerkt terwijl het interactie heeft met de wereld. De studie laat zien dat met de juiste beginverbindingen, een systeem kan staan, lopen en kijken zonder ooit te worden verteld wat een "correct" antwoord is. Het beweert niet het mysterie van algemene intelligentie te hebben opgelost, maar biedt een concrete demonstratie dat complex, doelgericht gedrag kan voortkomen uit een vaste set regels en een eenvoudig, lokaal leermechanisme, mits de initiële bedrading correct is. De bevindingen suggereren dat de schaarste in biologische intelligentie mogelijk niet ligt in het vermogen om te leren, maar in de initiële structuur die het leren mogelijk maakt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.