Nový výzkum z Johns Hopkins University ukazuje, že umělé inteligence, které jsou navrženy na základě biologicky inspirovaných struktur, mohou vykazovat aktivitu podobnou lidskému mozku ještě předtím, než projdou jakýmkoliv tréninkem. Tato zjištění byla publikována v časopise Nature Machine Intelligence.
Studie naznačuje, že konstrukce AI modelu může mít větší váhu, než rozsáhlé procesy hlubokého učení, které často trvají měsíce, vyžadují obrovské množství energie a stojí miliardy dolarů. Mick Bonner, hlavní autor a asistent profesora kognitivní vědy na Johns Hopkins University, poznamenává: „Způsob, jakým se nyní obor AI vyvíjí, spočívá v tom, že hodíme na modely množství dat a budujeme výpočetní zdroje velikosti malých měst. To vyžaduje investice do stovek miliard dolarů. Mezitím lidé se učí vidět s velmi malým množstvím dat.“
„Evoluce se možná k tomuto designu dopracovala z dobrého důvodu. Naše práce naznačuje, že architektonické návrhy, které jsou více podobné mozku, staví AI systémy do velmi výhodné výchozí pozice,“ dodal.
Testování AI architektur proti aktivaci mozku
Bonner a jeho kolegové zkoumali tři hlavní kategorie návrhů sítí, které často vedou k výstavbě moderních AI systémů: transformátory, plně propojené sítě a konvoluční sítě. Vědci opakovaně upravovali tyto moduly, neboli architektury AI, aby postavili desítky unikátních umělých neuronových sítí. Následně tyto nové a netrénované AI sítě vystavili obrazům předmětů, lidí a zvířat a porovnávali reakce modelů s mozkovou aktivitou lidí a primátů vystavených stejným obrazům.
Při modifikaci transformátorů a plně propojených sítí s přidáním mnoha dalších umělých neuronů se oproti očekávání prokázalo, že tyto architektury vykazují jen malé změny. Naopak úpravy architektur konvolučních neuronových sítí vedly k tomu, že vědci dokázali generovat vzorce aktivity v AI, které lépe simulovaly vzorce v lidském mozku.
Architektura hraje víc, než se očekávalo
Netrénované konvoluční neuronové sítě se vyrovnaly tradičním AI systémům, které jsou obvykle vystaveny milionům nebo miliardám obrazů během tréninku. Tento poznatek naznačuje, že architektura hraje důležitější roli, než si výzkumníci předtím uvědomovali. „Pokud je trénink na masivních datech opravdu rozhodujícím faktorem, pak by neměl existovat způsob, jak se dostat k AI systémům podobným mozku pouze prostřednictvím architektonických modifikací,“ uvedl Bonner. „To znamená, že správným výběrem návrhu a případným zahrnutím dalších poznatků z biologie bychom mohli dramaticky urychlit učení v AI systémech.“
Dalším krokem ve výzkumu je vývoj jednoduchých učebních algoritmů modelovaných podle biologie, které by mohly inspirovat nový rámec hlubokého učení.
Reference: „Konvoluční architektury jsou pro cortex-aligned de novo“ od Atlase Kazemiana, Erica Elmoznina a Michaela F. Bonnera, 13. listopadu 2025, Nature Machine Intelligence. DOI: 10.1038/s42256-025-01142-3
Nenechte si ujít žádné novinky: Přihlaste se k newsletteru SciTechDaily.
