Sztuczna inteligencja widzi inaczej niż mózg, pokazuje nowy test

Sztuczna inteligencja widzi inaczej niż mózg, pokazuje nowy test

Modele AI uchodzące za „podobne do mózgu” potrafią przewidywać aktywność neuronów, ale robią to, korzystając częściowo z mechanizmów, których mózg prawdopodobnie nie wykorzystuje. Do takiego wniosku doszli badacze z kanadyjskiego York University, którzy sprawdzili zależność w drugą stronę niż dotychczas. Wyniki opublikowano w czasopiśmie „Nature Machine Intelligence”.

Test w dwóch kierunkach

Sztuczne sieci neuronowe, czyli systemy uczone m.in. rozpoznawania obiektów na zdjęciach, od około dekady należą do głównych narzędzi, za pomocą których neuronauka tłumaczy działanie ludzkiego wzroku. Ich wartość wynikała z tego, że potrafią odtworzyć wzorce aktywności w mózgu. Dotychczas sprawdzano zwykle tylko jedno: czy model przewidzi to, co dzieje się w neuronach.

Zespół pod kierunkiem Kohitija Kara postanowił zapytać odwrotnie: czy zarejestrowana aktywność mózgu pozwala przewidzieć to, co dzieje się wewnątrz modelu? Skoro dwa systemy działają podobnie, zależność powinna działać w obu kierunkach. Do tego badacze opracowali metodę nazwaną „reverse predictivity”, czyli odwrotną przewidywalnością.

Co sprawdzono i co wyszło

Materiał testowy obejmował 1320 zdjęć naturalnych i realistycznych obrazów syntetycznych z dziesięcioma znanymi obiektami: niedźwiedziem, słoniem, twarzą, jabłkiem, samochodem, psem, krzesłem, samolotem, ptakiem i zebrą. Pojawiały się one na różnych tłach, w pomieszczeniach i na zewnątrz. Dodatkowo użyto 300 obrazów tych samych obiektów w innych stylach: jako kontury, rysunki, uproszczone przedstawienia i interpretacje artystyczne.

Modele AI zazwyczaj dobrze przewidywały odpowiedzi zarejestrowanych neuronów. Gdy jednak odwrócono kierunek, aktywność neuronów znacznie słabiej przewidywała wiele wewnętrznych cech modeli. Co istotne, takiego problemu nie zaobserwowano, gdy porównywano neurony z jednego mózgu z neuronami z innego mózgu.

Kar ocenia, że współczesne systemy AI rozwiązują zadania wzrokowe częściowo za pomocą strategii, z których mózg może nie korzystać. Zaznacza jednak, że te elementy modeli, które pokrywają się z mózgiem, lepiej przewidują także rzeczywiste zachowania ludzi.

Dlaczego to ważne

Jeśli badacze będą udoskonalać modele wyłącznie pod kątem trafności przewidywania aktywności neuronów, różnice między nimi a mózgiem naczelnych mogą się z czasem kumulować. To podważałoby jeden z głównych powodów, dla których neuronaukowcy w ogóle sięgają po takie modele: chęć uzyskania realistycznych wyjaśnień pracy mózgu.

Autorzy zwracają uwagę, że AI jest coraz częściej wykorzystywana do planowania eksperymentów, badania zachowań oraz zaburzeń neurologicznych i psychologicznych. Podobne modele stosuje się też w badaniach nad słuchem, językiem i ruchem, więc podobna ostrożność może być potrzebna także tam. Naukowcy nie sugerują porzucenia sieci neuronowych. Metoda ma pomóc wskazać, które ich fragmenty rzeczywiście odpowiadają aktywności mózgu. Zespół udostępnił publicznie zestaw narzędzi, za pomocą którego twórcy modeli mogą testować własne rozwiązania.

Co to oznacza w praktyce

Dla przeciętnego czytelnika to przede wszystkim przypomnienie, że wysoka skuteczność systemu AI nie dowodzi, że „myśli” on jak człowiek. Z tekstu źródłowego nie wynika, by badanie dotyczyło bezpośrednio Polski czy Unii Europejskiej, ale wnioski są uniwersalne i mogą interesować również polskie zespoły zajmujące się neuronauką obliczeniową oraz projektowaniem modeli AI.

Na razie to wyniki badawcze, a nie gotowe zmiany w medycynie. Autorzy wskazują jednak, że dokładniejsze modele mózgu mogą w przyszłości pomóc w badaniach nad takimi stanami jak zespół stresu pourazowego czy autyzm. Kar podkreśla, że dla jego zespołu jest to ważne, bo badania nad autyzmem opierają się na modelach mózgu osób neurotypowych jako punkcie odniesienia.

Źródło: ScienceDaily – „AI may not work like the human brain after all, scientists discover”

Może Cię zainteresować

nopix.pl terazubezpieczenia.pl szybkie-ubezpieczenia.pl