Architektury inspirované neurovědou pro tvorbu skutečně adaptivní AI Moderní AI systémy jsou silné, ale křehké. Trénujte model, nasadíte ho a sledujte, jak se výkon zhoršuje, jak se svět mění. Přetrénujte na nových datech a model zapomene, co věděl. Tento cyklus vytváří systémy, které vynikají ve statických měřítkách, ale mají potíže s neustálou adaptací – což biologická inteligence zvládá bez námahy. Myš se může během několika pokusů naučit najít vodu v novém labyrintu zhruba za deset pokusů, což je rychlost učení 1 000krát rychlejší než u tradičních laboratorních úkolů. Přesto naše nejsofistikovanější neuronové sítě trpí katastrofálním zapomínáním, když jsou požádány, aby se učily postupně. Mozek nabízí jinou architekturu. Nefunguje jako jedna zamotaná síť, ale jako chytře propojené specializované moduly – hrany zpracování zrakové kůry, výpočty motorické kůry v prostoru sil, prefrontální oblasti sledující paměť strukturovanou úkolem. Každý modul vytváří interní modely aktualizované pomocí chyb v predikci, když se očekávané výsledky liší od reality. Tyto signály znaků byly nyní objeveny napříč smyslovými, motorickými a odměňujícími okruhy. Mackenzie Weygandt Mathis syntetizuje tyto poznatky do návrhu adaptivní agentické AI. Místo aby se snažila o stále větší monolitické základní modely, prosazuje systémy doménově specifických enkodérů, jejichž výstupy jsou společně optimalizovány ve sdíleném latentním prostoru. Každý enkodér je monitorován signály chyby predikce – robustní enkodéry zůstávají "zamčené", zatímco ty s nižším výkonem jsou "odemčeny" pro neustálé učení pomocí přehrávání paměti nebo synaptické inteligence, aniž by byl systém vypnutý. Širší princip: strukturováním AI kolem modularity inspirované neurovědou a aktualizace založené na chybách predikce místo monolitické škály je možné posunout se za statické modely směrem k skutečně adaptivní inteligenci – systémům, které neustále zpřesňují své modely světa prostřednictvím interakce s ním. Článek: