Neurotieteestä inspiroituneet arkkitehtuurit aidosti adaptiivisen tekoälyn rakentamiseen Nykyaikaiset tekoälyjärjestelmät ovat tehokkaita mutta hauraita. Kouluta malli, ota se käyttöön ja katso suorituskyvyn heikkenemistä maailman muuttuessa. Uudelleenkouluttaminen uusien tietojen pohjalta, ja malli unohtaa, mitä se tiesi. Tämä sykli tuottaa järjestelmiä, jotka menestyvät staattisissa vertailuarvoissa, mutta kamppailevat jatkuvan sopeutumisen kanssa—asia, jonka biologinen älykkyys hoitaa vaivattomasti. Hiiri voi muutamalla kerralla oppia löytämään vettä uudesta labyrintistä noin kymmenessä yrityksessä, mikä on 1 000 kertaa nopeampi kuin perinteiset laboratoriotehtävät. Silti kehittyneimmät neuroverkkomme kärsivät katastrofaalisesta unohtamisesta, kun niitä pyydetään oppimaan peräkkäin. Aivot tarjoavat erilaisen arkkitehtuurin. Se ei toimi yhtenä sotkuisena verkostona, vaan älykkäästi yhdistettyinä erikoistuneina moduuleina—visuaalisen aivokuoren käsittelyreunoina, motorisen aivokuoren laskenta voimatilassa, prefrontaalialueina, jotka seuraavat tehtävärakenteellista muistia. Jokainen moduuli rakentaa sisäisiä malleja, joita päivitetään ennustevirheiden avulla, kun odotetut lopputulokset poikkeavat todellisuudesta. Nämä allekirjoitetut opetussignaalit on nyt löydetty aisti-, motoris- ja palkitsemispiireissä. Mackenzie Weygandt Mathis yhdistää nämä oivallukset ehdotukseksi adaptiiviseksi agenttiseksi tekoälyksi. Sen sijaan, että tavoiteltaisiin yhä suurempia monoliittisia perustusmalleja, hän puolustaa alakohtaisia kooderijärjestelmiä, joiden ulostulot optimoidaan yhdessä jaetussa latenttitilassa. Jokainen kooderi on valvottu virheennustesignaaleilla – kestävät kooderit pysyvät "lukittuina", kun taas heikentynyttä suorituskykyä osoittavat koodaajat "avataan" jatkuvaa oppimista varten muistin toistolla tai synaptisella älykkyydellä, ilman että koko järjestelmä poistuu käytöstä. Laajempi periaate: rakentamalla tekoäly neurotieteen inspiroiman modulaarisuuden ja ennustevirhepohjaisen päivityksen ympärille monoliittisen mittakaavan sijaan, on mahdollista siirtyä staattisten mallien ulkopuolelle kohti aidosti adaptiivista älykkyyttä—järjestelmiä, jotka jatkuvasti hiovat mallejaan maailmasta vuorovaikutuksen kautta. Artikkeli: