L'AI potrebbe non aver bisogno di enormi dati di addestramento dopo tutto | Hannah Robbins, Johns Hopkins University Riepilogo: Nuove ricerche mostrano che l'AI non ha bisogno di dati di addestramento infiniti per iniziare a comportarsi più come un cervello umano. Quando i ricercatori hanno riprogettato i sistemi di AI per somigliare meglio ai cervelli biologici, alcuni modelli hanno prodotto attività simile a quella cerebrale senza alcun addestramento. Questo sfida l'approccio affamato di dati all'attuale sviluppo dell'AI. Il lavoro suggerisce che un design più intelligente potrebbe accelerare drammaticamente l'apprendimento riducendo al contempo costi e consumo energetico. --- Nuove ricerche della Johns Hopkins University mostrano che i sistemi di intelligenza artificiale costruiti con design ispirati alla biologia possono iniziare a somigliare all'attività cerebrale umana anche prima di essere addestrati su qualsiasi dato. Lo studio suggerisce che la struttura dell'AI potrebbe essere altrettanto importante quanto la quantità di dati che elabora. I risultati, pubblicati in Nature Machine Intelligence, sfidano la strategia dominante nello sviluppo dell'AI. Invece di fare affidamento su mesi di addestramento, enormi set di dati e vasta potenza di calcolo, la ricerca evidenzia il valore di partire da una base architettonica simile a quella del cervello. Ripensare l'approccio pesante ai dati per l'AI "Il modo in cui il campo dell'AI si sta muovendo in questo momento è di lanciare un sacco di dati sui modelli e costruire risorse di calcolo delle dimensioni di piccole città. Questo richiede di spendere centinaia di miliardi di dollari. Nel frattempo, gli esseri umani imparano a vedere usando pochissimi dati," ha detto l'autore principale Mick Bonner, professore assistente di scienze cognitive alla Johns Hopkins University. "L'evoluzione potrebbe aver convergito su questo design per un buon motivo. Il nostro lavoro suggerisce che i design architettonici più simili a quelli del cervello pongono i sistemi di AI in un punto di partenza molto vantaggioso." Bonner e i suoi colleghi miravano a testare se l'architettura da sola potesse dare ai sistemi di AI un punto di partenza più simile a quello umano, senza fare affidamento su un addestramento su larga scala. Confrontare le architetture AI popolari Il team di ricerca si è concentrato su tre principali tipi di design di reti neurali comunemente utilizzati nei moderni sistemi di AI: trasformatori, reti completamente connesse e reti neurali convoluzionali. Hanno ripetutamente regolato questi design per creare dozzine di diverse reti neurali artificiali. Nessuno dei modelli è stato addestrato in precedenza. I ricercatori hanno quindi mostrato ai sistemi non addestrati immagini di oggetti, persone e animali e hanno confrontato la loro attività interna con le risposte cerebrali di esseri umani e primati non umani che visualizzavano le stesse immagini. Perché le reti convoluzionali si sono distinte Aumentare il numero di neuroni artificiali nei trasformatori e nelle reti completamente connesse ha prodotto pochi cambiamenti significativi. Tuttavia, regolazioni simili alle reti neurali convoluzionali hanno portato a modelli di attività che si avvicinavano di più a quelli osservati nel cervello umano. Secondo i ricercatori, questi modelli convoluzionali non addestrati hanno performato al pari dei sistemi di AI tradizionali che richiedono tipicamente l'esposizione a milioni o addirittura miliardi di immagini. I risultati suggeriscono che l'architettura gioca un ruolo maggiore nel plasmare il comportamento simile a quello del cervello di quanto si credesse in precedenza. Un percorso più veloce verso un'AI più intelligente ...