真に適応型AIを構築するための神経科学に触発されたアーキテクチャ 現代のAIシステムは強力ですが脆いです。モデルを訓練し、展開し、世界の変化とともにパフォーマンスが低下するのを見守りましょう。新しいデータで再学習すると、モデルは知っていたことを忘れてしまいます。このサイクルは、静的な基準に優れているものの、生物学的知能が難なく処理する継続的な適応に苦労するシステムを生み出す。 ネズミは約10回の試みで新しい迷路で水を見つける方法を数発で覚えることができ、これは従来の実験室作業の1,000倍の学習速度です。しかし、私たちの最も高度なニューラルネットワークは、逐次学習を求められると壊滅的な忘却に見舞われます。 脳は異なる構造を提供します。それは単一の絡み合ったネットワークとしてではなく、視覚野のエッジ処理、力空間での運動皮質の計算、タスク構造的記憶を追跡する前頭前野など、スマートに相互接続された専門モジュールとして動作します。各モジュールは、予想される結果が現実と乖離した際に予測誤差を通じて更新された内部モデルを構築します。これらの署名された指導信号は、感覚回路、運動回路、報酬回路全体で発見されています。 マッケンジー・ウェイガント・マティスはこれらの知見を統合し、適応型エージェントAIの提案をまとめています。より大きなモノリシック基盤モデルを追求するのではなく、彼女は出力が共有潜在空間で共同最適化されるドメイン固有エンコーダのシステムを主張しています。各エンコーダは予測誤差信号で監視されており、堅牢なエンコーダは「ロック」されたまま、性能低下したエンコーダはメモリリプレイやシナプス知能を用いて継続的な学習のために「アンロック」されますが、システム全体がオフラインになることはありません。 より広い原則は、神経科学に触発されたモジュール性と予測誤差に基づく更新を中心にAIを構築することで、静的なモデルを超えて真に適応型知能へと移行することが可能になります。つまり、世界との相互作用を通じてモデルを絶えず洗練させるシステムです。 論文: