Architektury inspirowane neurobiologią do budowy prawdziwie adaptacyjnej AI Nowoczesne systemy AI są potężne, ale kruche. Wytrenuj model, wdroż go, a następnie obserwuj, jak wydajność spada, gdy świat się zmienia. Ponownie trenuj na nowych danych, a model zapomina, co wiedział. Ten cykl produkuje systemy, które doskonale radzą sobie z statycznymi benchmarkami, ale mają trudności z ciągłą adaptacją — coś, co inteligencja biologiczna robi bez wysiłku. Mysz potrafi nauczyć się w kilku próbach znajdować wodę w nowym labiryncie w około dziesięciu próbach, co jest tempem uczenia się 1 000 razy szybszym niż tradycyjne zadania laboratoryjne. Jednak nasze najbardziej zaawansowane sieci neuronowe cierpią na katastrofalne zapominanie, gdy są proszone o uczenie się sekwencyjnie. Mózg oferuje inną architekturę. Działa nie jako jedna splątana sieć, ale jako inteligentnie połączone, wyspecjalizowane moduły — kora wzrokowa przetwarzająca krawędzie, kora ruchowa obliczająca w przestrzeni sił, obszary przedczołowe śledzące pamięć zorganizowaną według zadań. Każdy moduł buduje wewnętrzne modele aktualizowane przez błędy predykcji, gdy oczekiwane wyniki różnią się od rzeczywistości. Te sygnały nauczania zostały teraz odkryte w obwodach sensorycznych, motorycznych i nagradzających. Mackenzie Weygandt Mathis syntetyzuje te spostrzeżenia w propozycję dla adaptacyjnej agentnej AI. Zamiast dążyć do coraz większych monolitycznych modeli bazowych, argumentuje za systemami specyficznych dla dziedziny enkoderów, których wyjścia są wspólnie optymalizowane w dzielonej przestrzeni latentnej. Każdy enkoder jest monitorowany przez sygnały błędu predykcji — solidne enkodery pozostają "zablokowane", podczas gdy te, które wykazują obniżoną wydajność, są "odblokowywane" do ciągłego uczenia się za pomocą odtwarzania pamięci lub inteligencji synaptycznej, bez wyłączania całego systemu. Szersza zasada: poprzez strukturalizowanie AI wokół inspirowanej neurobiologią modularności i aktualizacji opartej na błędach predykcji, zamiast monolitycznej skali, staje się możliwe przejście od statycznych modeli do prawdziwie adaptacyjnej inteligencji — systemów, które ciągle udoskonalają swoje modele świata poprzez interakcję z nim. Artykuł: