Arhitecturi inspirate de neuroștiințe pentru construirea unei AI cu adevărat adaptive Sistemele moderne de inteligență artificială sunt puternice, dar fragile. Antrenează un model, implementează-l și privește cum performanța se degradează pe măsură ce lumea se schimbă. Reantrenează pe date noi, iar modelul uită ce știa. Acest ciclu produce sisteme care excelează la repere statice, dar care se confruntă cu dificultăți în adaptarea continuă — lucru pe care inteligența biologică îl gestionează fără efort. Un șoarece poate învăța rapid să găsească apă într-un labirint nou în aproximativ zece încercări, o rată de învățare de 1.000 de ori mai rapidă decât sarcinile tradiționale de laborator. Totuși, cele mai sofisticate rețele neuronale ale noastre suferă o uitare catastrofală atunci când li se cere să învețe secvențial. Creierul oferă o arhitectură diferită. Funcționează nu ca o rețea unică încâlcită, ci ca module specializate interconectate inteligent—margini de procesare a cortexului vizual, calcul al cortexului motor în spațiu de forță, regiuni prefrontale care urmăresc memoria structurată de sarcini. Fiecare modul construiește modele interne actualizate prin erori de predicție atunci când rezultatele așteptate se abat de la realitate. Aceste semnale de învățare semnate au fost descoperite acum în circuitele senzoriale, motorii și de recompensă. Mackenzie Weygandt Mathis sintetizează aceste perspective într-o propunere pentru AI agentică adaptivă. În loc să urmărească modele de fundație monolitice din ce în ce mai mari, ea susține sisteme de encodere specifice domeniului, ale căror ieșiri sunt optimizate împreună într-un spațiu latent comun. Fiecare encoder este monitorizat prin semnale de eroare de predicție — encoderele robuste rămân "blocate", în timp ce cele cu performanță degradată sunt "deblocate" pentru învățare continuă folosind reluarea memoriei sau inteligența sinaptică, fără a scoate întregul sistem din funcțiune. Principiul mai larg: prin structurarea AI în jurul modularității inspirate de neuroștiință și a actualizării bazate pe eroare de predicție, în loc de o scară monolitică, devine posibil să trecem dincolo de modelele statice către o inteligență cu adevărat adaptativă — sisteme care își rafinează continuu modelele lumii prin interacțiunea cu aceasta. Hârtie: