Gerçekten uyarlanabilir yapay zeka inşa etmek için sinirbilimden ilham alan mimariler Modern yapay zeka sistemleri güçlü ama kırılgan. Bir modeli eğitin, onu yerleştirin ve dünya değiştikçe performansın düşüşünü izleyin. Yeni verilerle yeniden eğitim yaparsanız, model bildiklerini unutuyor. Bu döngü, statik ölçütlerde üstün olan ancak sürekli uyum sağlamada zorlanan sistemler üretir—biyolojik zekanın bunu zahmetsizce halledebildiği bir şey. Bir fare, yeni bir labirentte su bulmayı yaklaşık on denemede birkaç atışta öğrenebilir; bu öğrenme hızı geleneksel laboratuvar görevlerinden 1.000 kat daha hızlıdır. Ancak en gelişmiş sinir ağlarımız, sıralı olarak öğrenmeleri istendiğinde felaket bir şekilde unutma yaşar. Beyin farklı bir mimari sunar. Tek bir karmaşık ağ olarak değil, akıllıca birbirine bağlı özel modüller olarak çalışır—görsel korteks işlem kenarları, kuvvet alanında motor korteks hesaplaması, görev yapılı belleği takip eden prefrontal bölgeler. Her modül, beklenen sonuçlar gerçeklikten ayrıldığında tahmin hatalarıyla güncellenen iç modeller oluşturur. Bu işaretli öğretim sinyalleri artık duyusal, motor ve ödül devrelerinde keşfedilmiştir. Mackenzie Weygandt Mathis, bu içgörüleri uyarlanabilir ajanik yapay zeka önerisine sentezliyor. Daha büyük monolitik temel modelleri takip etmek yerine, ortak bir gizli alanda ortak optimize edilen çıkan alan özelleri kodlayıcı sistemlerini savunuyor. Her kodlayıcı tahmin hata sinyalleriyle izlenir—sağlam kodlayıcılar "kilitli" kalırken, düşük performans gösterenler sürekli öğrenme için hafıza tekrarı veya sinaptik zeka kullanılarak "kilitlenir", tüm sistem çevrimdışı kalmadan. Daha geniş ilke: yapay zekayı monolitik ölçek yerine sinirbilimden ilham alan modülerlik ve tahmin hata tabanlı güncelleme etrafında yapılandırarak, statik modellerin ötesine geçip, gerçekten adaptif zekaya doğru ilerlemek mümkün hale gelir—yani dünya modellerini sürekli olarak onunla etkileşim yoluyla geliştiren sistemler. Makale: