Разработка алгоритмов не может продолжаться без некоторого внимания к механизму, и часто критические прорывы в производительности происходят в результате разработки архитектур. Например, неокогнитрон (основанный на иерархической модели Юбеля и Визеля и обозначенный синей звездой), вероятно, вдохновил архитектуру конволюционных сетей, представляя собой продвижение по оси механизма.
Тем не менее, отвечая на вопрос "что он делает?". (или, возможно, говоря более разговорно, "для чего это полезно?") имеет решающее значение для применения модели к любому прикладному пространству. Обучение конволюционной сети (например, для классификации изображений, синяя стрелка) применяется вдоль функциональной оси. Аналогичным образом, реализация "человекоподобных" вычислений (пунктирная синяя стрелка), как и вычислений, лежащих в основе познания, в то время как, вероятно, черпание как из механизма, так и из формы, в первую очередь, будет ориентировано вдоль функциональной оси.
Следует отметить, что общее смещение неврологии в сторону формы и общее смещение МА в сторону функции могут увековечить разрыв между этими двумя полями, так как каждое поле будет предрасположено к тому, чтобы основываться на достижениях, сформированных вдоль доминирующих предубеждений в этой области. Например, идентификация нового типа интернейрона (как это будет вытекать из дальнейшей характеристики типов нейронов в зрительной коре) не будет легко включена в существующий подход к машинному обучению или модель ИИ без сопутствующего функционального описания роли интернейрона в биологической нейронной сети. И наоборот, обобщенное функциональное описание ингибирования в ИНС не может быть легко изучено в биологическом мозге без некоторого указания формы или того, как эта функция может быть реализована с использованием известных биологических компонентов (т.е. различных подтипов интернейронов).
Несмотря на культурные различия, имеются признаки того, что перекрестное опыление между полями процветает. В области визуальной обработки, было отрадно видеть аналогии между архитектурой высокопроизводительных нейронных сетей и зрительной коры (например, Джордж и др., 2017, 2018). Кроме того, такие сравнения были расширены, чтобы показать, что задачи оптимизированы глубокие конволюционные сети, по-видимому, использовать представления, похожие на единичные ответы нейронных схем, содержащихся в вентральной пути визуальной обработки. В ряде недавних исследований были предложены глубокие сети, подготовленные для прогнозирования наилучших стимулов для отдельных нейронов, как валидируемые модели V1, а также области более высокого порядка визуальной обработки . Эти работы являются примерами гибридных исследований, продуктом обеих областей, которые могли бы способствовать развитию общего языка.
В то время как общий язык, охватывающий обе области, может быть амбициозной целью, признание различных приоритетов (или факторов, определяющих применение) может быть первым шагом к тонким сдвигам в перспективе, которые могут многое сделать для устранения культурных различий между областями. Для неврологии передача новых неврологических знаний на функциональном уровне будет в значительной степени способствовать обеспечению воздействия на МА. Аналогичным образом, незначительное расширение восприимчивости МА к различным уровням нейронауки будет в значительной степени способствовать внедрению новых неврологических знаний. Эти сдвиги в фокусе внимания являются небольшими, но значительными и в значительной степени способствовали бы усилению синергии между нейронаукой и искусственным интеллектом.
Почему нейронаука важна для искусственного интеллекта?
Неврология находится в разгаре эпохи развития технологий, которые производят новые инструменты для исследования мозговых цепей с более высоким разрешением и большей детализацией, чем это было возможно ранее.
Во-первых, последние достижения в области электронной микроскопии (ЭМ) изображений, в сочетании с новыми алгоритмами реконструкции уже приводят к новым connectomes беспрецедентного масштаба, с еще большими и более высоким разрешением объемов на горизонте. Потенциально в сочетании с другими методами, такими как штрих-кодирование отдельных нейронных связей, неврология в настоящее время позиционируется так, что весь мозг млекопитающего connectome находится в пределах досягаемости.
Во-вторых, в дополнение к крупномасштабным наборам connectomic данных на горизонте, неврология также продолжает развивать крупномасштабную визуализацию кальция и методы записи с использованием нескольких блоков, увеличивая диапазон физических и временных шкал, с помощью которых могут быть записаны популяции нейронов.
В-третьих, в настоящее время доступен более широкий спектр инструментов для одновременного выявления, записи и манипулирования множественными популяциями различных клеточных типов. Подробные описания взаимодействий между различными типами клеток, включая различные временные шкалы пластичности, необходимы для описания нейронных "мотивов", которые потенциально представляют собой канонические вычисления в мозге.