Представляется естественным, что описанные в предыдущей части технологические достижения привели к появлению нового, потенциально революционного поколения нейронных ИНС. По мере того, как все более точные вычислительные графики нейронов становятся доступными, вопрос о том, как мозг подключен, перестает быть ограничивающим фактором для разработки новых и потенциально революционных нейро-вдохновленных ИНС архитектур. Нейронаука теперь имеет возможность записывать из той же популяции идентифицируемых нейронов в течение длительных периодов времени, которые ранее были невозможны. В сочетании с достижениями в области анализа данных, неврология теперь может обеспечить доступ к целому ряду нейроновременной динамики, которые ранее были недоступны. Например, недавняя работа Траутманна и др. (2019) показывает, что нейрональную популяционную динамику можно извлечь из записей кремниевых зондов без предварительной сортировки по шипам, тем самым устраняя узкие места в обработке данных, с которыми сталкиваются техники записи с использованием нескольких блоков. Эти технологические достижения особенно актуальны с точки зрения разработки алгоритмов, поскольку способность статического графика (без соответствующего знания временной динамики) информировать или ограничивать вычислительную нейронную модель исторически оставалась неясной, так как, вероятно, временная динамика играет центральную роль в биологической нейронной обработке. Тем не менее, путь от повышенной биологической детализации, связанной с крупномасштабными записями, до пониженной формы, подходящей для включения в искусственную нейронную сеть, остается неясным. Нейронная модель, уменьшающая временную динамику этих крупномасштабных записей до более канонической формы, даже если за счет некоторых биологических деталей, сделает многое, чтобы облегчить разъединение (даже если недоиспользовать богатство крупномасштабных нейробиологических данных).
Стоит отметить, что иерархическая модель простых и сложных клеток зрительной коры Hubel и Wiesel оказала значительное влияние на развитие неокогнитрона, широко рассматриваемого как предшественник CNN, даже при отсутствии анатомической валидации. При рассмотрении культурных различий, поднятых в предыдущем разделе, можно даже утверждать, что влияние работы Юбеля и Визеля было облегчено из-за отсутствия анатомической валидации, так как иерархическая модель была доступна благодаря своей простоте. Сегодня вычислительная нейронаука, обусловленная наличием новых крупномасштабных наборов данных, все больше ориентируется на высокопроизводительные методы обработки данных, чтобы обеспечить значимые ограничения для преимущественно механистических моделей. Эти усилия являются синергическими с экспериментальной нейронауки, так как проверка моделей часто определяет критические пробелы в знаниях. Тем не менее, более функциональный угол, потенциально продолжающийся параллельно с более детальным нейронным моделированием, будет во многом способствовать влиянию на ИИ.
Проблемы привнесения неврологии в искусственный интеллект
Несмотря на то, что исследователи, занимающиеся искусственным интеллектом, очень заинтересованы в изучении новых подходов (например, нейронных архитектур), этот интерес может угаснуть без относительно быстрого демонстрационного влияния на общепринятые эталонные показатели. Несмотря на основополагающие работы Фукусимы (1980) и ЛеКуна и др., 1998), только после того, как AlexNet выиграла конкурс крупномасштабного визуального распознавания ImageNet, популярность CNN достигла того уровня, который им нравится сегодня. Хотя можно утверждать, что рост CNN был вызван тем, что доступность GPU и крупномасштабных наборов данных впервые сделала их обучение обоснованным, их успех и неизменная популярность - важный пример того, как концепция, взятая из неврологии и помещенная в правильный контекст (в данном случае отслеживаемость обучения сети в сочетании с успехом на эталоне) может привести к значительным достижениям. Именно четкая демонстрация функции (успешное применение архитектуры) стала движущей силой современного и относительно широкого использования конволюционных сетей.
В случае с AI, функция часто определяется приложением. В широком смысле, компьютерные задачи можно разделить на две категории: те, для которых компьютер в настоящее время лучше подходит, и те, для которых человек в настоящее время лучше подходит. Последняя категория задач является очевидным желаемым прикладным пространством для неврологии, и ИИ традиционно фокусировался на улучшении производительности в этих областях, продолжая при этом использовать возможности, для которых компьютер лучше подходит (например, извлечение закономерностей из больших массивов данных). Одним из примеров такого задания является обучение на одном или нескольких примерах (нулевое, одно или малое обучение). Современные алгоритмы в настоящее время достигают скромных успехов в решении этих задач, но все еще не могут обеспечить или превзойти производительность человека. Второе, потенциально связанное с этим задание - экстраполяция информации на новые примеры (полууправляемое обучение). Человек способен распознать примеры класса стимулов, даже если они представлены в очень разных средах, после того, как он познакомился лишь с несколькими помеченными примерами этого класса с несколькими не помеченными примерами этого и других классов. Разработка алгоритмов, способных самостоятельно маркировать новые примеры того или иного класса, остается проблемой для вычислительной науки, представляющей реальное ограничение на алгоритмы обработки данных, так как процесс маркировки данных относительно дорог (и, следовательно, большие наборы помеченных данных не всегда легкодоступны). Несмотря на то, что эти задачи кажутся тривиальными для человека, компьютерные алгоритмы с трудом справляются с задачами, стоящими перед человеком.
