Wanneer er wordt gesproken over kunstmatige intelligentie (AI) die het menselijk denken simuleert, betreft het doorgaans een specifiek type AI genaamd neurale netwerken.
Neurale netwerken zijn in feite ontworpen zoals het menselijk brein, met duizenden algoritmische knooppunten die onafhankelijk van elkaar, maar gecoördineerd, gegevens verwerken.
Het feit dat deze gelijkenis bestaat, betekent echter niet dat AI een menselijk denkvermogen heeft ontwikkeld. Er zijn veel verschillen tussen natuurlijke en kunstmatige hersenen, zowel in structuur als in reikwijdte. Dit betekent dat we nog een lange weg te gaan hebben voordat AI ook maar in de buurt komt van de kracht en complexiteit van de menselijke geest.
Snelle en krachtige kunstmatige intelligentie
Kunstmatige neurale netwerken (ANN’s) zijn nuttig in een groot aantal toepassingen. Doordat ze complexe gegevenspatronen kunnen ontleden en snel kunnen analyseren, zijn ze beter dan andere soorten AI in snel veranderende situaties zoals autonome voertuigbediening en realtime dialoog.
Volgens Akash Takyar, CEO van LeewayHertz, een ontwikkelaar van digitale oplossingen, bestaan de meeste architecturen van neurale netwerken uit diverse lagen, knooppunten en functionele elementen. Deze structuur helpt bij het verwerken van vertekeningen, gegevensverlies en updates.
In de meeste gevallen zijn deze ontwerpen geïnspireerd op de neuronen, synapsen en hiërarchische structuren van het menselijk brein. Invoergegevens stromen door elke laag van het ANN, waar ze worden verwerkt en omgezet in een of andere vorm van uitvoer – meestal een beslissing, aanbeveling of voorspelling.
Op deze manier is het nog steeds een computer die bits en bytes verwerkt, maar de paden die het gebruikt om ruwe gegevens om te zetten in bruikbare intelligentie zijn complexer.
Hersentraining
Hoewel dit wellicht lijkt op een gesimuleerd menselijk brein, suggereren recente onderzoeken dat dit mogelijk niet het geval is. Een team van MIT heeft onlangs meer dan 11.000 neurale netwerken onderzocht en ontdekte dat ze alleen de celachtige verwerkingskenmerken van menselijk denken vertoonden als ze specifiek daarvoor waren getraind.
Onderzoeksmedewerker Rylan Schaeffer legde uit:
“Wat dit suggereert, is dat om een resultaat met rastercellen te verkrijgen, de onderzoekers die de modellen trainden deze resultaten moesten integreren met specifieke, biologisch ongeloofwaardige implementatiekeuzes.”
Zonder die beperkingen ontwikkelden maar weinig netwerken de celachtige activiteit die kan worden gebruikt om de werkelijke hersenfunctionaliteit te voorspellen, die zich van nature ontwikkelt zonder vooraf gestelde voorwaarden.
Dit onderzoek suggereert dat datawetenschappers waarschijnlijk de bewering moeten nuanceren dat neurale netwerken het menselijk brein in grote mate nabootsen. Als ze de juiste parameters krijgen, kunnen ze resultaten produceren op basis van natuurlijke neurale paden, maar zonder die parameters kunnen ze nog steeds resultaten behalen zonder deze breinachtige architecturen te vormen.
Ila Fiete, hoofdauteur van het artikel en lid van het McGovern Institute for Brain Research van MIT, zei:
“Als je deep learning modellen gebruikt, kunnen ze een krachtig hulpmiddel zijn. Je moet echter heel voorzichtig zijn bij het interpreteren ervan en bij het bepalen of ze echt licht werpen op wat het brein aan het optimaliseren is.”
Verschillen in leren
Een ander belangrijk verschil tussen neurale netwerken en levende hersenen is de manier waarop ze leren. Volgens Maxim Bazhenov, Ph.D. en professor in de geneeskunde aan de University of California San Diego’s School of Medicine, overschrijven ANN’s oude gegevens als er nieuwe gegevens binnenkomen, terwijl hersenen voortdurend leren en nieuwe gegevens opnemen om een beter begrip te krijgen.
Dit leidt tot een fenomeen in neurale netwerken dat “catastrophic forgetting” wordt genoemd. Hierdoor falen ze plotseling bij het uitvoeren van eerder bekende taken of veranderen ze voorspellingen die ooit nauwkeurig waren.
Vreemd genoeg is een van de oplossingen voor dit probleem het integreren van een eenvoudige biologische functie in het kunstmatige model: slaap.
Door de trainingsroutine af te wisselen tussen pieken van nieuwe gegevens en offline periodes, zien onderzoekers een afname in catastrophic forgetting omdat het model oude herinneringen herhaalt zonder gebruik te maken van oude trainingsgegevens. Dit bootst dezelfde soort “synaptische plasticiteit” na die optreedt wanneer we slapen.
Kleine geesten
Ondanks deze overeenkomsten blijft het een feit dat het menselijk brein veel krachtiger is dan zelfs het meest geavanceerde neurale netwerk.
Toen onderzoekers van de Hebreeuwse Universiteit in Jeruzalem gingen bepalen hoe complex een neuraal netwerk zou moeten zijn om de rekenkracht van een enkel menselijk neuron te evenaren, schrokken ze van de resultaten. Terwijl sommige neuronen equivalent zijn aan “oppervlakkige” neurale netwerken, wat betekent dat ze geen sterk gelaagde architecturen hebben, vereisen de neuronen in de hersenschors diepe, zevenlaagse netwerken, waarbij elke laag tot 128 rekeneenheden bevat.
En dit is nog maar voor één neuron. Er zijn meer dan 10 miljard neuronen in een gemiddeld menselijk brein, die elk diepe netwerken van vijf tot acht lagen vereisen. In dit licht heeft de computerwetenschap nog een lange weg te gaan voordat het een kunstmatig equivalent van het menselijk brein kan creëren.
Conclusie
Maar dit betekent niet dat AI een valse belofte is, of dat er geen reden is om voorzichtig te zijn met de ontwikkeling en implementatie ervan. Zelfs een kunstmatig reptielenbrein kan aanzienlijke schade aanrichten als het niet wordt gecontroleerd, net als een krokodil dat kan.
Wat het wel betekent is dat de kunstmatige intelligentie die we vandaag de dag hebben, zelfs het type dat gemodelleerd is naar het menselijk brein, nog in de kinderschoenen staat en nog lang niet zo intuïtief en intellectueel is als ons brein.
In plaats van een bedreiging te zijn, kan AI onze aangeboren cognitieve vermogens enorm vergroten – en ja, net als een natuurlijk brein kunnen die vermogens nog steeds ten goede of ten kwade worden gebruikt.