Η αντίληψη ότι ο εγκέφαλος επεξεργάζεται την πληροφορία σαν μονόδρομη ταινία μεταφοράς —από τα αισθητήρια ερεθίσματα στη βάση μέχρι τη λήψη απόφασης στην «κορυφή»— δέχεται σοβαρή πρόκληση.
Νέα έρευνα δείχνει ότι σήματα λήψης αποφάσεων εμφανίζονται ήδη στον πρωτοταγή σωματοαισθητικό φλοιό (S1). Η ομάδα υποστηρίζει ότι η «φυσική νοημοσύνη» λειτουργεί μέσω σύνθετων, αμφίδρομων βρόχων ανάδρασης και όχι με την απλή ιεραρχική ροή που χρησιμοποιεί η σημερινή AI.
Πηγή: University of Illinois.
Η μελέτη από το The Grainger College of Engineering στο University of Illinois Urbana-Champaign υποδεικνύει ότι πρώιμες περιοχές του εγκεφάλου εμπλέκονται στη λήψη αποφάσεων, αμφισβητώντας παγιωμένες αντιλήψεις για την ιεραρχία του εγκεφάλου. Επικεφαλής ήταν ο καθηγητής ηλεκτρολόγος μηχανικός και μηχανικός υπολογιστών Yurii Vlasov και τα ευρήματα δημοσιεύτηκαν στα Proceedings of the National Academy of Science (PNAS).
Ο ανθρώπινος εγκέφαλος θεωρείται το πιο σύνθετο «όργανο» στο σύμπαν, και παραμένει τόσο αινιγματικός ώστε η «αντίστροφη μηχανική» του καταγράφηκε το 2008 από τη National Academy of Engineering ως μία από τις 14 μεγάλες προκλήσεις της μηχανικής για τον 21ο αιώνα.
Για δεκαετίες, οι παραδοχές για τον εγκέφαλο έθρεψαν τα συνελικτικά νευρωνικά δίκτυα και άλλα είδη τεχνητής νοημοσύνης: ότι δηλαδή η λήψη απόφασης ακολουθεί μια ιεραρχική, ανοδική ροή πληροφορίας που ξεκινά από τις πρώιμες περιοχές και καταλήγει στον μετωπιαίο φλοιό. Τα τελευταία χρόνια, όμως, επιστήμονες όπως ο Vlasov αμφισβητούν αυτή την κυρίαρχη άποψη.
Μια εναλλακτική οπτική εστιάζει στη φυσική νοημοσύνη —μια διαδικασία που σμιλεύτηκε από την εξέλιξη αντί από μηχανές. Σε αυτή την εκδοχή, η λήψη αποφάσεων δεν γίνεται μόνο διαδοχικά αλλά μέσα από «ενσωματωμένους» βρόχους ανάδρασης που λειτουργούν αμφίδρομα.
Η φυσική νοημοσύνη είναι υπολογιστικά ισχυρότερη από τις τρέχουσες εκδοχές της AI και απαιτεί πολύ λιγότερη ενέργεια, καθιστώντας την ελκυστικό πρότυπο για μελλοντικά συστήματα. Για να την κατανοήσουν καλύτερα, ο Vlasov και η διεπιστημονική του ομάδα επιδίωξαν να αποδομήσουν και να κατανοήσουν την αρχιτεκτονική του εγκεφάλου σε επίπεδο συστήματος.
«Θέλουμε να μάθουμε από ένα δισεκατομμύριο χρόνια εξέλιξης», είπε ο Vlasov. «Πώς είναι αυτή η βιολογική νοημοσύνη αρχιτεκτονικά οργανωμένη; Μπορούμε να μάθουμε από την αρχιτεκτονική πλευρά του εγκεφάλου και να τη μιμηθούμε ώστε η AI να γίνει πιο αποτελεσματική, λιγότερο ενεργοβόρα και εξυπνότερη από ό,τι είναι σήμερα; Στο επίπεδο της λήψης απόφασης, εκεί υστερεί η σημερινή AI.»
Για να διαχειριστεί την πολυπλοκότητα της μελέτης του εγκεφάλου, ο Vlasov ξεκίνησε εξετάζοντας τα πρώτα στάδια της αίσθησης και της αντίληψης του κόσμου. Καταγράφοντας τη νευρωνική δραστηριότητα σε ποντίκια που κινούνταν σε διάδρομο εικονικής πραγματικότητας και έπαιρναν αντιληπτικές αποφάσεις, οι ερευνητές του Illinois διαπίστωσαν με έκπληξη σήματα λήψης αποφάσεων τόσο νωρίς στην ιεραρχία όσο και στον πρωτοταγή σωματοαισθητικό φλοιό (S1).
Ο S1 φάνηκε να ρυθμίζεται δυναμικά από «άνωθεν» παρεμβάσεις που ενεργοποιούνται από ανώτερες περιοχές μέσω βρόχων ανάδρασης. Αυτό υποδηλώνει ότι η λήψη αποφάσεων δεν βασίζεται αποκλειστικά σε μονοκατευθυντικές, προωθητικές διαδικασίες, όπως πιστευόταν.
«Ο νευρωνικός κώδικας του εγκεφάλου παραμένει σε μεγάλο βαθμό μια άγνωστη γλώσσα», είπε ο Vlasov. «Αλλά αυτή η κατανόηση σε επίπεδο συστήματος μπορεί να ιδωθεί ως μια πιθανή επιρροή στο πώς μπορούν να χτιστούν πιο αποδοτικά τεχνητά νευρωνικά δίκτυα — πώς μπορεί να σκεφτεί κανείς την επόμενη γενιά AI. Ίσως με αυτά τα ανάλογα που μαθαίνουμε από αληθινούς εγκεφάλους να βελτιώσουμε περαιτέρω την AI.»
Ο Vlasov δεν παρουσιάζει μια «συνταγή» για καλύτερη AI, αλλά θεωρεί τα αποτελέσματα ως κάτι νέο που μπορεί να διδαχθεί από τον εγκέφαλο. Στη συνέχεια, ο ίδιος και η ομάδα του θα διερευνήσουν την πολυπλοκότητα των ευρημάτων τους στο πλαίσιο της χρονικής δυναμικής, αναπτύσσοντας παράλληλα νέα εργαλεία για να ανιχνεύουν και να συλλέγουν σήματα από τον εγκέφαλο.
«Εξετάζοντας τις ταχείες χρονικές δυναμικές της νευρωνικής δραστηριότητας, ίσως κατανοήσουμε καλύτερα πώς αυτά τα feedback loops εμπλέκονται στη λήψη αποφάσεων», είπε ο Vlasov. «Ίσως αυτή να είναι η προσέγγιση που θα αποκαλύψει πιθανά τους μέχρι σήμερα άγνωστους μηχανισμούς — πώς αυτοί οι βρόχοι ανάδρασης οργανώνονται δυναμικά και πώς σχηματίζουν και διαμορφώνουν διαφορετικά επίπεδα επεξεργασίας. Ίσως αυτό να μπορεί να υλοποιηθεί σε νέες αρχιτεκτονικές για την AI.»
Στο πρωτόκολλο της αρχικής έρευνας, οι επιστήμονες εφάρμοσαν «ethological whisker-guided navigation» ποντικών σε απτική εικονική πραγματικότητα, με πυκνές ηλεκτροφυσιολογικές καταγραφές στο whisker-related wS1. Αφήνοντας μόνο ένα ζεύγος από C2 whiskers για πλοήγηση, σχεδίασαν ένα «σημείο συμφόρησης» της πληροφορίας μεταξύ αισθητηριακής εισόδου και απόφασης.
Διαπίστωσαν ότι κατά τη συσσώρευση αισθητηριακών αποδείξεων η υψηλής διάστασης δραστηριότητα αιχμών κατέρρευσε σε μία μόνο λανθάνουσα μεταβλητή και στη συνέχεια ακολούθησε βραδύτερη, σχεδόν σύγχρονη αύξηση σε ολόκληρη την κολώνα του φλοιού. Η μεταβλητή αυτή συμφωνεί με μοντέλα σταδιακής συσσώρευσης θορυβωδών αισθητηριακών αποδείξεων μέχρι ένα όριο απόφασης.
Τα ευρήματα υποδεικνύουν ότι ο S1 μπορεί να συμμετέχει άμεσα σε κατηγορηματική κωδικοποίηση μιας «όλα-ή-τίποτα» μεταβλητής απόφασης μέσω cortico-cortical feedback loops, μέσα από τα οποία η αισθητηριακή πληροφορία αντηχεί για να μετατραπεί σε αντίληψη και δράση.
Key Questions Answered:
A: Δουλεύουν μαζί σε πραγματικό χρόνο. Αντί η αισθητηριακή περιοχή να στέλνει απλώς μια «εικόνα» στον μετωπιαίο φλοιό, ο μετωπιαίος φλοιός στέλνει ανάδραση πίσω στην αισθητηριακή περιοχή για να τη βοηθήσει να «αποφασίσει» τι βλέπει τη στιγμή που το βλέπει. Είναι ένας συνεχής, υψηλής ταχύτητας διάλογος.
A: Η περισσότερη AI σήμερα είναι «feed-forward», δηλαδή επεξεργάζεται τα δεδομένα προς μία κατεύθυνση. Προσθέτοντας τους «nested feedback loops» που βρίσκονται στον εγκέφαλο, οι μηχανικοί θα μπορούσαν να δημιουργήσουν AI πολύ καλύτερη στον συλλογισμό και την αναγνώριση προτύπων, χρησιμοποιώντας ένα κλάσμα της ηλεκτρικής ενέργειας.
A: Είναι ένα βασικό κομμάτι του παζλ. Η National Academy of Engineering χαρακτήρισε την αντίστροφη μηχανική του εγκεφάλου μία από τις «μεγάλες προκλήσεις» του αιώνα. Η ταυτοποίηση ότι η λήψη απόφασης είναι μια κατανεμημένη, συστημικού επιπέδου διαδικασία και όχι εντολή «από πάνω προς τα κάτω» αποτελεί θεμελιώδη μετατόπιση στον «χάρτη» του νου.
About this decision-making and cognition research news
Author: Aaron Seidlitz
Source: University of Illinois
Contact: Aaron Seidlitz – University of Illinois
Image: The image is credited to Neuroscience News
Original Research: Closed access. “Neural correlates of perceptual decision-making in the primary somatosensory cortex” by Alex G. Armstrong and Yurii Vlasov. PNAS DOI:10.1073/pnas.2514107123
