Сегодня на рынке искусственного интеллекта доминируют крупные языковые модели, такие как ChatGPT, Gemini или DeepSeek. Они блестяще подражают людям, но не понимают мир по-настоящему и не учатся у него в реальном времени. Авторы нового исследования предполагают, что чтобы перейти на следующий уровень, нам нужно перестать моделировать язык и начать моделировать сам мозг.
Цай Боруи и Чжао Яо из Университета Дикина (Австралия) представили концепцию, которая, по их мнению, позволит преодолеть разрыв между современными чат-ботами и общим искусственным интеллектом. Авторы отмечают, что существующие модели часто порождают ненадежные рассуждения и не могут улучшить свое поведение на основе нового опыта без дорогостоящего переобучения, пишет Daily Neuron.
Основная проблема в том, что язык — это лишь описание мышления, а не функциональный субстрат самого мышления. «Хотя лингвистические представления могут сформулировать принципы обучения, они не могут воплотить сложную нейронную динамику, посредством которой на самом деле происходит биологическое обучение», — говорят ученые.
Чтобы решить эту проблему, исследователи предлагают модель «базового интеллекта», которая позволяет описывать основные механизмы интеллекта, обучаясь непосредственно на примерах разумного поведения. Главное новаторство этого подхода заключается в том, что именно пытается предсказать искусственный интеллект. Традиционные модели функционируют как сложные системы автозамены, которые угадывают следующее слово в предложении.
Базовая модель интеллекта работает совершенно по-другому: она предсказывает выходной сигнал нейрона. Его цель — научить систему прогнозировать выходной сигнал биологических нейронов на основе коллективной динамики нейронной системы.
Этот подход основан на новой архитектуре под названием «состояние нейронной сетиВ отличие от стандартных моделей ИИ, которые обрабатывают данные в жестких слоях, эта сеть имитирует временную динамику биологических нейронов. Это позволяет системе хранить и обрабатывать информацию с течением времени, подобно тому, как человеческий разум сохраняет мысли при обработке новой информации.
Сеть использует графоподобную структуру, в которой соединения могут разветвляться и закрываться. Он имитирует сложную структуру мозга, где сигналы не просто движутся вперед, а циркулируют, создавая петли обратной связи. Эти петли позволяют информации сохраняться и взаимодействовать с течением времени, что создает форму кратковременной памяти и контекста, критически важного для сложных рассуждений.
В качестве иллюстрации авторы используют знаменитый пример собаки Павлова. В этом биологическом сценарии собака учится ассоциировать звук звонка с появлением еды. Ведь у собаки выделяется слюна только при звуке звонка.
Стандартная языковая модель просто прочитала бы текстовое описание этого события. Базовая модель интеллекта пытается воспроизвести нейронную активность, которая происходит в мозгу собаки во время процесса обучения. Он рассматривает опыт собаки как последовательность нейронных входов и выходов. Обучая ИИ этим последовательностям, модель не просто запоминает историю собаки, но и изучает основной механизм ассоциации и адаптации.
В зависимости от активности система регулирует силу внутренних связей. Это явление известно как нейронная пластичность и позволяет искусственному интеллекту перестраиваться на основе опыта, подобно биологическому мозгу.
Таким образом, модель преобразует абстрактную и неуловимую цель «тренировки ума» в конкретную последовательность задач обучения.
Подавая модели большие объемы данных — входную сенсорную информацию и выходную двигательную информацию — система может изучить универсальные принципы, лежащие в основе когнитивных способностей. Эти данные могут быть собраны косвенно с помощью носимых датчиков или цифровых аватаров, которые фиксируют, как люди воспринимают и действуют в мире.
Исследование прокладывает путь к системам искусственного интеллекта, которые смогут по-настоящему думать и адаптироваться к любой новой среде без вмешательства человека.
