Νοημοσύνη δεδομένων Πλάτωνα.
Κάθετη Αναζήτηση & Αι.

Η αυτοδίδακτη τεχνητή νοημοσύνη δείχνει ομοιότητες με τον τρόπο λειτουργίας του εγκεφάλου

Ημερομηνία:

Εδώ και μια δεκαετία, πολλά από τα πιο εντυπωσιακά συστήματα τεχνητής νοημοσύνης διδάσκονται χρησιμοποιώντας έναν τεράστιο κατάλογο δεδομένων με ετικέτα. Μια εικόνα μπορεί να φέρει την ένδειξη "τιγρέ γάτα" ή "γάτα τίγρης", για παράδειγμα, για να "εκπαιδεύσει" ένα τεχνητό νευρωνικό δίκτυο ώστε να διακρίνει σωστά ένα τιγρέ από μια τίγρη. Η στρατηγική ήταν τόσο θεαματικά επιτυχημένη όσο και τραγικά ελλιπής.

Μια τέτοια «εποπτευόμενη» εκπαίδευση απαιτεί δεδομένα που φέρουν κοπιώδη σήμανση από ανθρώπους και τα νευρωνικά δίκτυα συχνά λαμβάνουν συντομεύσεις, μαθαίνοντας να συσχετίζουν τις ετικέτες με ελάχιστες και μερικές φορές επιφανειακές πληροφορίες. Για παράδειγμα, ένα νευρωνικό δίκτυο μπορεί να χρησιμοποιήσει την παρουσία γρασιδιού για να αναγνωρίσει μια φωτογραφία μιας αγελάδας, επειδή οι αγελάδες συνήθως φωτογραφίζονται σε χωράφια.

«Αναπτύσσουμε μια γενιά αλγορίθμων που είναι σαν προπτυχιακοί [που] δεν ήρθαν στο μάθημα ολόκληρο το εξάμηνο και μετά το βράδυ πριν από τον τελικό, στριμώχνονται», είπε. Αλεξέι Έφρος, επιστήμονας υπολογιστών στο Πανεπιστήμιο της Καλιφόρνια στο Μπέρκλεϋ. «Δεν μαθαίνουν πραγματικά το υλικό, αλλά τα πάνε καλά στο τεστ».

Για τους ερευνητές που ενδιαφέρονται για τη διασταύρωση της νοημοσύνης ζώων και μηχανών, επιπλέον, αυτή η «εποπτευόμενη μάθηση» μπορεί να είναι περιορισμένη σε ό,τι μπορεί να αποκαλύψει για τους βιολογικούς εγκεφάλους. Τα ζώα — συμπεριλαμβανομένων των ανθρώπων — δεν χρησιμοποιούν σύνολα δεδομένων με ετικέτα για να μάθουν. Ως επί το πλείστον, εξερευνούν το περιβάλλον μόνοι τους, και με αυτόν τον τρόπο, αποκτούν μια πλούσια και ισχυρή κατανόηση του κόσμου.

Τώρα ορισμένοι υπολογιστικοί νευροεπιστήμονες έχουν αρχίσει να εξερευνούν νευρωνικά δίκτυα που έχουν εκπαιδευτεί με ελάχιστα ή καθόλου δεδομένα με ετικέτα ανθρώπου. Αυτοί οι αλγόριθμοι «αυτοεποπτευόμενης μάθησης» έχουν αποδειχθεί εξαιρετικά επιτυχημένοι μοντελοποίηση της ανθρώπινης γλώσσας και, πιο πρόσφατα, αναγνώριση εικόνας. Σε πρόσφατη εργασία, τα υπολογιστικά μοντέλα των οπτικών και ακουστικών συστημάτων των θηλαστικών που κατασκευάστηκαν χρησιμοποιώντας μοντέλα αυτοεποπτευόμενης μάθησης έδειξαν μια στενότερη αντιστοιχία με τη λειτουργία του εγκεφάλου από τα αντίστοιχα της εποπτευόμενης μάθησης. Σε ορισμένους νευροεπιστήμονες, φαίνεται ότι τα τεχνητά δίκτυα αρχίζουν να αποκαλύπτουν μερικές από τις πραγματικές μεθόδους που χρησιμοποιεί ο εγκέφαλός μας για να μάθει.

Λανθασμένη εποπτεία

Μοντέλα εγκεφάλου εμπνευσμένα από τεχνητά νευρωνικά δίκτυα ενηλικιώθηκαν πριν από περίπου 10 χρόνια, περίπου την ίδια εποχή που ένα νευρωνικό δίκτυο με το όνομα AlexNet έφερε επανάσταση στο έργο της ταξινόμησης άγνωστων εικόνων. Αυτό το δίκτυο, όπως όλα τα νευρωνικά δίκτυα, κατασκευάστηκε από στρώματα τεχνητών νευρώνων, υπολογιστικές μονάδες που σχηματίζουν συνδέσεις μεταξύ τους που μπορεί να ποικίλουν σε ισχύ ή «βάρος». Εάν ένα νευρωνικό δίκτυο αποτύχει να ταξινομήσει σωστά μια εικόνα, ο αλγόριθμος εκμάθησης ενημερώνει τα βάρη των συνδέσεων μεταξύ των νευρώνων για να καταστήσει αυτή την εσφαλμένη ταξινόμηση λιγότερο πιθανή στον επόμενο γύρο εκπαίδευσης. Ο αλγόριθμος επαναλαμβάνει αυτή τη διαδικασία πολλές φορές με όλες τις εικόνες προπόνησης, τροποποιώντας τα βάρη, έως ότου το ποσοστό σφάλματος του δικτύου είναι αποδεκτά χαμηλό.

Την ίδια εποχή, νευροεπιστήμονες ανέπτυξαν τα πρώτα υπολογιστικά μοντέλα του οπτικό σύστημα πρωτευόντων, χρησιμοποιώντας νευρωνικά δίκτυα όπως το AlexNet και οι διάδοχοί του. Η ένωση φαινόταν πολλά υποσχόμενη: Όταν, για παράδειγμα, έδειχναν τις ίδιες εικόνες σε πιθήκους και τεχνητά νευρωνικά δίκτυα, η δραστηριότητα των πραγματικών νευρώνων και των τεχνητών νευρώνων έδειξε μια ενδιαφέρουσα αντιστοιχία. Ακολούθησαν τεχνητά μοντέλα ανίχνευσης ακοής και οσμής.

Αλλά καθώς προχωρούσε το πεδίο, οι ερευνητές συνειδητοποίησαν τους περιορισμούς της εποπτευόμενης εκπαίδευσης. Για παράδειγμα, το 2017, ο Leon Gatys, ένας επιστήμονας υπολογιστών τότε στο Πανεπιστήμιο του Tübingen στη Γερμανία, και οι συνάδελφοί του τράβηξαν μια εικόνα ενός Ford Model T και στη συνέχεια επικάλυψαν ένα σχέδιο δέρματος λεοπάρδαλης στη φωτογραφία, δημιουργώντας μια παράξενη αλλά εύκολα αναγνωρίσιμη εικόνα . Ένα κορυφαίο τεχνητό νευρωνικό δίκτυο ταξινόμησε σωστά την αρχική εικόνα ως μοντέλο Τ, αλλά θεώρησε την τροποποιημένη εικόνα λεοπάρδαλη. Είχε προσηλωθεί στην υφή και δεν είχε καμία κατανόηση του σχήματος ενός αυτοκινήτου (ή μιας λεοπάρδαλης, για αυτό το θέμα).

Οι αυτοεποπτευόμενες στρατηγικές μάθησης έχουν σχεδιαστεί για την αποφυγή τέτοιων προβλημάτων. Σε αυτή την προσέγγιση, οι άνθρωποι δεν επισημαίνουν τα δεδομένα. Μάλλον, «οι ετικέτες προέρχονται από τα ίδια τα δεδομένα», είπε Friedemann Zenke, υπολογιστικός νευροεπιστήμονας στο Friedrich Miescher Institute for Biomedical Research στη Βασιλεία της Ελβετίας. Οι αυτοεποπτευόμενοι αλγόριθμοι ουσιαστικά δημιουργούν κενά στα δεδομένα και ζητούν από το νευρωνικό δίκτυο να συμπληρώσει τα κενά. Σε ένα λεγόμενο μοντέλο μεγάλης γλώσσας, για παράδειγμα, ο αλγόριθμος εκπαίδευσης θα δείξει στο νευρωνικό δίκτυο τις πρώτες λίγες λέξεις μιας πρότασης και θα του ζητήσει να προβλέψει την επόμενη λέξη. Όταν εκπαιδεύτηκε με ένα τεράστιο σώμα κειμένου που προήλθε από το διαδίκτυο, το μοντέλο φαίνεται να μαθαίνει τη συντακτική δομή της γλώσσας, που επιδεικνύει εντυπωσιακή γλωσσική ικανότητα — όλα χωρίς εξωτερικές ετικέτες ή επίβλεψη.

Αντίστοιχη προσπάθεια βρίσκεται σε εξέλιξη και στην όραση υπολογιστών. Στα τέλη του 2021, Kaiming He και οι συνάδελφοί τους αποκάλυψαν "καλυμμένος αυτόματος κωδικοποιητής», το οποίο βασίζεται σε α τεχνική πρωτοπόρος από την ομάδα του Efros το 2016. Ο αλγόριθμος αυτοεποπτευόμενης μάθησης κρύβει τυχαία εικόνες, κρύβοντας σχεδόν τα τρία τέταρτα της κάθε μίας. Ο αυτόματος κωδικοποιητής με μάσκα μετατρέπει τα αποκαλυμμένα τμήματα σε λανθάνουσες αναπαραστάσεις — συμπιεσμένες μαθηματικές περιγραφές που περιέχουν σημαντικές πληροφορίες για ένα αντικείμενο. (Στην περίπτωση μιας εικόνας, η λανθάνουσα αναπαράσταση μπορεί να είναι μια μαθηματική περιγραφή που αποτυπώνει, μεταξύ άλλων, το σχήμα ενός αντικειμένου στην εικόνα.) Στη συνέχεια, ένας αποκωδικοποιητής μετατρέπει αυτές τις αναπαραστάσεις ξανά σε πλήρεις εικόνες.

Ο αυτο-εποπτευόμενος αλγόριθμος εκμάθησης εκπαιδεύει τον συνδυασμό κωδικοποιητή-αποκωδικοποιητή για να μετατρέψει τις καλυμμένες εικόνες στις πλήρεις εκδόσεις τους. Τυχόν διαφορές μεταξύ των πραγματικών εικόνων και των ανακατασκευασμένων εικόνων τροφοδοτούνται ξανά στο σύστημα για να το βοηθήσουν να μάθει. Αυτή η διαδικασία επαναλαμβάνεται για ένα σύνολο εικόνων εκπαίδευσης έως ότου το ποσοστό σφάλματος του συστήματος είναι κατάλληλα χαμηλό. Σε ένα παράδειγμα, όταν σε έναν εκπαιδευμένο αυτόματο κωδικοποιητή με μάσκα εμφανίστηκε μια προηγουμένως αόρατη εικόνα ενός διαύλου με σχεδόν το 80% του κρυμμένο, το σύστημα ανακατασκεύασε με επιτυχία τη δομή του διαύλου.

«Αυτό είναι ένα πολύ, πολύ εντυπωσιακό αποτέλεσμα», είπε ο Έφρος.

Οι λανθάνουσες αναπαραστάσεις που δημιουργούνται σε ένα σύστημα όπως αυτό φαίνεται να περιέχουν ουσιαστικά βαθύτερες πληροφορίες από αυτές που θα μπορούσαν να περιλαμβάνουν προηγούμενες στρατηγικές. Το σύστημα μπορεί να μάθει το σχήμα ενός αυτοκινήτου, για παράδειγμα — ή μιας λεοπάρδαλης — και όχι μόνο τα μοτίβα τους. «Και αυτή είναι πραγματικά η θεμελιώδης ιδέα της αυτοεποπτευόμενης μάθησης — χτίζετε τις γνώσεις σας από κάτω προς τα πάνω», είπε ο Έφρος. Χωρίς στριμώξεις της τελευταίας στιγμής για να περάσετε τις εξετάσεις.

Αυτοεποπτευόμενοι εγκέφαλοι

Σε συστήματα όπως αυτό, ορισμένοι νευροεπιστήμονες βλέπουν την ηχώ του τρόπου με τον οποίο μαθαίνουμε. «Πιστεύω ότι δεν υπάρχει αμφιβολία ότι το 90% αυτού που κάνει ο εγκέφαλος είναι αυτοεποπτευόμενη μάθηση», είπε. Μπλέικ Ρίτσαρντς, υπολογιστική νευροεπιστήμονας στο Πανεπιστήμιο McGill και τη Mila, το Ινστιτούτο Τεχνητής Νοημοσύνης του Κεμπέκ. Οι βιολογικοί εγκέφαλοι πιστεύεται ότι προβλέπουν συνεχώς, ας πούμε, τη μελλοντική θέση ενός αντικειμένου καθώς κινείται ή την επόμενη λέξη σε μια πρόταση, όπως ένας αλγόριθμος μάθησης που επιτηρείται μόνος του προσπαθεί να προβλέψει το κενό σε μια εικόνα ή ένα τμήμα κειμένου. Και οι εγκέφαλοι μαθαίνουν από τα λάθη τους μόνοι τους - μόνο ένα μικρό μέρος της ανατροφοδότησης του εγκεφάλου μας προέρχεται από μια εξωτερική πηγή που λέει, ουσιαστικά, «λάθος απάντηση».

Για παράδειγμα, εξετάστε τα οπτικά συστήματα των ανθρώπων και άλλων πρωτευόντων. Αυτά είναι τα καλύτερα μελετημένα από όλα τα αισθητήρια συστήματα των ζώων, αλλά οι νευροεπιστήμονες προσπάθησαν να εξηγήσουν γιατί περιλαμβάνουν δύο ξεχωριστές οδούς: το κοιλιακό οπτικό ρεύμα, το οποίο είναι υπεύθυνο για την αναγνώριση αντικειμένων και προσώπων, και το ραχιαίο οπτικό ρεύμα, το οποίο επεξεργάζεται την κίνηση (το « μονοπάτια τι» και «πού», αντίστοιχα).

Ο Ρίτσαρντς και η ομάδα του δημιούργησαν ένα αυτοεπιβλεπόμενο μοντέλο που υπονοεί μια απάντηση. Αυτοί εκπαιδευμένο ένα AI που συνδύαζε δύο διαφορετικά νευρωνικά δίκτυα: Το πρώτο, που ονομάζεται αρχιτεκτονική ResNet, σχεδιάστηκε για την επεξεργασία εικόνων. το δεύτερο, γνωστό ως επαναλαμβανόμενο δίκτυο, θα μπορούσε να παρακολουθεί μια ακολουθία προηγούμενων εισόδων για να κάνει προβλέψεις για την επόμενη αναμενόμενη είσοδο. Για να εκπαιδεύσει το συνδυασμένο AI, η ομάδα ξεκίνησε με μια ακολουθία, ας πούμε, 10 καρέ από ένα βίντεο και άφησε το ResNet να τα επεξεργαστεί ένα προς ένα. Το επαναλαμβανόμενο δίκτυο στη συνέχεια προέβλεψε τη λανθάνουσα αναπαράσταση του 11ου καρέ, ενώ δεν ταίριαζε απλώς με τα πρώτα 10 καρέ. Ο αυτοεποπτευόμενος αλγόριθμος μάθησης συνέκρινε την πρόβλεψη με την πραγματική τιμή και έδωσε εντολή στα νευρωνικά δίκτυα να ενημερώσουν τα βάρη τους για να κάνουν την πρόβλεψη καλύτερη.

Η ομάδα του Richards διαπίστωσε ότι ένα AI που εκπαιδεύτηκε με ένα μόνο ResNet ήταν καλό στην αναγνώριση αντικειμένων, αλλά όχι στην κατηγοριοποίηση της κίνησης. Αλλά όταν χώρισαν το μεμονωμένο ResNet σε δύο, δημιουργώντας δύο μονοπάτια (χωρίς να αλλάξει ο συνολικός αριθμός νευρώνων), η τεχνητή νοημοσύνη ανέπτυξε αναπαραστάσεις για αντικείμενα στο ένα και για κίνηση στο άλλο, επιτρέποντας την κατάντη κατηγοριοποίηση αυτών των ιδιοτήτων - ακριβώς όπως πιθανόν ο εγκέφαλός μας κάνω.

Για να δοκιμάσει περαιτέρω την τεχνητή νοημοσύνη, η ομάδα της έδειξε ένα σύνολο βίντεο που είχαν δείξει προηγουμένως σε ποντίκια ερευνητές στο Ινστιτούτο Άλεν για την Επιστήμη του Εγκεφάλου στο Σιάτλ. Όπως τα πρωτεύοντα, τα ποντίκια έχουν εγκεφαλικές περιοχές εξειδικευμένες για στατικές εικόνες και για κίνηση. Οι ερευνητές του Allen κατέγραψαν τη νευρική δραστηριότητα στον οπτικό φλοιό του ποντικιού καθώς τα ζώα παρακολουθούσαν τα βίντεο.

Και εδώ, η ομάδα του Richards βρήκε ομοιότητες στον τρόπο με τον οποίο η τεχνητή νοημοσύνη και οι ζωντανοί εγκέφαλοι αντέδρασαν στα βίντεο. Κατά τη διάρκεια της εκπαίδευσης, μία από τις οδούς στο τεχνητό νευρωνικό δίκτυο έγινε περισσότερο παρόμοια με τις κοιλιακές περιοχές ανίχνευσης αντικειμένων του εγκεφάλου του ποντικιού και η άλλη οδός έγινε παρόμοια με τις ραχιαία περιοχές που εστιάζουν στην κίνηση.

Τα αποτελέσματα υποδηλώνουν ότι το οπτικό μας σύστημα έχει δύο εξειδικευμένα μονοπάτια επειδή βοηθούν στην πρόβλεψη του οπτικού μέλλοντος, είπε ο Richards. ένα μόνο μονοπάτι δεν είναι αρκετά καλό.

Τα μοντέλα του ανθρώπινου ακουστικού συστήματος λένε μια παρόμοια ιστορία. Τον Ιούνιο, μια ομάδα με επικεφαλής τον Ζαν-Ρεμί Κινγκ, ερευνητής στο Meta AI, εκπαίδευσε ένα AI που ονομάζεται Wav2Vec 2.0, το οποίο χρησιμοποιεί ένα νευρωνικό δίκτυο για να μετατρέψει τον ήχο σε λανθάνουσες αναπαραστάσεις. Οι ερευνητές συγκαλύπτουν μερικές από αυτές τις αναπαραστάσεις, οι οποίες στη συνέχεια τροφοδοτούνται σε ένα άλλο νευρωνικό δίκτυο που ονομάζεται μετασχηματιστής. Κατά τη διάρκεια της προπόνησης, ο μετασχηματιστής προβλέπει τις καλυμμένες πληροφορίες. Στη διαδικασία ολόκληρο το AI μαθαίνει να μετατρέπει τους ήχους σε λανθάνουσες αναπαραστάσεις — και πάλι, δεν χρειάζονται ετικέτες. Η ομάδα χρησιμοποίησε περίπου 600 ώρες δεδομένων ομιλίας για να εκπαιδεύσει το δίκτυο, «που είναι περίπου ό,τι θα έπαιρνε ένα παιδί [τα πρώτα] δύο χρόνια εμπειρίας», είπε ο Κινγκ.

Μόλις το σύστημα εκπαιδεύτηκε, οι ερευνητές έπαιξαν τμήματα ακουστικών βιβλίων στα Αγγλικά, Γαλλικά και Μανδαρινικά. Στη συνέχεια, οι ερευνητές συνέκριναν την απόδοση της τεχνητής νοημοσύνης με δεδομένα από 412 άτομα - ένα μείγμα φυσικών ομιλητών των τριών γλωσσών που είχαν ακούσει τις ίδιες εκτάσεις ήχου ενώ είχαν απεικονίσει τον εγκέφαλό τους σε σαρωτή fMRI. Ο King είπε ότι το νευρωνικό του δίκτυο και ο ανθρώπινος εγκέφαλος, παρά τις θορυβώδεις και χαμηλής ανάλυσης εικόνες fMRI, «όχι μόνο συσχετίζονται μεταξύ τους, αλλά συσχετίζονται με συστηματικό τρόπο»: Η δραστηριότητα στα πρώτα στρώματα του AI ευθυγραμμίζεται με τη δραστηριότητα στον πρωτογενή ακουστικό φλοιό, ενώ η δραστηριότητα των βαθύτερων στιβάδων του AI ευθυγραμμίζεται με τη δραστηριότητα στα υψηλότερα στρώματα του εγκεφάλου, σε αυτή την περίπτωση τον προμετωπιαίο φλοιό. «Είναι πραγματικά όμορφα δεδομένα», είπε ο Richards. «Δεν είναι πειστικό, αλλά [είναι] άλλο ένα συναρπαστικό στοιχείο που υποδηλώνει ότι, πράγματι, ο τρόπος με τον οποίο μαθαίνουμε τη γλώσσα είναι σε μεγάλο βαθμό στην προσπάθεια να προβλέψουμε τα επόμενα πράγματα που θα ειπωθούν».

Ανίατες Παθολογίες

Δεν είναι όλοι πεπεισμένοι. Τζος Μακ Ντέρμοτ, ένας υπολογιστικός νευροεπιστήμονας στο Τεχνολογικό Ινστιτούτο της Μασαχουσέτης, έχει εργαστεί σε μοντέλα όρασης και ακουστικής αντίληψης χρησιμοποιώντας τόσο εποπτευόμενη όσο και αυτο-εποπτευόμενη μάθηση. Το εργαστήριό του έχει σχεδιάσει αυτό που αποκαλεί «μεταμερή», συνέθεσε ηχητικά και οπτικά σήματα που, για έναν άνθρωπο, είναι απλά ανεξιχνίαστος θόρυβος. Σε ένα τεχνητό νευρωνικό δίκτυο, ωστόσο, τα μεταμερή φαίνονται να μην διακρίνονται από τα πραγματικά σήματα. Αυτό υποδηλώνει ότι οι αναπαραστάσεις που σχηματίζονται στα βαθύτερα στρώματα του νευρωνικού δικτύου, ακόμη και με αυτοεποπτευόμενη μάθηση, δεν ταιριάζουν με τις αναπαραστάσεις του εγκεφάλου μας. Αυτές οι αυτοεποπτευόμενες προσεγγίσεις μάθησης «είναι πρόοδος με την έννοια ότι μπορείτε να μάθετε αναπαραστάσεις που μπορούν να υποστηρίξουν πολλές συμπεριφορές αναγνώρισης χωρίς να χρειάζεστε όλες αυτές τις ετικέτες», είπε ο McDermott. «Αλλά εξακολουθούν να έχουν πολλές από τις παθολογίες των εποπτευόμενων μοντέλων».

Οι ίδιοι οι αλγόριθμοι χρειάζονται επίσης περισσότερη δουλειά. Για παράδειγμα, στο Wav2Vec 2.0 του Meta AI, το AI προβλέπει μόνο λανθάνουσες αναπαραστάσεις για ήχο αξίας μερικών δεκάδων χιλιοστών του δευτερολέπτου — λιγότερο χρόνο από ό,τι χρειάζεται για να εκφωνηθεί ένας αντιληπτικά διακριτός θόρυβος, πόσο μάλλον μια λέξη. «Υπάρχουν πολλά πράγματα που πρέπει να γίνουν για να κάνουμε κάτι παρόμοιο με αυτό που κάνει ο εγκέφαλος», είπε ο Κινγκ.

Η αληθινή κατανόηση της λειτουργίας του εγκεφάλου θα απαιτήσει περισσότερα από την αυτοεποπτευόμενη μάθηση. Πρώτον, ο εγκέφαλος είναι γεμάτος από συνδέσεις ανατροφοδότησης, ενώ τα σημερινά μοντέλα έχουν λίγες τέτοιες συνδέσεις, αν υπάρχουν. Ένα προφανές επόμενο βήμα θα ήταν η χρήση της αυτοεποπτευόμενης μάθησης για την εκπαίδευση υψηλά επαναλαμβανόμενων δικτύων - μια δύσκολη διαδικασία - και να δούμε πώς η δραστηριότητα σε τέτοια δίκτυα συγκρίνεται με την πραγματική εγκεφαλική δραστηριότητα. Το άλλο κρίσιμο βήμα θα ήταν η αντιστοίχιση της δραστηριότητας των τεχνητών νευρώνων σε μοντέλα αυτοεποπτευόμενης μάθησης με τη δραστηριότητα μεμονωμένων βιολογικών νευρώνων. «Ας ελπίσουμε ότι στο μέλλον, τα αποτελέσματα [μας] θα επιβεβαιωθούν και με ηχογραφήσεις ενός κυττάρου», είπε ο King.

Εάν οι παρατηρούμενες ομοιότητες μεταξύ του εγκεφάλου και των μοντέλων αυτοεποπτεύουσας μάθησης ισχύουν και για άλλες αισθητηριακές εργασίες, θα είναι μια ακόμη ισχυρότερη ένδειξη ότι όποια μαγεία είναι ικανός ο εγκέφαλός μας απαιτεί αυτοεποπτευόμενη μάθηση με κάποια μορφή. «Εάν βρούμε συστηματικές ομοιότητες μεταξύ πολύ διαφορετικών συστημάτων, [θα] υποδηλώνει ότι ίσως δεν υπάρχουν τόσοι πολλοί τρόποι επεξεργασίας πληροφοριών με έξυπνο τρόπο», είπε ο Κινγκ. «Τουλάχιστον, αυτή είναι η όμορφη υπόθεση με την οποία θα θέλαμε να δουλέψουμε».

spot_img

Τελευταία Νοημοσύνη

spot_img