Lidský mozek si stále drží náskok před umělou inteligencí, a to díky schopnosti přenášet dovednosti mezi různými úkoly. Nová studie z Princeton University, vedená neurovědcem Timem Buschmanem, odhalila, jak to funguje. Vědci nesledovali lidi, ale opice, konkrétně Makaky, kteří mají podobnou biologii a mozkovou funkci jako lidi.
Jak probíhal experiment s opicemi
Opice měly za úkol rozlišovat tvary a barvy na obrazovce. Konkrétně šlo o tři úlohy: v jedné kategorizovaly tvar – jestli je bližší "zajíčkovi" nebo písmeno "T", a odpovídaly pohledem do horní levé nebo dolní pravé části. V další úloze šlo o barvu – červená znamenala pohled do horní pravé, zelená do dolní levé. Třetí úloha kombinovala barvu s první osou odpovědí.
Během těchto úkolů vědci skenovali mozek opic a hledali překrývající se vzory aktivity. Zjistili, že mozek používá různé bloky neuronů, které se dají přirovnat ke "kognitivním Lego kostkám". Tyto bloky se znovu používají a kombinují pro nové úlohy, což dává mozku obrovskou flexibilitu.
Výhoda oproti AI
Umělá inteligence exceluje v jednotlivých úkolech, ale má problém s přenášením znalostí. Modely AI často trpí "katastrofickým zapomínáním", kdy se naučí nový úkol, ale zapomenou ten předchozí. Naopak mozek opic a náš dokáže rychle adaptovat staré znalosti na nové situace.
Toto kognitivní Lego se soustředily v prefrontální kůře, oblasti spojené s řešením problémů, plánováním a rozhodováním. Když nějaký blok nebyl potřeba, jeho aktivita klesla, což pomáhá soustředit se na aktuální úkol. Vědci pozorovali, jak opice postupně zjišťovaly změnu úlohy – například po přepnutí na úlohu s barvou se jejich výkon zlepšoval během prvních 75 pokusů, z 62 % na 77 %.
V jednom úkolu opice kategorizovaly barvu. Mozkové skeny ukázaly, že informace o barvě se reprezentovala ve stejných podprostorech neuronové aktivity napříč úkoly. Stejně tak motorické odpovědi – pohledy do konkrétních směrů – se sdílely mezi úlohami.
Vědci použili klasifikátory k dekódování těchto informací z neuronové aktivity. Například klasifikátor trénovaný na barvě během jedné úlohy úspěšně dekódoval barvu v jiné, s latencí 65 ms po zobrazení stimulu v laterální prefrontální kůře. Podobně motorické odpovědi se dekódovaly s latencí 128 ms.
Jak se opice učily nové úlohy
Opice nebyly informovány o změně úlohy – musely to zjistit samy na základě zpětné vazby. Když přešly z úlohy s tvarem na úlohu s barvou, jejich vnitřní představa o úloze (dekódovaná z aktivity v prefrontální kůře) se postupně upravovala. Tato představa pak ovlivňovala, jak silně se zapojovaly sdílené podprostory pro barvu nebo tvar.
Například při kombinování úloh se výkon zlepšoval rychleji, rozdíl byl až 10,26 % v prvních 20 pokusech. Neuronová aktivita ukazovala, že irelevantní informace (jako tvar v barvové úloze) se postupně potlačovala, zatímco relevantní (barva) se zesilovala.
Proč to může pomoci AI a medicíně
Výzkum naznačuje, že porozumění těmto mechanismům by mohlo zlepšit trénink AI, aby byly adaptivnější. Také by to mohlo pomoci při léčbě neurologických poruch, kde lidé mají problém aplikovat dovednosti v nových situacích.
Studie byla publikována v časopise Nature a zahrnovala podrobné analýzy, jako korelaci mezi sdílenými reprezentacemi barvy a motorickými odpověďmi, s posunem 36 ms před očním skokem (sakádou).
Další zdroj: sciencealert.com
