Привет, на связи Sherpa Robotics. Сегодня мы хотим обратить ваше внимание на статью команды исследователей в области биоэлектроники Дианы Дека, Касвелла Барри и Самита Чакрабарти, опубликованную онлайн-издательством Cambridge University Press 12 февраля 2024 года. В нашей публикации мы сосредоточимся на дискуссионных вопросах, которые авторы называют ключевыми на пути к достижению AGI.
Искусственный интеллект (ИИ) всегда черпал вдохновение из мозга, начиная с самых простых форм, таких как узлы и слои, до более современных разработок, имитирующих отдельные нейроны и различные аспекты зрительной и сенсорной обработки.
Прогресс в клеточной и молекулярной нейробиологии и нейрофизиологии, вычислительной нейробиологии, нейроморфных вычислениях и машинном обучении повлиял друг на друга, но все еще не достиг полной синхронизации. До сих пор нет единой комплексной системы, которая могла бы подтвердить или опровергнуть результаты исследований в этих областях.
Один из подходов к достижению искусственного общего интеллекта (AGI) — это полное воспроизведение физической структуры мозга (эмуляция всего мозга) или отдельных его элементов (пиковые нейроны, синаптическая пластичность, дендритная компартментализация, морфологические изменения и т. д.).
Цель данной статьи — установить единый подход, который интегрирует нейробиологию, вычислительную нейробиологию, нейроморфные вычисления и машинное обучение с конечной целью достижения AGI. Как нам лучше всего двигаться к этой цели и достичь консенсуса?
Статья ставит перед нами важный вопрос: как построить прочные связи между нейробиологией и искусственным интеллектом (ИИ), чтобы эффективно имитировать работу человеческого мозга?
Для того, чтобы ответить на него, стоит разбить задачу на подпункты. Авторы статьи сформулировали наиболее важные вопросы, которые помогут сформировать наиболее эффективный подход к эмуляции человеческого мозга.
Ключевые вопросы
1. Какие наиболее значимые достижения в нейробиологии и нейрофизиологии могут и должны быть включены в рабочие модели, которые вычислительные нейробиологи и инженеры машинного обучения могут использовать и проверить (подтвердить или опровергнуть) в своих моделях?
2. Какие модели вычислительной нейробиологии поддерживаются экспериментами и по-прежнему служат как точным представлением нейрофизиологических функций, так и ведут к существенным улучшениям параметров машинного обучения, таких как вычислительная скорость, энергоэффективность и точность?
3. Какие нейроморфные модели (как программные, так и аппаратные, например, Nengo, SNNs, нейроморфные чипы) эффективно имитируют нейробиологические структуры и результаты, подтвержденные достаточным количеством нейробиологических и вычислительных нейробиологических исследований, при этом демонстрируя превосходные характеристики по всем параметрам по сравнению с, например, машинами фон Неймана или классическими сверхточными нейронными сетями?
4. Какие текущие крупномасштабные приложения и микросхемы машинного обучения точно имитируют нейробиологические структуры, а также их функции, что подтверждается как нейробиологическими исследованиями, так и моделями вычислительной нейробиологии?
5. Какие наиболее современные разработки в области интерфейсов мозг-компьютер и нейропротезов демонстрируют как очень четкие и фальсифицируемые результаты, так и потенциал для массового масштабирования с высоким уровнем технологической готовности (TRL) и путь к утверждению FDA, что позволит собирать соответствующие данные для развития и адаптации эффективных вычислительных нейробиологических моделей и моделей машинного обучения с повышенной эффективностью?
6. Какие предложения существуют для создания единой системы, которая позволяет нам оценивать уровень соответствия и эффективности количественно и качественно от нейробиологии до вычислительной нейробиологии, нейроморфных моделей до приложений машинного обучения TRL6+?
Решая эти вопросы и создавая единую систему, человечество может ускорить прогресс в достижении AGI, при этом гарантируя, что достижения основаны на глубоком понимании биологических основ мозга.
Авторы приглашают исследователей со всего мира принять участие в решении этих вопросов и создании единой системы для сотрудничества в области нейробиологии и ИИ (https://www.cambridge.org/core/journals/research-directions-bioelectronics/information/author-instructions/preparing-your-materials).
Очевидно, что поиск ответов на поставленные вопросы требует серьезных исследований, которые должны проводиться командами исследователей, специализирующимися на различных дисциплинах. Тем не менее, мы хотим попросить наших читателей поделиться своими знаниями по этой теме в комментариях.
Спонсор материала – Sherpa Robotics
Sherpa Robotics – ведущий российский вендор программных решений для роботизации бизнес-процессов на предприятии с помощью программных роботов RPA и LLM.
Продуктовая линейка компании: Sherpa RPA, Sherpa Process Discovery, Sherpa AI Server.
Платформа Sherpa RPA — это экосистема, которая объединяет классических программных роботов и современные технологии искусственного интеллекта. С помощью платформы автоматизируются не только рутинные бизнес-процессы в самых разных областях, но и интеллектуальные задачи, которые до недавнего времени считались прерогативой человека.
Sherpa Process Discovery — инструмент на базе искусственного интеллекта для анализа и выявления бизнес-процессов для последующей роботизации.
Sherpa AI Server – платформа для работы с генеративными нейросетями в закрытом контуре компании.
Sherpa AI – это первая российская оффлайн платформа для использования нейросетей в корпоративной среде в закрытом контуре. Sherpa AI позволяет решать задачи с помощью искусственного интеллекта в компаниях, где политикой информационной безопасности и требованиями ФСТЭК запрещено использование облачных нейросетей.
Интеграция Sherpa RPA и Sherpa AI Server позволяет совмещать преимущества классической RPA автоматизации и технологий искусственного интеллекта при решении сложных бизнес-задач.
Ключевые преимущества Sherpa RPA
-
Встроенные инструменты интеллектуального распознавания сложных структурированных и неструктурированных документов из сканов, фото, PDF-файлов.
-
Поддержка машинного обучения и применение искусственного интеллекта для обработки естественного языка.
-
Нативная интеграция с популярными корпоративными системами – SAP, Oracle, Java, 1C, RDP, Citrix и другими.
-
Разнообразные опции разработки роботов: от полного No-Code до использования .NET, C++, C#, JavaScript, Python, PowerShell.
-
Мощный Оркестратор для централизованного управления роботами, сценариями, очередями, пользователями, логированием, правами, безопасностью.
-
Гибкая ценовая политика с возможностью неограниченного использования роботов без привязки к количеству внедренных сценариев.
Решения экосистемы Sherpa RPA включены в реестр российского ПО.
Автор: sherparpa
