Nghiên cứu MIT cho thấy mạng nơ-ron nhân tạo có thể tự xây dựng cơ chế học
Các nhà nghiên cứu MIT đã phát triển một mạng nơ-ron nhân tạo có thể tự xây dựng cơ chế học, thay vì phụ thuộc vào một thuật toán huấn luyện được thiết kế hoàn chỉnh từ đầu. Bắt đầu với các đơn vị giống nơ-ron được kết nối ngẫu nhiên và những quy tắc đơn giản để thay đổi kết nối, mạng đã tự tổ chức thành một hệ thống có khả năng nhận dạng mẫu và phân loại hình ảnh. Hiệu suất của nó tương đương các mạng được huấn luyện bằng back-propagation, phương pháp phổ biến trong AI hiện đại để điều chỉnh kết nối dựa trên sai số. Cách tiếp cận này lấy cảm hứng từ các quy tắc học trong sinh học, chẳng hạn “các nơ-ron cùng hoạt động sẽ kết nối với nhau”, theo đó những kết nối đồng thời được kích hoạt sẽ mạnh lên. Nhóm nghiên cứu cho rằng giá trị của một mô hình đối với khoa học thần kinh không chỉ nằm ở việc mô hình hoạt động tốt, mà còn ở khả năng tự tổ chức các cơ chế tạo ra việc học mà không cần một nhà thiết kế bên ngoài. Những mô hình như vậy có thể giúp các nhà khoa học tìm hiểu cách não bộ thay đổi khi học, lão hóa hoặc mắc bệnh, đồng thời có thể hỗ trợ nghiên cứu giao diện não–máy và bộ phận giả thần kinh. Công trình này đáng chú ý vì mở ra một cầu nối tiềm năng giữa việc học nhân tạo và sinh học: các hệ thống AI có thể trở thành công cụ hữu ích để hiểu não bộ khi chúng tái tạo không chỉ hành vi thông minh, mà cả cách cơ chế học hình thành.
Nghiên cứu này chủ yếu đáng chú ý với các nhà nghiên cứu AI và khoa học thần kinh: mô hình cho thấy mạng nơ-ron có thể tự hình thành cơ chế học từ những quy tắc đơn giản, thay vì được lập trình sẵn toàn bộ. Đây chưa phải là công cụ người dùng có thể áp dụng ngay, nhưng có thể mở hướng mới cho AI lấy cảm hứng từ não bộ và các giao diện não–máy.
Đọc bài gốc