DeepMind провела эксперименты, демонстрирующие схожесть поведения нейросетей и животных

Дочерняя компания Google — DeepMind — провела ряд экспериментов, доказывающих сходство обучения и поведения нейросетей и млекопитающих.

Эксперимент с выбором изображений

Исследователи провели несколько опытов, анализирующих влияние дофамина — гормона, который вырабатывается в коре головного мозга и отвечает за чувство удовольствия. Однако ученые предположили, что роль вещества гораздо шире и оно влияет на быстроту и гибкость обучения человека.

Для подтверждения гипотезы ученые смоделировали рекуррентную нейронную сеть, способную анализировать действия и наблюдения, а затем «делать выводы». В рамках эксперимента ИИ должен был сделать выбор между несколькими изображениями. Одна из двух картинок всегда сопровождалась вознаграждением — аналогом влияния дофамина на организм человека. Вскоре сеть научилась выбирать из ранее незнакомых изображений те, за которые вероятнее получить поощрение.

Исследователи DeepMind взяли за основу эксперимент Харлоу, проведенный в 1940-х годах на обезьянах. Животным показывали несколько предметов и вознаграждали правильный выбор едой. В скором времени подопытные стали выбирать предмет, ориентируясь на предыдущие действия.

Эксперимент с ориентацией в пространстве

Ученые также провели несколько опытов с ИИ для анализа малоизученных нейронов решетки, помогающих животным в определении местоположения в пространстве.

В своем блоге компания пишет:

В качестве первого шага мы обучали рекуррентную сеть определению местонахождения в виртуальном пространстве с использованием преимущественно сигналов скорости. Эта способность обычно используется млекопитающими при перемещении по незнакомым местам или в ситуациях, когда трудно обнаружить ориентиры. Мы выяснили, что в сети спонтанно возникли решетчатые единицы (аналог нейронов решетки), демонстрирующие сходство с нейронной активностью млекопитающих.

Исследователи отмечают, запрет на формирование нейронов решетки значительно ухудшал способность ИИ к определению местоположения в пространстве.

Напомним, что ранее в 2018 году исследователи DeepMind представили модель нейронной сети, которая обучается с нуля и не требует большого количества входных данных.