Krake und Schnecke als Vorbild: Neue KI soll tierähnlicher werden
US-Forschende haben eine von der Natur inspirierte neue künstliche Intelligenz entwickelt. Sie soll tierähnlicher sein und mehr eigenständig lernen.
Rhanor Gillette, links, und Ekaterina Gribkova entwickelten eine KI, die sich in neuen Umgebungen zurechtfindet, nach Neuem und Belohnungen sucht und in Echtzeit lernt.
Foto: Fred Zwicky
Inspiriert von Meeresschnecken und Tintenfischen haben Forschende der University of Illinois Urbana-Champaign einen interessanten Ansatz zur Entwicklung einer neuen künstlichen Intelligenz (KI) gefunden. Diese KI nutzt einfache assoziative Lernregeln und ein verbessertes episodisches Gedächtnis. Mit diesen Fähigkeiten kann die KI nicht nur Hindernisse überwinden, sondern auch in neuen Umgebungen navigieren, nach Belohnungen suchen und Orientierungspunkte kartieren.
Von Meeresschnecken zu Krakengedächtnis
Das Forschungsteam aus Illinois hat die neuronalen Schaltkreise der Meeresschnecke Pleurobranchaea studiert, die für die Nahrungssuche verantwortlich sind. Diese Schaltkreise wurden dann in eine KI integriert, um einfache Lernregeln zu etablieren. Ergänzt wurde dieser Ansatz durch ein episodisches Gedächtnis, das dem eines Oktopus ähnelt. Dies ermöglicht der KI, sich an vergangene Ereignisse zu erinnern und daraus zu lernen.
Die Wissenschaftlerinnen und Wissenschaftler glauben, dass dieser neue Ansatz der KI helfen wird, ihre Wissensbasis zu erweitern und gleichzeitig zu lernen. Diese Methode macht die KI tierähnlicher als bestehende Modelle. „Wir lernen, wie man von etwas Einfachem wie dem Gedächtnis einer Meeresschnecke zu etwas Komplexem wie dem menschlichen Gedächtnis gelangt“, erklärt Ekaterina Gribkova, eine Post-Doc-Forscherin an der University of Illinois Urbana-Champaign.
Effizienz durch Gedächtnis
Ein wesentlicher Vorteil dieses Ansatzes ist die Effizienz. Anstatt die KI mit großen Datenmengen zu trainieren, wie es bisher üblich war, können durch das Hinzufügen eines Speichermoduls Informationen über vergangene Ereignisse gespeichert und genutzt werden. Dies erweitert einfaches räumliches Lernen auf komplexeres Lernen und spart erheblich an Trainingsdaten und -zeit.
Gribkova betont, dass dieselben Assoziationen, die für das räumliche Lernen verwendet werden, auch für andere Lernprozesse genutzt werden können. Zum Beispiel können motorische Verhaltensweisen, das Abbilden sozialer Netzwerke und sogar das Lösen sprachlicher Probleme integriert werden. „Das episodische Gedächtnis ermöglicht es der KI, nicht nur im Raum zu navigieren, sondern auch abstraktere Konzepte zu verstehen“, fügt sie hinzu.
Von Cyberslug zu CyberOctopus
Die frühe Arbeit der Forschenden konzentrierte sich auf die Simulation der Entscheidungsfindung einer Meeresschnecke, ein Projekt, das als „Cyberslug“ bekannt wurde. Die simulierte Kreatur, benannt nach Isaac Asimov, einem russsisch-amerikanischen Biochemiker, überwachte ihren inneren Zustand und suchte nach Belohnungen. Durch Versuch und Irrtum lernte sie, nahrhafte Lebensmittel zu bevorzugen. Trotz dieses Lernprozesses lebte Cyberslug jedoch hauptsächlich im Moment und hatte Schwierigkeiten, Informationen aus der Vergangenheit zu integrieren.
Um dieses Problem zu lösen, fügte das Forschungsteam der KI ein Berechnungsmodul für das episodische Gedächtnis hinzu. Dieses Modul, die Feature-Association-Matrix (FAM), ist der Architektur und Funktion des Hippocampus nachempfunden, einer Gehirnregion, die für das Lernen und Gedächtnis entscheidend ist. Diese Erweiterung ermöglichte es der KI, sowohl räumliche als auch zeitliche Kontexte vergangener Ereignisse zu kodieren.
CyberOctopus und die Zukunft
In ihrer neuen Studie testeten die Forscher den ASIMOV-FAM-Agenten, auch bekannt als CyberOctopus, in einer simulierten Umgebung. CyberOctopus lernte, Orientierungspunkte zu kartieren und Belohnungen zu finden. Er war in der Lage, neue Pfade und Abkürzungen zu generieren, um effizienter durch die Umgebung zu navigieren. Diese Fähigkeit zum räumlichen Denken könnte auf abstraktere und nicht-räumliche Anwendungen übertragen werden.
Das Forschungsteam ist optimistisch, dass dieser neue Ansatz eine effizientere und fortschrittlichere KI schaffen kann. Diese KI könnte eine Vielzahl von Aufgaben jenseits der räumlichen Navigation ausführen, einschließlich effizienterer Berechnungen und Problemlösungen. Sie glauben, dass ein Bottom-up-Ansatz eine KI hervorbringen könnte, die in ihrem adaptiven Verhalten und ihrer Kreativität viel tierähnlicher ist und die mehr eigenständig lernt.
Ein Beitrag von:
