Συστήματα τεχνητής νοημοσύνης που βασίζονται σε αρχιτεκτονικές εμπνευσμένες από τον ανθρώπινο εγκέφαλο επιδεικνύουν υψηλή ικανότητα αναγνώρισης εικόνων προτού καν εκπαιδευτούν, σύμφωνα με μελέτη του Πανεπιστημίου Johns Hopkins που δημοσιεύτηκε στο Nature Machine Intelligence. Η έρευνα αμφισβητεί τη σημερινή προσέγγιση της ΑΙ, που στηρίζεται σε κολοσσιαία ποσότητα δεδομένων και ενεργοβόρες διαδικασίες εκπαίδευσης, υπογραμμίζοντας ότι η σωστή αρχιτεκτονική μπορεί να δώσει στα συστήματα σαφές προβάδισμα.
Οι ερευνητές εξέτασαν τρεις τύπους νευρωνικών δικτύων – μετασχηματιστές, πλήρως συνδεδεμένα δίκτυα και συνελικτικά νευρωνικά δίκτυα – και δημιούργησαν τροποποιημένες εκδοχές τους. Αν και τα δύο πρώτα δεν εμφάνισαν αξιοσημείωτες μεταβολές, οι αλλαγές στα συνελικτικά δίκτυα παρήγαγαν μοντέλα που προσομοιάζουν πολύ πιο πιστά τη δραστηριότητα του ανθρώπινου εγκεφάλου. Μάλιστα, τα μη εκπαιδευμένα συνελικτικά μοντέλα πέτυχαν επιδόσεις συγκρίσιμες με πλήρως εκπαιδευμένα συστήματα.
Το εύρημα δείχνει ότι η αρχιτεκτονική ίσως είναι πιο καθοριστική από τον όγκο των δεδομένων, ανοίγοντας τον δρόμο για ταχύτερα και πιο αποδοτικά συστήματα ΑΙ. Η ομάδα πλέον αναπτύσσει νέους βιολογικά εμπνευσμένους αλγορίθμους μάθησης που θα μπορούσαν να οδηγήσουν σε μια επόμενη γενιά τεχνητής νοημοσύνης.
