La nouvelle IA explore, se souvient, recherche la nouveauté, surmonte les obstacles

En donnant à l’intelligence artificielle des règles d’apprentissage associatives simples basées sur les circuits cérébraux qui permettent à une limace de mer de se nourrir – et en l’augmentant avec une meilleure mémoire épisodique, comme celle d’une pieuvre – les scientifiques ont construit une IA capable de naviguer dans de nouveaux environnements, de rechercher des récompenses, de cartographier repères et surmonter les obstacles.

Rapporté dans le journal Neuroinformatiquela nouvelle approche donne à l’IA la capacité d’explorer et de rassembler les informations dont elle a besoin pour élargir sa conscience spatiale et temporelle, élargissant ainsi sa base de connaissances tout en apprenant sur le tas, a déclaré Ekaterina Gribkova, chercheuse postdoctorale à l’Université de l’Illinois à Urbana-Champaign qui a dirigé l’étude avec Rhanor Gillette, professeur émérite de physiologie moléculaire et intégrative de l’Université d’I., avec le soutien du professeur de génie agricole et biologique Girish Chowdhary.

“Cela rend notre intelligence artificielle beaucoup plus animale que les intelligences artificielles actuelles”, a déclaré Gribkova. “Nous apprenons à passer de quelque chose comme la mémoire d’une limace de mer, ce qui est très, très simple, à quelque chose qui nous ressemble.”

La nouvelle approche présente l’avantage supplémentaire d’être plus efficace que la méthode standard de pré-entraînement de l’IA avec de grandes quantités de données avant qu’elle n’exécute les fonctions de base, a-t-elle déclaré.

En ajoutant un module de mémoire qui permet à l’IA de conserver des informations sur les événements passés, un apprentissage spatial très simple peut être étendu à un apprentissage beaucoup plus complexe, a déclaré Gribkova.

“Nous pouvons utiliser les mêmes types d’associations pour apprendre, par exemple, des séquences de comportements moteurs, ou comment cartographier les réseaux sociaux ou encore résoudre des problèmes linguistiques”, a-t-elle déclaré. “Apprendre dans le domaine spatial et naviguer dans l’environnement en créant des raccourcis, ce que notre module de mémoire est capable de faire, peut très bien être appliqué à des concepts plus abstraits.”

Pour y parvenir, l’équipe s’est appuyée sur ses travaux antérieurs simulant les circuits neuronaux décisionnels d’une limace de mer du genre Pleurobranchaea, un projet connu sous le nom de « Cyberslug ». Ils ont nommé leur créature simulée ASIMOV, en hommage à Isaac Asimov, un écrivain de science-fiction qui a exploré les problèmes de sécurité et l’éthique de la robotique dans la société humaine.

Les chercheurs ont programmé ASIMOV pour surveiller son propre état interne et rechercher la satiété et la récompense. Lorsqu’il avait « faim », après n’avoir pas mangé pendant un certain temps, ASIMOV a appris par essais et erreurs à sélectionner les aliments nutritifs plutôt que les aliments nocifs. Lorsque les chercheurs ont ajouté une drogue simulée enivrante à sa gamme d’options, ASIMOV s’est comporté comme s’il était accro, courant après la drogue même si elle n’avait aucune valeur nutritionnelle.

ASIMOV vivait cependant dans l’instant présent et, même s’il pouvait apprendre de l’expérience, sa mémoire et sa capacité à intégrer les informations des expériences passées étaient limitées. Gribkova a donc ajouté un module informatique pour la mémoire épisodique, appelé Feature Association Matrix, calqué sur l’architecture et les fonctions de l’hippocampe, une région cérébrale essentielle à l’apprentissage et à la mémoire. Ce travail s’est également appuyé sur des études sur les réseaux cérébraux qui déterminent le comportement d’une pieuvre. Les chercheurs ont qualifié l’agent ASIMOV-FAM de « CyberOctopus ».

“La mémoire épisodique code à la fois les contextes spatiaux et temporels des événements et expériences passés”, écrivent les auteurs. Il s’agit d’un élément fondamental de l’intelligence naturelle, qui manque à la plupart des modèles d’IA actuels, ont-ils déclaré.

Dans la nouvelle étude, ASIMOV-FAM a exploré un environnement simulé avec divers points de repère, dont certains étaient assortis de récompenses. Gribkova s’est concentrée sur les associations par paires qui pourraient être renforcées ou affaiblies en pesant les récompenses relatives de chaque voie empruntée par ASIMOV. Il était programmé pour rechercher la nouveauté et les récompenses.

“L’agent ASIMOV utilise des cartes cognitives formées par le FAM pour connaître son environnement spatial”, a déclaré Gillette. “Cela peut générer de nouveaux chemins et raccourcis pour traverser l’environnement plus efficacement, pour de plus grandes récompenses. Il s’agit en fait d’un raisonnement spatial.”

Les chercheurs ont déclaré qu’ils espéraient utiliser cette nouvelle approche pour créer une IA plus efficace et plus avancée, capable d’effectuer diverses tâches au-delà de la navigation spatiale.

“Nous espérons qu’ASIMOV-FAM pourra être adapté à des applications plus abstraites et non spatiales, par exemple pour améliorer de grands modèles de langage comme ChatGPT pour un calcul et une résolution de problèmes plus efficaces, avec une taille et des exigences de formation réduites”, a déclaré Gillette.

“Nous pensons que si nous pouvons adopter une approche plus ascendante, nous pouvons construire une IA qui ne nécessite pas beaucoup de données, qui ressemble beaucoup plus à un animal dans son comportement adaptatif et sa créativité et qui apprend. plus tout seul”, a déclaré Gribkova. “Essentiellement, nous considérons l’IA avancée comme un moyen d’apprendre beaucoup plus comme le ferait un enfant.”

Gillette et Gribkova sont affiliés au Center for Artificial Intelligence Innovation du National Center for Supercomputing Applications et au programme de neurosciences de l’Université d’I. Gillette est également professeur au Beckman Institute for Advanced Science and Technology et au Carl R. Institut Woese pour la biologie génomique de l’Illinois.