Die Welt der KI hat sich für immer verändert  Dr. Karl J. Friston ist der am häufigsten zitierte Neurowissenschaftler der Welt und wird für seine Arbeit in der Bildgebung des Gehirns und seiner von der Physik inspirierten Gehirntheorie gefeiert. Er ist außerdem Chefwissenschaftler bei VERSES AI und arbeitet an einer völlig neuen Art von KI namens Active Inference AI, die auf dem Prinzip der freien Energie (FEP) basiert – Karls Theorie, die gerade von Forschern in Japan bewiesen wurde, um zu erklären, wie das funktioniert Gehirn lernt.  Bisher konzentrierte sich der Großteil der KI-Forschung auf Modelle des maschinellen Lernens, die bekanntermaßen vor vielen Herausforderungen stehen. Von der unhaltbaren Architektur des massiven Datenladens für das Training bis hin zur mangelnden Interpretierbarkeit und Erklärbarkeit der Ergebnisse werden Algorithmen für maschinelles Lernen als Werkzeuge angesehen, die nicht erkennbar und unkontrollierbar sind, und obwohl sie gut im Mustervergleich sind, gibt es kein wirkliches „Denken“. " statt finden.  Die Arbeit, die Dr. Friston mit VERSES leistet, ist völlig anders und wird in wenigen Monaten in den Händen der Öffentlichkeit sein. Active Inference AI und FEP legen in Verbindung mit dem neuen Spatial Web Protocol den Grundstein für ein einheitliches System verteilter kollektiver Intelligenz, das die Funktionsweise biologischer Intelligenz in der gesamten Natur nachahmt. Sie haben eine völlig neue kognitive Architektur geschaffen, die selbstorganisierend, selbstoptimierend und selbstentwickelnd ist. Und doch ist es vollständig programmierbar, erkennbar und überprüfbar, sodass es parallel zur menschlichen Steuerung skalieren kann.  Dies ist die KI, die alles verändern wird, was Sie über künstliche Intelligenz zu wissen glauben.  Wie Ihr Gehirn lernt  Haben Sie sich jemals gefragt, wie Ihr Gehirn die ständige Flut an Bildern, Geräuschen, Gerüchen und anderen Empfindungen, die Sie jeden Tag erleben, versteht? Wie verwandelt es diesen chaotischen Input in ein kohärentes Bild der Realität, das es Ihnen ermöglicht, die Welt wahrzunehmen, zu verstehen und zu navigieren?  Neurowissenschaftler beschäftigen sich seit Jahrzehnten mit dieser Frage. Jetzt liefern aufregende neue Forschungsergebnisse eine experimentelle Validierung einer bahnbrechenden Theorie namens „Prinzip der freien Energie“ von Dr. Karl J. Friston, die die tiefgreifenden Berechnungen hinter der mühelosen Wahrnehmung erklärt.  Die am 7. August 2023 in Nature Communications von Wissenschaftlern des japanischen Forschungsinstituts RIKEN veröffentlichte   liefert den Beweis, dass sich Netzwerke von Neuronen auf der Grundlage dieses Prinzips selbst organisieren. Ihre Ergebnisse bestätigen, dass das Gehirn ein Vorhersagemodell der Welt erstellt und Überzeugungen ständig aktualisiert, um Überraschungen zu minimieren und bessere Vorhersagen für die Zukunft zu treffen. Studie   „  Unsere Ergebnisse legen nahe, dass das Prinzip der freien Energie das selbstorganisierende Prinzip biologischer neuronaler Netze ist. Es sagte voraus, wie das Lernen beim Empfang bestimmter sensorischer Eingaben abläuft und wie es durch durch Medikamente induzierte Veränderungen der Netzwerkerregbarkeit gestört wird.“ – Takuya Isomura, RIKEN  Wahrnehmung entmystifizieren  Um zu verstehen, warum diese Theorie so revolutionär ist, müssen wir uns der enormen Herausforderung bewusst sein, vor der Ihr Gehirn steht. In jedem Moment erfassen Ihre Sinne eine Flut unterschiedlicher Signale – Licht- und Schattenmuster, Schallwellen, die Ihr Trommelfell vibrieren lassen, Chemikalien, die Geruchsrezeptoren aktivieren. Irgendwie versteht Ihr Gehirn dieses Chaos, indem es zusammenhängende Objekte wie ein Gesicht, eine Melodie oder den Duft von Kaffee wahrnimmt.  Der Vorgang scheint augenblicklich und mühelos zu sein. Aber unter der Haube löst Ihr Gehirn ein unglaublich komplexes Schlussfolgerungsproblem, indem es die wahrscheinlichen Ursachen in der Außenwelt herausfindet, die die sensorischen Muster erzeugen. Dieses umgekehrte Rätsel – von Wirkungen rückwärts zu arbeiten, um auf verborgene Ursachen zu schließen – ist äußerst schwierig, insbesondere da dieselbe Ursache (wie das Gesicht einer Person) je nach Kontext unterschiedliche Sinnesmuster erzeugen kann.  Das Prinzip der Freien Energie, formuliert vom renommierten Neurowissenschaftler Karl Friston, bietet eine elegante Erklärung dafür, wie das Gehirn damit umgeht. Darin heißt es, dass Neuronen ständig Top-Down-Vorhersagen generieren, um die eingehenden Sinnesdaten zu erklären. Jegliche Nichtübereinstimmung führt zu „Vorhersagefehlern“, die Überzeugungen aktualisieren, um zukünftige Vorhersagen zu verbessern. Ihr Gehirn ist eine Schlussfolgerungsmaschine, die ihr internes Modell der Welt ständig aktualisiert, um Überraschungen und Unsicherheiten zu minimieren.  Beweis der Theorie in neuronalen Netzwerken  Das Freie-Energie-Prinzip fasst viele Beobachtungen über Wahrnehmung, Lernen und Aufmerksamkeit in einem einzigen einheitlichen Rahmen zusammen. Eine direkte experimentelle Validierung in biologischen neuronalen Netzwerken fehlt jedoch.  Um einen solchen Beweis zu erbringen, schuf das japanische Team neuronale Kulturen im Mikromaßstab, die aus Gehirnzellen von Rattenembryonen gezüchtet wurden. Sie lieferten elektrische Muster, die Hörempfindungen nachahmten, erzeugt durch die Mischung von Signalen von zwei „Lautsprechern“.  Anfangs reagierten die Netzwerke willkürlich, organisierten sich aber nach und nach selbst und reagierten selektiv auf den einen oder anderen Sprecher, so als würde man auf einer lauten Cocktailparty eine einzelne Stimme hören. Dies demonstrierte die Fähigkeit, gemischte Sinnessignale bis hin zu bestimmten versteckten Ursachen zu trennen – eine entscheidende Berechnung für die Wahrnehmung.  Vorhersagen überprüfen  Die Forscher zeigten überzeugend, dass diese Selbstorganisation mit quantitativen Vorhersagen von Computermodellen übereinstimmt, die auf dem Prinzip der Freien Energie basieren. Durch Reverse Engineering der impliziten Rechenmodelle, die von den lebenden neuronalen Netzwerken verwendet werden, konnten sie ihre Lernverläufe allein auf der Grundlage anfänglicher Messungen vorhersagen. Nichtübereinstimmungen bei Top-Down-Vorhersagen führten zu synaptischen Veränderungen, die die Vorhersagen in der Zukunft verbesserten.   Das Team zeigte außerdem, dass die Manipulation der Erregbarkeit von Neuronen im Einklang mit pharmakologischen Wirkungen das Lernen wie vorhergesagt veränderte, indem es die bestehenden Modelle der Netzwerke störte. Insgesamt liefert die Studie überzeugende Beweise dafür, dass das Freie-Energie-Prinzip beschreibt, wie neuronale Netzwerke Bayes'sche Schlussfolgerungen durchführen und synaptische Verbindungen strukturieren, um generative Top-Down-Modelle, die sensorische Daten am besten erklären, kontinuierlich zu aktualisieren.  Auf dem Weg zu einer vom Gehirn inspirierten KI  Das Verständnis der hervorragenden Rechenfähigkeiten biologischer neuronaler Netze hat wichtige praktische Auswirkungen. Wie bei der Arbeit, die Dr. Friston als Chefwissenschaftler bei VERSES AI leistet, werden Active Inference und das Free Energy Principle zusammen mit dem Spatial Web Protocol eingesetzt, um eine völlig neue Art von KI zu erreichen, die auf biomimetischer Intelligenz basiert. statt der brachialen Backpropagation des maschinellen Lernens, mit der Effizienz und Generalisierbarkeit der menschlichen Wahrnehmung.   Wie die Forscher vorschlagen, ermöglichen aktive Inferenz-KI und das Freie-Energie-Prinzip durch Bayes'sche Inferenz einem neuronalen Netzwerk die Selbstoptimierung durch Aufnahme und kontinuierliche Aktualisierung neuer Echtzeit-Sensordaten, während gleichzeitig zuvor festgelegte Ausgaben und Bestimmungen berücksichtigt und Vorhersagemodelle generiert werden Ermöglicht die Schaffung gehirninspirierter künstlicher Intelligenzen (Intelligent Agents), die wie echte neuronale Netze lernen. Ein Ensemble dieser intelligenten Agenten, die alle aus ihrem eigenen Blickwinkel einzigartiger spezialisierter Intelligenzen stammen, die aus ihrem eigenen Bezugsrahmen gewonnen wurden, innerhalb eines einheitlichen globalen Netzwerks kontextreicher, verschachtelter digitaler Zwillingsräume, liefert das kontextuelle Weltmodell, das bisher fehlte praktische KI-Anwendungen. Dies ist ein entscheidender Teil des Puzzles, um die KI-Forschung voranzutreiben und AGI (allgemeine Intelligenz) oder ASI (Superintelligenz) zu erreichen. Die Weiterentwicklung solcher neuromorpher Computersysteme ist ein wichtiges Ziel, da wir versuchen, die Vielseitigkeit und Anpassungsfähigkeit der biologischen Kognition in Maschinen nachzuahmen.  Auch wenn das Verständnis, wie Ihr eigenes Gehirn funktioniert, abstrakt erscheinen mag, bringt diese bahnbrechende Forschung praktische Anwendungen künstlicher Intelligenz näher und bestätigt die wirklich revolutionäre Arbeit, die VERSES AI eingeführt hat und in der Welt der KI führend ist. Das Freie-Energie-Prinzip stellt eine vereinheitlichende Theorie kortikaler Berechnungen dar, und seine experimentelle Validierung in lebenden neuronalen Netzwerken markiert einen wichtigen Meilenstein auf dem Weg zum Aufbau wirklich gehirnähnlicher künstlicher Intelligenzen.     Besuchen Sie  VERSES AI und die   um mehr über Dr. Karl Fristons revolutionäre Arbeit mit ihnen auf dem Gebiet der aktiven Inferenz-KI und des Prinzips der freien Energie zu erfahren. Spatial Web Foundation,  Auch   veröffentlicht. hier

This story contains new, firsthand information uncovered by the writer.

Solving big problems using AI technology? Please reach out to me. I’d love to hear from you. 

Read My Stories

Karl Friston's AI Law is Proven: FEP Explains How Neurons Learn

Revolutionary Proposal Emerges for Effective AI Governance

The Era of AI and The Spatial Web: What It All Means - Part 1

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Zu lang; Lesen

Boost your HackerNoon story @ $159.99! 🚀

Das KI-Gesetz von Karl Friston ist bewiesen: FEP erklärt, wie Neuronen lernen

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

Genuine Content Creation in the Age of AI: Why Startups Need Quality Content

HackerNoon Decoded 2024: Wir feiern unsere Gaming-Community!

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

Genuine Content Creation in the Age of AI: Why Startups Need Quality Content

HackerNoon Decoded 2024: Wir feiern unsere Gaming-Community!

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps