Искусственный интеллект теперь играет в го, рисует и даже общается, как человек. Однако остается одно существенное различие: для работы ИИ требуется гораздо больше электроэнергии, чем человеческому мозгу. Ученые давно задаются вопросом: «Как мозг может так интеллектуально учиться, используя так мало энергии?» Исследователи из KAIST приблизились на один шаг к ответу.
Исследовательская группа под руководством заслуженного профессора Санг Вана Ли с кафедры нейробиологии и когнитивных наук разработала новую технологию , которая применяет принципы обучения человеческого мозга к глубокому обучению, обеспечивая стабильное обучение даже в моделях глубокого искусственного интеллекта.
Наш мозг не пассивно воспринимает окружающий мир. Вместо того чтобы просто осознавать происходящее в настоящий момент, он сначала предсказывает, что произойдет дальше, и, когда реальность отличается от этого предсказания, корректирует свои действия, чтобы уменьшить разницу (т.е. ошибку предсказания). Это похоже на предвидение следующего хода противника в игре Го и изменение стратегии, если предсказание оказывается неверным. Этот способ обработки информации известен как « предиктивное кодирование ».
Ученые пытались применить этот принцип к искусственному интеллекту, но столкнулись с трудностями. По мере углубления нейронных сетей ошибки, как правило, концентрируются в определенных слоях или исчезают вовсе, что неоднократно приводит к снижению производительности.
Исследовательская группа математически определила причину этой проблемы и предложила новое решение. Ключевая идея проста: вместо того, чтобы предсказывать только конечный результат, ИИ также предназначен для прогнозирования того, как изменятся его ошибки прогнозирования в будущем. Команда называет это «метапрогнозированием».
Проще говоря, это ИИ, который «ещё раз обдумывает свои ошибки». При применении этого метода обучение в глубоких нейронных сетях протекало стабильно и без остановок.
Результаты экспериментов также оказались впечатляющими. В 29 из 30 экспериментов предложенный метод показал более высокую точность, чем существующий стандартный метод обучения ИИ — обратное распространение ошибки. Обратное распространение ошибки — это типичный метод обучения, при котором ИИ «движется назад на величину ошибки и исправляет её».
Традиционные методы обучения ИИ (обратное распространение ошибки) требуют тесно взаимосвязанных слоев, то есть вся сеть должна вычисляться и обновляться одновременно. В отличие от них, новый подход демонстрирует, что, подобно мозгу, большие модели ИИ могут эффективно обучаться даже при распределенном и частично независимом обучении.
Ожидается, что эта технология получит распространение в различных областях, где энергоэффективность имеет решающее значение, включая нейроморфные вычисления , искусственный интеллект для роботов, который должен адаптироваться к меняющейся среде, и периферийный ИИ, работающий внутри устройств.
Выдающийся профессор Санг Ван Ли заявил: «Ключ к этому исследованию заключается не просто в имитации структуры мозга, а в том, чтобы позволить искусственному интеллекту следовать принципам обучения мозга», добавив: «Мы открыли возможность создания искусственного интеллекта, который эффективно учится подобно мозгу».
Данное исследование было проведено при участии доктора Мён Хун Ха в качестве первого автора и профессора Сан Ван Ли в качестве ответственного автора. Статья была принята к публикации на Международной конференции по изучению представлений (ICLR 2026).
