Künstliche Intelligenz hat eine seltsame neue Muse: Unser Geruchssinn


Die heutigen Systeme künstlicher Intelligenz, einschließlich der künstlichen neuronalen Netze, die weitgehend von den Neuronen und Verbindungen des Nervensystems inspiriert sind, funktionieren wunderbar bei Aufgaben mit bekannten Einschränkungen. Sie erfordern auch viel Rechenleistung und große Mengen an Trainingsdaten. Das alles dient dazu, sie zum Schach- oder Go-Schach zu machen, wenn es darum geht, ein Auto in einem Bild zu sehen, um zwischen Darstellungen von Katzen und Hunden zu unterscheiden. "Aber sie sind ziemlich erbärmlich, wenn sie Musik komponieren oder Kurzgeschichten schreiben", sagte Konrad Kording, ein Neurowissenschaftler an der University of Pennsylvania. "Sie haben große Schwierigkeiten, sinnvoll in der Welt zu argumentieren."

Quanta Magazin


Autorenfoto

Über

Originalgeschichte mit freundlicher Genehmigung des Quanta Magazine, einer redaktionell unabhängigen Publikation der Simons Foundation, deren Aufgabe es ist, das öffentliche Verständnis von Wissenschaft zu verbessern, indem Forschungsentwicklungen und -trends in Mathematik und den Natur- und Lebenswissenschaften abgedeckt werden.

Um diese Einschränkungen zu überwinden, wenden sich einige Forschungsgruppen dem Gehirn für neue Ideen zu. Aber eine Handvoll von ihnen wählt, was auf den ersten Blick wie ein unwahrscheinlicher Ausgangspunkt erscheint: der Geruchssinn oder der Geruchssinn. Wissenschaftler, die versuchen, ein besseres Verständnis darüber zu erlangen, wie Organismen chemische Informationen verarbeiten, haben Codierungsstrategien entdeckt, die für Probleme bei AI besonders relevant erscheinen. Darüber hinaus weisen olfaktorische Schaltkreise auffallende Ähnlichkeiten mit komplexeren Hirnregionen auf, die bei der Suche nach besseren Maschinen von Interesse waren.

Informatiker beginnen nun, diese Befunde in maschinellen Lernkontexten zu untersuchen.

Fluke und Revolutionen

Modernste maschinelle Lerntechniken, die heute zum Einsatz kommen, wurden zumindest teilweise konstruiert, um die Struktur des visuellen Systems nachzuahmen, das auf der hierarchischen Extraktion von Informationen basiert. Wenn der visuelle Kortex sensorische Daten empfängt, wählt er zunächst kleine, gut definierte Merkmale aus: Kanten, Texturen, Farben, die eine räumliche Abbildung beinhalten. Die Neurowissenschaftler David Hubel und Torsten Wiesel entdeckten in den 1950er und 1960er Jahren, dass bestimmte Nervenzellen im visuellen System dem Äquivalent spezifischer Pixelpositionen in der Netzhaut entsprechen, für die sie einen Nobelpreis erhielten.

Wenn visuelle Informationen durch Schichten von kortikalen Neuronen weitergeleitet werden, kommen Details über Kanten und Texturen und Farben zusammen, um zunehmend abstrakte Darstellungen des Inputs zu bilden: dass das Objekt ein menschliches Gesicht ist und dass die Identität des Gesichts beispielsweise Jane ist . Jede Schicht im Netzwerk hilft dem Organismus, dieses Ziel zu erreichen.

Tiefe neuronale Netze wurden aufgebaut, um ähnlich hierarchisch zu arbeiten, was zu einer Revolution des maschinellen Lernens und der KI-Forschung führte. Um diese Netze zu lehren, Objekte wie Gesichter zu erkennen, werden ihnen Tausende von Beispielbildern zugeführt. Das System verstärkt oder schwächt die Verbindungen zwischen seinen künstlichen Neuronen, um genauer zu bestimmen, dass eine gegebene Sammlung von Pixeln das abstraktere Muster eines Gesichts bildet. Mit genügend Samples kann er Gesichter in neuen Bildern und in Kontexten erkennen, die er vorher nicht gesehen hat.

Forscher haben mit diesen Netzwerken große Erfolge erzielt, nicht nur bei der Bildklassifizierung, sondern auch bei Spracherkennung, Sprachübersetzung und anderen maschinellen Lernanwendungen. Dennoch: "Ich denke an tiefe Netze als Güterzüge", sagte Charles Delahunt, Forscher am Computational Neuroscience Center der Universität von Washington. "Sie sind sehr kraftvoll, solange man einen relativ ebenen Boden hat, auf dem man Strecken legen kann und eine riesige Infrastruktur hat. Aber wir wissen, dass biologische Systeme all das nicht brauchen – dass sie mit schwierigen Problemen umgehen können, die tiefe Netze derzeit nicht haben können. "

Nehmen Sie ein heißes Thema in AI: selbstfahrende Autos. Wenn ein Auto in Echtzeit eine neue Umgebung navigiert – eine Umgebung, die sich ständig ändert, die voller Lärm und Ambiguität ist – könnten tiefe Lerntechniken, die vom visuellen System inspiriert sind, nicht ausreichen. Vielleicht sind Methoden, die sich nur auf das Sehen stützen, nicht der richtige Weg. Diese Vision war eine so dominante Quelle der Einsicht überhaupt war zufällig, "ein historischer Zufall", sagte Adam Marblestone, ein Biophysiker am Massachusetts Institute of Technology. Es war das System, das Wissenschaftler am besten verstanden, mit klaren Anwendungen für bildbasierte Lernaufgaben.

Saket Navlakha, ein Informatiker am Salk Institute, hat Algorithmen entwickelt, die auf dem Fliegen olfaktorischen Schaltkreis basieren, in der Hoffnung, maschinelle Lerntechniken für Ähnlichkeitssuche und Neuheitserkennungsaufgaben zu verbessern.

Salk-Institut

Aber "jede Art von Reiz wird nicht auf die gleiche Weise verarbeitet", sagte Saket Navlakha, ein Informatiker am Salk Institute for Biological Studies in Kalifornien. "Vision und Geruchssinn sind zum Beispiel sehr unterschiedliche Arten von Signalen. … Es könnte also verschiedene Strategien geben, um mit verschiedenen Arten von Daten umzugehen. Ich denke, dass es viel mehr Lektionen geben kann, als zu lernen, wie das visuelle System funktioniert. "

Er und andere beginnen zu zeigen, dass die olfaktorischen Kreisläufe von Insekten einige dieser Lektionen halten können. Erst in den 1990er Jahren, als die Biologen Linda Buck und Richard Axel, damals beide an der Columbia University, die Gene für Geruchsrezeptoren entdeckten, begann die Olfactionsforschung. Seither ist das olfaktorische System jedoch besonders gut charakterisiert, und es kann leicht in Fliegen und anderen Insekten untersucht werden. Es ist in einer Weise steuerbar, dass visuelle Systeme nicht dazu dienen, allgemeine Rechenaufgaben zu untersuchen, argumentieren einige Wissenschaftler.

"Wir arbeiten am Geruchssinn, weil es ein endliches System ist, das man relativ vollständig charakterisieren kann", sagte Delahunt. "Sie haben eine Chance zu kämpfen."

"Die Menschen können schon so fantastische Dinge mit Visionen machen", fügte Michael Schmuker, ein Neurowissenschaftler an der Universität von Hertfordshire in England, hinzu. "Vielleicht können wir auch fantastische Sachen mit Geruchssinn machen."

Zufalls- und Sparse-Netzwerke

Olfaktion unterscheidet sich von der Vision an vielen Fronten. Gerüche sind unstrukturiert. Sie haben keine Kanten; Sie sind keine Objekte, die im Raum gruppiert werden können. Sie sind Mischungen verschiedener Zusammensetzungen und Konzentrationen, und sie sind schwer als ähnlich oder voneinander verschieden einzustufen. Es ist daher nicht immer klar, welche Funktionen Aufmerksamkeit bekommen sollten.

Diese Gerüche werden von einem flachen, dreischichtigen Netzwerk analysiert, das wesentlich weniger komplex ist als der visuelle Kortex. Neuronen in olfaktorischen Bereichen sampeln zufällig den gesamten Rezeptorraum, nicht bestimmte Regionen in einer Hierarchie. Sie benutzen das, was Charles Stevens, ein Neurobiologe am Salk Institute, als "Antimap" bezeichnet. In einem kartierten System wie dem visuellen Kortex verrät die Position eines Neurons etwas über die Art der Information, die es trägt. Aber in der Antimap des olfaktorischen Kortex ist das nicht der Fall. Stattdessen werden Informationen im gesamten System verteilt, und das Lesen dieser Daten beinhaltet das Abtasten aus einer minimalen Anzahl von Neuronen. Eine Antimap wird durch eine so genannte spärliche Darstellung von Informationen in einem höherdimensionalen Raum erreicht.

Nehmen Sie den Geruchssinn der Fruchtfliege: 50 Projektionsneuronen erhalten Input von Rezeptoren, die jeweils für verschiedene Moleküle empfindlich sind. Ein einzelner Geruch erregt viele verschiedene Neuronen, und jedes Neuron repräsentiert eine Vielzahl von Gerüchen. Es ist eine Ansammlung von Informationen, von überlappenden Darstellungen, die an diesem Punkt in einem 50-dimensionalen Raum dargestellt sind. Die Information wird dann zufällig auf 2.000 sogenannte Kenyon-Zellen projiziert, die bestimmte Düfte kodieren. (Bei Säugetieren behandeln Zellen im so genannten piriformen Kortex das.) Das macht eine 40-fache Ausdehnung der Dimension aus, die es leichter macht, Gerüche durch die Muster neuronaler Antworten zu unterscheiden.

Lucy Lesen-Ikkanda / Quanta Magazin

"Sagen wir, du hast 1000 Leute und du stopfst sie in ein Zimmer und versuchst, sie durch ein Hobby zu organisieren", sagte Navlakha. "Sicher, in diesem überfüllten Raum könntest du einen Weg finden, diese Leute in ihre Gruppen zu strukturieren. Aber jetzt, sagen Sie, verteilen Sie sie auf einem Fußballfeld. Sie haben all diesen zusätzlichen Platz, um mit Ihren Daten zu spielen und sie zu strukturieren. "

Sobald der Geruchssinn der Fliege dies getan hat, muss ein Weg gefunden werden, um bestimmte Gerüche mit nicht überlappenden Neuronen zu identifizieren. Dies geschieht dadurch, dass die Daten "gespart" werden. Nur etwa 100 der 2.000 Kenyon-Zellen – 5 Prozent – sind als Reaktion auf gegebene Gerüche hochaktiv (weniger aktive Zellen werden zum Schweigen gebracht), wobei jeder eine einzigartige Markierung erhält.

Kurz gesagt, während traditionelle tiefe Netzwerke (wiederum unter dem Einfluss des visuellen Systems) ständig die Stärke ihrer Verbindungen verändern, während sie "lernen", scheint sich das olfaktorische System im Allgemeinen nicht durch Anpassung der Verbindungen zwischen seinen Projektionsneuronen und Kenyon zu trainieren Zellen.

Thomas Nowotny, Professor für Informatik an der Universität von Sussex, entdeckte Parallelen zwischen dem olfaktorischen System und einer Klasse von Modellen, die Unterstützungsvektormaschinen genannt wurden. Seitdem hat er ein besseres Verständnis dafür entwickelt, wie der Geruchssinn funktioniert, wobei er immer auf mögliche KI-Anwendungen achtet.

Mit freundlicher Genehmigung von Thomas Nowotny

Als die Forscher in den frühen 2000er Jahren den Geruchssinn untersuchten, entwickelten sie Algorithmen, um zu bestimmen, wie zufällige Einbettung und Sparsität in höheren Dimensionen zur Recheneffizienz beitragen. Ein Wissenschaftlerpaar, Thomas Nowotny von der Universität von Sussex in England und Ramón Huerta von der Universität von Kalifornien, San Diego, zog sogar Verbindungen zu einer anderen Art von maschinellem Lernmodell, genannt Support-Vektor-Maschine. Sie argumentierten, dass die Art und Weise, wie sowohl die natürlichen als auch die künstlichen Systeme Informationen verarbeiteten und die zufällige Organisation und Dimensionserweiterung verwendeten, um komplexe Daten effizient darzustellen, formal gleichwertig waren. AI und Evolution hatten sich unabhängig voneinander auf dieselbe Lösung konzentriert.

Fasziniert von dieser Verbindung erkunden Nowotny und seine Kollegen weiterhin die Schnittstelle zwischen Geruchssinn und maschinellem Lernen und suchen nach einer tieferen Verbindung zwischen beiden. Im Jahr 2009 zeigten sie, dass ein Geruchsmodell auf Basis von Insekten, das ursprünglich zur Erkennung von Gerüchen entwickelt wurde, auch handschriftliche Ziffern erkennen kann. Darüber hinaus hat das Entfernen der Mehrheit seiner Neuronen – um nachzuahmen, wie Gehirnzellen sterben und nicht ersetzt werden – seine Leistung nicht zu sehr beeinflusst. "Teile des Systems könnten untergehen, aber das System als Ganzes würde weiter funktionieren", sagte Nowotny. Er sieht vor, diese Art von Hardware in einem Mars-Rover zu implementieren, der unter rauen Bedingungen arbeiten muss.

Aber eine Zeit lang wurde nicht viel getan, um diese Ergebnisse zu verfolgen – das ist bis vor kurzem, als einige Wissenschaftler begannen, die biologische Struktur des Geruchssinns zu untersuchen, um Erkenntnisse darüber zu gewinnen, wie man spezifischere Probleme beim maschinellen Lernen verbessern kann.

Hartverdrahtetes Wissen und schnelles Lernen

Delahunt und seine Kollegen haben die gleiche Art von Experiment wiederholt, das Nowotny durchgeführt hat, indem es das Geruchssystem der Motten als Grundlage benutzte und es mit traditionellen Maschinenlernmodellen verglich. Bei weniger als 20 Proben erkannte das Mottenmodell die handschriftlichen Ziffern besser, aber wenn es mit mehr Trainingsdaten versehen wurde, erwiesen sich die anderen Modelle als viel stärker und genauer. "Methoden des maschinellen Lernens sind sehr gut darin, sehr genaue Klassifizierer zu geben, wenn man viele Daten angibt, wohingegen das Insektenmodell sehr gut darin ist, eine grobe Klassifizierung sehr schnell durchzuführen", sagte Delahunt.

Olfaction scheint besser zu funktionieren, wenn es um Lerngeschwindigkeit geht, denn in diesem Fall geht es beim "Lernen" nicht mehr darum, Merkmale und Repräsentationen zu finden, die für die jeweilige Aufgabe optimal sind. Stattdessen ist es darauf reduziert, zu erkennen, welche der vielen zufälligen Merkmale nützlich sind und welche nicht. "Wenn Sie mit nur einem Klick trainieren können, wäre das viel schöner, oder?", Sagte Fei Peng, Biologin an der Southern Medical University in China.

In der Tat ist die Olfaktionsstrategie fast so, als würde man ein paar grundlegende, primitive Konzepte in das Modell einbauen, ähnlich wie ein allgemeines Verständnis der Welt scheinbar fest in unser Gehirn integriert ist. Die Struktur selbst ist dann in der Lage, einige einfache, angeborene Aufgaben ohne Anweisungen auszuführen.

Charles Delahunt (links) und J. Nathan Kutz (rechts) von der University of Washington haben die Struktur des olfaktorischen Netzwerkes der Motten in einen Kontext des maschinellen Lernens portiert, indem sie sogenannte "Insekten-Cyborgs" geschaffen haben.

Gabriella Wolff

Eines der eindrucksvollsten Beispiele dafür kam letztes Jahr aus Navlakhas Labor. Er wollte zusammen mit Stevens und Sanjoy Dasgupta, einem Informatiker an der Universität von Kalifornien, San Diego, eine vom Geruchssinn inspirierte Möglichkeit finden, Suchen auf der Basis von Ähnlichkeit durchzuführen. Genauso wie YouTube eine Seitenleiste mit Videos für Nutzer erstellen kann, basierend auf dem, was sie gerade sehen, müssen Organismen in der Lage sein, schnelle und genaue Vergleiche bei der Identifizierung von Gerüchen zu treffen. Eine Fliege könnte früh lernen, dass sie sich dem Geruch einer reifen Banane nähern und den Geruch von Essig meiden sollte, aber ihre Umgebung ist komplex und voller Lärm – sie wird nie wieder denselben Geruch erfahren. Wenn es einen neuen Geruch entdeckt, muss die Fliege herausfinden, welche zuvor erfahrenen Gerüche dem Geruch am meisten ähneln, so dass sie sich an die richtige Verhaltensreaktion erinnern kann, um sie anzuwenden.

Navlakha hat einen olfaktorischen Ähnlichkeitssuchalgorithmus erstellt und auf Datensätze angewendet. Er und sein Team fanden heraus, dass ihr Algorithmus besser als, und manchmal zwei bis drei Mal, sowie traditionelle nichtbiologische Methoden, die Dimensionsreduktion allein einschlossen, durchgeführt wurde. (Bei diesen Standardtechniken wurden Objekte verglichen, indem man sich auf einige grundlegende Merkmale oder Dimensionen konzentrierte.) Der flugbasierte Ansatz nutzte auch "ungefähr eine Größenordnung weniger Berechnung, um ähnliche Genauigkeitsgrade zu erhalten", sagte Navlakha. "So hat es entweder an Kosten oder an Leistung gewonnen."

Nowotny, Navlakha und Delahunt zeigten, dass ein im Wesentlichen ungeschultes Netzwerk bereits für Klassifikationsberechnungen und ähnliche Aufgaben nützlich sein könnte. Der Aufbau in einem solchen Codierungsschema lässt das System in der Lage, das nachfolgende Lernen zu erleichtern. Es könnte zum Beispiel bei Aufgaben verwendet werden, die Navigation oder Speicher betreffen – Situationen, in denen wechselnde Bedingungen (z. B. blockierte Pfade) das System möglicherweise nicht mit viel Zeit zum Lernen oder vielen Beispielen zum Lernen verlassen.

Peng und seine Kollegen haben damit begonnen, genau das zu erforschen, indem sie ein olfaktorisches Modell geschaffen haben, um Entscheidungen darüber zu treffen, wie man aus einer Reihe von überlappenden Bildern auf einer vertrauten Route navigieren kann.

In der derzeit laufenden Arbeit hat Navlakha eine ähnliche, auf Riechfindigkeit beruhende Methode zur Erkennung von Neuem angewendet, die Erkennung von etwas Neuem, auch nachdem sie in der Vergangenheit Tausenden von ähnlichen Objekten ausgesetzt worden war.

Und Nowotny untersucht, wie das olfaktorische System Mischungen verarbeitet. Er sieht bereits Möglichkeiten für Anwendungen für andere Herausforderungen beim maschinellen Lernen. Zum Beispiel nehmen Organismen Gerüche als einen einzigen Geruch und andere als eine Mischung wahr: Eine Person könnte Dutzende von Chemikalien aufnehmen und wissen, dass sie eine Rose gerochen hat, oder sie könnte die gleiche Anzahl von Chemikalien aus einer nahe gelegenen Bäckerei spüren und zwischen Kaffee und Croissants. Nowotny und sein Team haben herausgefunden, dass trennbare Gerüche nicht gleichzeitig wahrgenommen werden; vielmehr werden die Kaffee- und Croissantgerüche im Wechsel sehr schnell verarbeitet.

Diese Erkenntnis könnte auch für die künstliche Intelligenz nützlich sein. Das Cocktailparty-Problem bezieht sich zum Beispiel darauf, wie schwierig es ist, zahlreiche Gespräche in einer lauten Umgebung zu trennen. Bei mehreren Lautsprechern in einem Raum könnte eine KI dieses Problem lösen, indem sie die Tonsignale in sehr kleine Zeitfenster schneidet. Wenn das System den Ton von einem Lautsprecher erkennt, könnte es versuchen, Eingaben von den anderen zu unterdrücken. Wenn man so vorgeht, kann das Netzwerk die Gespräche entwirren.

Betritt die Insekten Cyborgs

In einem Artikel, der letzten Monat auf der wissenschaftlichen Preprint – Site arxiv.org veröffentlicht wurde, haben Delahunt und sein Kollege von der University of Washington, J. Nathan Kutz, diese Art von Forschung einen Schritt weiter entwickelt, indem sie die sogenannten "Insekten – Cyborgs" kreierten Motten-basierte Modell als Inputs eines maschinellen Lernalgorithmus und sah Verbesserungen in der Fähigkeit des Systems, Bilder zu klassifizieren. "Es gibt dem maschinellen Lernalgorithmus viel stärkeres Material, mit dem man arbeiten kann", sagte Delahunt. "Eine andere Art von Struktur wird vom Mottengehirn herausgezogen, und diese andere Art von Struktur hilft dem maschinellen Lernalgorithmus."

Einige Forscher hoffen nun, mithilfe von Studien zur Geruchswahrnehmung herauszufinden, wie multiple Formen des Lernens in tieferen Netzwerken koordiniert werden können. "Aber jetzt haben wir nur ein bisschen davon abgedeckt", sagte Peng. "Ich bin mir nicht sicher, wie ich im Moment tiefe Lernsysteme verbessern kann."

Tatyana Sharpee, Neurobiologe am Salk Institute, hat kürzlich herausgefunden, dass Gerüche auf einen hyperbolischen Raum abgebildet werden können. Sie fragt sich, ob diese Erkenntnis darüber Auskunft geben könnte, wie die Input-Daten, die in Deep-Learning-Systeme eingespeist werden, am besten strukturiert werden können.

Salk-Institut

Ein Ansatzpunkt könnte nicht nur darin bestehen, eine auf Geruchsbasierte Architektur zu implementieren, sondern auch herauszufinden, wie die Eingaben des Systems definiert werden. In einem soeben in Science Advances veröffentlichten Artikel suchte ein Team um Tatyana Sharpee vom Salk Institute nach einer Möglichkeit, Gerüche zu beschreiben. Bilder sind mehr oder weniger ähnlich, abhängig von den Abständen zwischen ihren Pixeln in einer Art "visueller Raum". Aber diese Art von Abstand gilt nicht für Geruchssinn. Strukturelle Zusammenhänge liefern auch keine verlässliche Aussage: Gerüche mit ähnlichen chemischen Strukturen können als sehr unterschiedlich wahrgenommen werden und Gerüche mit sehr unterschiedlichen chemischen Strukturen können als ähnlich wahrgenommen werden.

Sharpee und ihre Kollegen definierten stattdessen Geruchsmoleküle in Bezug darauf, wie oft sie in der Natur gefunden werden (für ihre Studie untersuchten sie, wie häufig Moleküle in Proben verschiedener Früchte und anderer Substanzen zusammentrafen). Sie erstellten dann eine Karte, indem sie Geruchsmoleküle einander näher brachten, wenn sie dazu neigten, mitzuwirken, und weiter auseinander, wenn sie dies seltener taten. Sie fanden heraus, dass sich die Geruchsmoleküle genau wie Städte auf eine Kugel (die Erde) abbilden, auf einen hyperbolischen Raum, eine Kugel mit negativer Krümmung, die wie ein Sattel aussieht.

Sharpee spekulierte, dass die Eingabe von Eingaben mit hyperbolischer Struktur in maschinelle Lernalgorithmen bei der Klassifizierung von weniger strukturierten Objekten helfen könnte. "Es gibt eine Ausgangsannahme im tiefen Lernen, dass die Eingaben in einer euklidischen Metrik erfolgen sollten", sagte sie. "Ich würde argumentieren, dass man versuchen könnte, diese Metrik in eine hyperbolische zu verwandeln." Vielleicht könnte eine solche Struktur tiefere Lernsysteme weiter optimieren.

Ein gemeinsamer Nenner

Im Moment bleibt vieles davon theoretisch. Die Arbeit von Navlakha und Delahunt muss auf viel schwierigere Probleme des maschinellen Lernens übertragen werden, um zu bestimmen, ob die vom Geruchssinn inspirierten Modelle einen Unterschied machen können. "Das ist alles noch im Entstehen, denke ich", sagte Nowotny. "Wir werden sehen, wie weit es gehen wird."

Was die Forscher hofft, ist die erstaunliche Ähnlichkeit der Struktur des olfaktorischen Systems mit anderen Regionen des Gehirns über viele Arten hinweg, insbesondere der Hippocampus, der an Gedächtnis und Navigation beteiligt ist, und das Kleinhirn, das für die motorische Kontrolle verantwortlich ist. Der Geruchssinn ist ein uraltes System, das auf die Chemosensation in Bakterien zurückgeht und in irgendeiner Form von allen Organismen verwendet wird, um ihre Umwelt zu erforschen.

"Es scheint näher am evolutionären Ursprungspunkt all der Dinge zu liegen, die wir allgemein als Kortex bezeichnen würden", sagte Marblestone. Olfaction könnte einen gemeinsamen Nenner für das Lernen bieten. "Das System gibt uns eine wirklich konservierte Architektur, eine, die für eine Vielzahl von Dingen in einer Vielzahl von Organismen verwendet wird", sagte Ashok Litwin-Kumar, ein Neurowissenschaftler an der Columbia. "Es muss etwas Grundlegendes geben, das gut zum Lernen ist."

Der olfaktorische Kreislauf könnte als Gateway dienen, um die komplizierteren Lernalgorithmen und Berechnungen zu verstehen, die vom Hippocampus und Kleinhirn verwendet werden – und um herauszufinden, wie man solche Einsichten auf die KI anwenden kann. Die Forscher haben bereits damit begonnen, sich kognitiven Prozessen wie Aufmerksamkeit und verschiedenen Formen des Gedächtnisses zuzuwenden, in der Hoffnung, dass sie Möglichkeiten bieten könnten, die gegenwärtigen Maschinenlernarchitekturen und -mechanismen zu verbessern. Aber Geruchssinn könnte einen einfacheren Weg bieten, diese Verbindungen zu schmieden. "Es ist ein interessanter Nexus-Punkt", sagte Marblestone. "Ein Einstiegspunkt zum Nachdenken über neuronale Netze der nächsten Generation."


Mehr große WIRED Geschichten