Ilmuwan rancang jaringan terinspirasi otak untuk jembatani AI & saraf

Beijing (ANTARA) - Tim ilmuwan China telah membuat model jaringan baru yang terinspirasi dari otak berdasarkan kompleksitas internal untuk mengatasi tantangan yang dihadapi oleh model tradisional, seperti konsumsi sumber daya komputasi yang tinggi, menurut Institut Otomasi di bawah Akademi Ilmu Pengetahuan China.

Salah satu tujuan utama dalam pengembangan kecerdasan buatan (artificial intelligence/AI) saat ini adalah untuk mengembangkan AI tujuan umum (general purpose AI), sehingga membuat model-model itu memiliki kemampuan kognitif yang lebih luas dan umum.

Pendekatan populer saat ini yang digunakan oleh model-model besar adalah membangun jaringan saraf yang lebih besar, mendalam, dan luas berdasarkan hukum skala, yang dapat dirujuk sebagai metode pencapaian kecerdasan umum berdasarkan "kompleksitas eksternal", ujar Li Guoqi, seorang peneliti dari Institute of Automation.

Namun, pendekatan ini menghadapi berbagai tantangan, seperti konsumsi sumber daya komputasi dan energi yang tidak berkelanjutan, serta kurangnya kemampuan interpretasi.

Di sisi lain, otak manusia memiliki sekitar 100 miliar neuron dan hampir 1.000 triliun koneksi sinapsis, dengan setiap neuron memiliki struktur internal yang kaya dan beragam. Namun, konsumsi daya otak manusia hanya sekitar 20 watt.

Terinspirasi oleh dinamika neuron otak tersebut, tim ilmuwan dari Institute of Automation dan institusi-institut penelitian lainnya, seperti Universitas Tsinghua dan Universitas Peking, menggunakan pendekatan "kompleksitas internal" untuk mencapai kecerdasan umum.

Eksperimen mereka memverifikasi keefektifan dan keandalan model kompleksitas internal dalam menangani tugas-tugas yang rumit, menyediakan metode-metode baru dan dukungan teoretis untuk mengintegrasikan karakteristik dinamis ilmu saraf ke dalam AI, serta menawarkan solusi yang layak untuk mengoptimalkan dan meningkatkan kinerja praktis model AI.

Studi tersebut telah dipublikasikan baru-baru ini di dalam jurnal Nature Computational Science.