Так каким же образом человеческий мозг отличает «механически» созданный контент от реальных фотографий? И, что еще интереснее, что позволяет нашему мозгу быть успешнее в процессе работы и обучения, чем алгоритму с колоссальной базой данных? Все дело в количестве так называемых «слоев» определяющих глубину метода преобразования данных.
Разный подход к восприятию информации
Архитектуры глубокого обучения обычно состоят из многочисленных слоев, которые могут быть увеличены до сотен, что позволяет эффективно изучать сложные задачи классификации. Контрастно мозг состоит из очень небольшого количества слоев, но, несмотря на свою мелкую архитектуру и шумную и медленную динамику, он может эффективно выполнять сложные задачи классификации.
Метод глубокого обучения, используемый ИИ, предполагает создание архитектуры состоящей из множества «слоев» — алгоритмических подуровней, предназначенных для решения сложных задач по классификации данных. Мозг человека, выполняющий схожие задачи напротив — работает с гораздо менее глубокой системой алгоритмов, отличается медленной и более «шумной» динамикой поведения. Как это возможно?
Фрагмент из презентации, демонстрирующей принципиальную разницу подходов к систематизации данных по методам глубокого и поверхностного обучения.
В новом исследовании опубликованном в журнале Physica A под названием «Статистическая механика и ее Приложения» ученые попытались дать ответ на этот вопрос. В новой работе специалистов Израильского университета Бар-Илан демонстрируется гипотетический механизм, лежащий в основе настолько эффективного обучения человеческого мозга и проводится сравнение с механикой глубокого обучения ИИ.
В отличие от архитектуры глубокого обучения, которую можно сравнить с небоскребом, человеческий мозг построен по принципу неглубокой архитектуры с малым числом слоев, больше похожей на широкое здание с небольшим количеством этажей.
При этом расширенная и углубленная архитектуры представляют собой два взаимодополняющих механизма
При этом расширенная и углубленная архитектуры представляют собой два взаимодополняющих механизма
— Идо Кантер, профессор Отделения физики (Multidisciplinary Brain Research Center) Бар-Илана, руководитель исследования.
При этом для современных высокопроизводительных gpu реализация неглубокого принципа обучения принципиально невозможна по причине отсутствия соответствующей архитектуры.
