冷泉港實驗室的科學家受基因組效率的啟發，開發了一種人工智慧演算法，實現了卓越的數據壓縮和任務性能。
從某種意義上說，我們每個人一開始就做好了行動的準備。許多動物在出生後不久就展現了驚人的本領。蜘蛛結網。鯨魚會游泳。但這些與生俱來的能力又是從何而來呢？顯然，大腦起著關鍵作用，因為它包含控制複雜行為所需的數萬億個神經連接。
然而，基因組只能容納一小部分資訊。這個悖論困擾了科學家數十年。現在，冷泉港實驗室 (CSHL)安東尼·扎多爾（Anthony Zador）和阿列克謝·庫拉科夫（Alexei Koulakov）教授設計了一個潛在的解決方案，使用人工智慧。
當扎多爾第一次遇到這個問題時，他對此進行了新的思考。 “如果基因組的有限能力正是讓我們如此聰明的原因呢？”他想知道。 “如果這是一個功能，而不是一個錯誤怎麼辦？”換句話說，也許我們可以明智地行動並快速學習，因為基因組的限制迫使我們適應。這是一個宏大而大膽的想法，但很難證明。畢竟，我們無法將實驗室實驗延伸到數十億年的演化過程中。這就是基因組瓶頸演算法的想法出現的地方。
使用人工智慧模擬進化效率
在人工智慧中，世代並不跨越幾十年。只要按一下按鈕，新模型就誕生了。 Zador、Koulakov 和 CSHL 博士後 Divyansha Lachi 和 Sergey Shuvaev 著手開發一種電腦演算法，將大量資料折疊成一個整齊的包，就像我們的資料包一樣。基因組可能會壓縮形成功能性腦迴路所需的資訊。然後，他們針對經過多輪訓練的人工智慧網路測試該演算法。令人驚訝的是，他們發現未經訓練的新演算法執行影像辨識等任務的效率幾乎與最先進的人工智慧一樣有效。他們的演算法甚至在電子遊戲中也佔有一席之地太空侵略者。就好像它天生就知道如何玩一樣。
這是否意味著人工智慧很快就會複製我們的自然能力？ 「我們還沒有達到那個水平，」庫拉科夫說。 「大腦的皮質結構可以容納大約 280 TB 的資訊——32 年的高清影片。我們的基因組可以容納大約一小時。這意味著 40 萬倍的壓縮技術尚無法匹敵。
儘管如此，該演算法允許迄今為止在人工智慧中未曾見過的壓縮等級。該功能可能在科技領域有令人印象深刻的用途。該研究的主要作者 Shuvaev 解釋道：“例如，如果您想在手機上運行大型語言模型，[演算法]的一種使用方法是在硬體上逐層展開模型。”
此類應用可能意味著更先進的人工智慧和更快的運行時間。想想看，只花了 35 億年的進化時間就到了今天。
參考文獻：“透過基因組瓶頸編碼先天能力”，作者：Sergey Shuvaev、Divyansha Lachi、Alexei Koulakov 和 Anthony Zador，2024 年 9 月 12 日，美國國家科學院院刊。
DOI：10.1073/pnas.2409160121
該研究由 Deep Valley Labs、G. Harold 和 Leila Y. Mathers 基金會以及 Schmidt Futures 資助。
