วงการปัญญาประดิษฐ์ต้องเผชิญกับข้อจำกัดพื้นฐานมาอย่างยาวนาน นั่นคือการที่เครือข่ายประสาทเทียมไม่สามารถเรียนรู้งานใหม่โดยไม่ลืมสิ่งที่เคยเรียนรู้มาก่อน ล่าสุด นักวิจัยจาก Caltech ได้พัฒนาวิธีแก้ปัญหานี้ที่อาจปฏิวัติวิธีการเรียนรู้และการปรับตัวของระบบ AI
ความท้าทายของการลืมแบบฉับพลัน
ต่างจากสมองมนุษย์ที่สามารถเรียนรู้ทักษะใหม่ๆ ได้อย่างต่อเนื่องโดยไม่สูญเสียทักษะที่มีอยู่ เครือข่ายประสาทเทียมแบบดั้งเดิมประสบปัญหาที่เรียกว่า การลืมแบบฉับพลัน ปรากฏการณ์นี้ทำให้ระบบ AI รวมถึงระบบในรถยนต์ไร้คนขับ ต้องถูกเขียนโปรแกรมใหม่ทั้งหมดเมื่อต้องเรียนรู้งานใหม่ ซึ่งเป็นข้อจำกัดสำคัญสำหรับการใช้งานจริง
วิธีแก้ปัญหาด้วย FIP
นักวิจัยจาก Caltech ได้นำเสนออัลกอริทึม Functionally Invariant Path (FIP) ที่ช่วยให้เครือข่ายประสาทเทียมสามารถเรียนรู้อย่างต่อเนื่องได้โดยไม่ต้องเริ่มต้นใหม่ นวัตกรรมนี้มาจากแหล่งที่ไม่คาดคิด - การศึกษาวิธีที่นกเรียนรู้การร้องเพลงใหม่หลังได้รับบาดเจ็บทางสมอง และวิธีที่มนุษย์ฟื้นตัวจากโรคหลอดเลือดสมอง
จากชีววิทยาสู่คณิตศาสตร์
ทีมวิจัยนำโดย Matt Thomson และ Guru Raghavan ได้แปลงความรู้ทางชีววิทยาให้เป็นวิธีแก้ปัญหา AI ในทางปฏิบัติโดยใช้เรขาคณิตเชิงอนุพันธ์ กรอบทางคณิตศาสตร์นี้ช่วยให้เครือข่ายประสาทเทียมสามารถรวมข้อมูลใหม่เข้าไปได้ในขณะที่ยังรักษาความรู้เดิมไว้ - เลียนแบบความสามารถตามธรรมชาติของสมองในการปรับตัวและเรียนรู้
การประยุกต์ใช้ในเชิงพาณิชย์
เทคโนโลยีนี้ได้สร้างความสนใจในเชิงพาณิชย์แล้ว ในปี 2022 นักวิจัยได้ก่อตั้งบริษัท Yurts เพื่อขยายการใช้งานอัลกอริทึม FIP ในด้านต่างๆ การใช้งานที่เป็นไปได้มีตั้งแต่การปรับปรุงระบบแนะนำสินค้าในการช็อปปิ้งออนไลน์ไปจนถึงการเพิ่มประสิทธิภาพรถยนต์ไร้คนขับ
งานวิจัยนี้ได้รับการตีพิมพ์ใน Nature Machine Intelligence เมื่อวันที่ 3 ตุลาคม โดยได้รับการสนับสนุนจากหลายสถาบัน รวมถึง Tianqiao and Chrissy Chen Institute for Neuroscience ที่ Caltech