Des scientifiques établissent un modèle de réseau inspiré du cerveau pour relier l'IA et les neurosciences
Une équipe de scientifiques chinois a établi un nouveau modèle de réseau inspiré du cerveau basé sur la complexité interne pour relever les défis auxquels sont confrontés les modèles traditionnels, tels que la forte consommation de ressources informatiques, selon l'Institut d'automatisation de l'Académie chinoise des sciences.
L'étude est publiée dans la revue Nature Science informatique.
L’un des principaux objectifs du développement actuel de l’intelligence artificielle (IA) est de créer une IA plus polyvalente, permettant aux modèles de posséder une capacité cognitive plus large et plus générale.
L'approche populaire actuelle utilisée par les grands modèles consiste à construire des réseaux neuronaux plus grands, plus profonds et plus larges basés sur la loi d'échelle, ce qui peut être considéré comme une méthode permettant d'atteindre une intelligence générale basée sur la « complexité externe », a déclaré Li Guoqi, chercheur à l'Institut d'automatisation.
Cependant, cette approche se heurte à des défis tels qu’une consommation insoutenable de ressources informatiques et d’énergie, ainsi qu’un manque d’interprétabilité.
Le cerveau humain, lui, compte environ 100 milliards de neurones et près d’un milliard de connexions synaptiques, chaque neurone possédant une structure interne riche et diversifiée. Mais la consommation énergétique d’un cerveau humain n’est que d’environ 20 watts.
Inspirés par la dynamique des neurones du cerveau, les scientifiques de l'Institut d'automatisation et d'autres institutions de recherche telles que l'Université Tsinghua et l'Université de Pékin, ont utilisé une approche de « complexité interne » pour atteindre l'intelligence générale.
Leurs expériences ont vérifié l’efficacité et la fiabilité du modèle de complexité interne dans la gestion de tâches complexes, fournissant de nouvelles méthodes et un soutien théorique pour intégrer les caractéristiques dynamiques des neurosciences dans l’IA, et offrant également des solutions réalisables pour optimiser et améliorer les performances pratiques des modèles d’IA.