Οι επιστήμονες έχουν εντοπίσει εντυπωσιακές ομοιότητες στον τρόπο με τον οποίο τα μεγάλα γλωσσικά μοντέλα (LLMs) και ο ανθρώπινος εγκέφαλος επεξεργάζονται τη γλώσσα, παρά τις τεράστιες διαφορές στην αρχιτεκτονική και τις ενεργειακές απαιτήσεις τους.
Μια συνεργατική μελέτη των Google Research, Πανεπιστημίου Princeton, NYU και του Εβραϊκού Πανεπιστημίου της Ιερουσαλήμ διαπίστωσε ότι η νευρωνική δραστηριότητα στον ανθρώπινο εγκέφαλο ευθυγραμμίζεται γραμμικά με τις εσωτερικές συμφραζόμενες ενσωματώσεις (contextual embeddings) των LLMs κατά τη διάρκεια φυσικών συνομιλιών. Οι ερευνητές ανακάλυψαν ότι και τα δύο συστήματα μοιράζονται τρεις θεμελιώδεις υπολογιστικές αρχές: προβλέπουν τις επόμενες λέξεις πριν τις ακούσουν, συγκρίνουν τις προβλέψεις με το πραγματικό ερέθισμα για να υπολογίσουν το «αιφνιδιασμό» (surprise) και βασίζονται σε συμφραζόμενες ενσωματώσεις για να αποδώσουν νόημα στις λέξεις.
«Δείχνουμε ότι οι εσωτερικές ενσωματώσεις σε επίπεδο λέξης που παράγονται από βαθιά γλωσσικά μοντέλα ευθυγραμμίζονται με τα πρότυπα νευρωνικής δραστηριότητας σε καθιερωμένες περιοχές του εγκεφάλου που σχετίζονται με την κατανόηση και παραγωγή λόγου», σημειώνουν οι ερευνητές στα ευρήματά τους που δημοσιεύθηκαν στο Nature Neuroscience.
Ωστόσο, υπάρχουν σημαντικές διαφορές. Ενώ τα LLMs επεξεργάζονται εκατοντάδες χιλιάδες λέξεις ταυτόχρονα, ο ανθρώπινος εγκέφαλος επεξεργάζεται τη γλώσσα σειριακά, λέξη προς λέξη. Ακόμη πιο σημαντικό, ο ανθρώπινος εγκέφαλος εκτελεί πολύπλοκες γνωστικές διεργασίες με εντυπωσιακή ενεργειακή αποδοτικότητα, καταναλώνοντας μόλις περίπου 20 βατ ισχύος, σε αντίθεση με τις τεράστιες ενεργειακές απαιτήσεις των σύγχρονων LLMs.
«Τα εγκεφαλικά δίκτυα επιτυγχάνουν την αποδοτικότητά τους προσθέτοντας περισσότερους διαφορετικούς τύπους νευρώνων και επιλεκτικές συνδέσεις μεταξύ διαφόρων τύπων νευρώνων σε διακριτές μονάδες του δικτύου, αντί απλώς να προσθέτουν περισσότερους νευρώνες, στρώματα και συνδέσεις», εξηγεί μελέτη που δημοσιεύθηκε στο Nature Human Behaviour.
Σε μια απρόσμενη εξέλιξη, ερευνητές του BrainBench διαπίστωσαν ότι τα LLMs πλέον ξεπερνούν τους ανθρώπινους ειδικούς στην πρόβλεψη πειραματικών αποτελεσμάτων στη νευροεπιστήμη. Το εξειδικευμένο μοντέλο τους, BrainGPT, πέτυχε ακρίβεια 81% έναντι 63% των νευροεπιστημόνων. Όπως και οι ανθρώπινοι ειδικοί, τα LLMs εμφάνισαν υψηλότερη ακρίβεια όταν δήλωναν μεγαλύτερη αυτοπεποίθηση στις προβλέψεις τους.
Τα ευρήματα αυτά υποδηλώνουν ένα μέλλον όπου η υπολογιστική εμπνευσμένη από τον εγκέφαλο θα μπορούσε να βελτιώσει δραστικά την αποδοτικότητα της τεχνητής νοημοσύνης. Οι ερευνητές εξερευνούν τα spiking neural networks (SNNs), τα οποία μιμούνται πιο πιστά τους βιολογικούς νευρώνες, επιτρέποντας ενδεχομένως εφαρμογές που κυμαίνονται από ενεργειακά αποδοτικά drones έρευνας και διάσωσης έως προηγμένες νευροπροσθετικές συσκευές.
Καθώς τα LLMs συνεχίζουν να εξελίσσονται προς μια πιο «εγκεφαλική» επεξεργασία, το όριο μεταξύ τεχνητής και βιολογικής νοημοσύνης γίνεται όλο και πιο ασαφές, εγείροντας βαθιά ερωτήματα για τη φύση της ίδιας της νόησης.