Az emberi agy kétirányú kapcsolatokkal sűrűn összekötött területek hálózata, ahol az ellentétes irányú kapcsolatok jellege és szerepe még messze nem tisztázott - írták a közleményben. "Amikor valamit meglátunk, az agyunk több szinten dolgozza fel az információt: az egyszerű formáktól a bonyolultabb fogalmakig" - magyarázták, hozzátéve, hogy az AI eddigi képfelismerő rendszerei, amelyek például felismernek egy kutyát a telefon fotóján, egyirányú feldolgozással működnek: az információ csak alulról felfelé halad. Az emberi agy viszont kétirányban dolgozik: nemcsak az alakítja az idegsejtek válaszát a feldolgozás adott szintjén, hogy a korábbi szintek mire jutottak, hanem az is, mi fog történni a következő feldolgozási szinten.

"Ez azt jelenti, hogy az agy mindig figyelembe veszi a környezetet és a kontextust is: nemcsak azt, hogy mit látunk, hanem azt is, mit jelent az, amit látunk (a meglátott kutya barát vagy ellenség, közelít vagy távolodik). Ennek a következménye pedig drámai: a neurális kódot nem csak az határozza meg, ami a feldolgozásban az adott feldolgozási szint előtt történt, hanem az is, ami a feldolgozás következő lépéseiben történik." A HUN-REN Wigner Fizikai Kutatóközpont kutatói által kifejlesztett modell ezt a kétirányú információáramlást utánozza,

azaz egy olyan AI-modellt hoztak létre, amely nemcsak lát, hanem az emberi agyhoz hasonlóan értelmez is.

A közlemény szerint ennek segítségével nemcsak az idegrendszer információfeldolgozási folyamatait tudják precízebben feltárni, hanem megbízhatóbb és rugalmasabb gépi látási rendszereket is készíthetnek a kutatók.

"Csikor Ferenc és munkatársai munkájukban arra világítottak rá, hogy az idegrendszerünk összetettebb feladatot old meg, mint a telefonunkban rejlő képfelismerő algoritmus. Az idegrendszer ugyanis rugalmasan kíván megfelelni többféle kihívásnak, a megfigyelt állat típusának megállapításán túl arra is, hogy eldöntse, az állat barát vagy ellenség, felénk mozdul vagy tőlünk el. Ahhoz, hogy rugalmasan tudjunk alkalmazkodni a különféle igényekhez, a hagyományos mély diszkriminatív modellek nem megfelelőek, helyettük a mély generatív modellekhez kell fordulni. A HUN-REN Wigner FK kutatói szerint a jövőben ezek az új AI-modellek ellenállóbbak lehetnek hibákkal vagy támadásokkal szemben, kevesebb felcímkézett tanítóadatból is tanulhatnak, valamint

sokkal pontosabb gépi látási rendszereket tehetnek lehetővé."

A kutatók eredményeiket a Nature Communications című folyóiratban pénteken tették közzé.