Napjainkban a legmagasabb szintű mesterséges intelligenciák a gépi tanulás mélytanulás nevű típusát alkalmazzák. Ezek az algoritmusok óriási mennyiségű adat elemzése révén tanulnak, amelyek feldolgozását egymáshoz kapcsolódó csomópontok egymásra épülő rétegei végzik. Ezek a mesterséges neurális hálózatok az agy biológiai neurális hálózatát imitálják: a csomópontokat a biológiai idegsejtek ihlették, legalábbis az, amit a szakértők az 1950-es években tudtak az idegsejtekről.
Azóta persze világossá vált, hogy a biológiai idegsejtek sokkal összetettebbek számítási szempontból, mint mesterséges társaik, de hogy mennyivel, azt nehéznek tűnt megítélni. Egy izraeli kutatócsoport azonban nemrégiben megpróbálta megválaszolni a kérdést: mesterséges neurális hálózattal szimulálták egyetlen biológiai neuron működését. A kísérletből az derült ki, hogy 5–8 rétegnyi mesterséges neuron szükséges egyetlen biológiai idegsejt működésének utánzásához. Ilyen szintű komplexitást a kutatók sem vártak, és elmondásuk szerint az eredmények szükségessé tehetik a mesterséges és biológiai neurális hálózatok közti analógiák átgondolását és átfogalmazását, de akár a mesterséges hálózatok tervezésének módját is.
A mesterséges és biológiai neuronok egyaránt bejövő jeleket fogadnak, majd ezen információk alapján döntenek, hogy küldenek-e saját jelet a szomszédos neuronoknak. Míg azonban a mesterséges neuronok a döntést egy egyszerű számítással hozzák meg, az elmúlt évtizedek kutatásai alapján a biológiai neuronok esetében ennél sokkal-sokkal összetettebb folyamatról van szó. Ennek ellenére itt is bementről és kimenetről beszélnek a szakértők, és az új kutatásban pontosan ezt a funkciót modellezték a kutatók.
Az izraeli csapat egy patkány piramissejtet modellezett, egy olyan agykérgi neuront, amely bőségesen elágazó nyúlványokkal rendelkezik. Ennek a sejtnek a bemeneti-kimeneti működését szimulálták, majd a szimulációt egy olyan mesterséges neurális hálón futtatták le, amely rétegenként akár 256 csomópontot tartalmazott. A rétegek számát addig növelték, amíg a rendszer végül 99 százalékos pontossággal le tudta követni a szimulált neuron működését ezredmásodperces szinten. Ehhez legalább öt, legfeljebb nyolc rétegre volt szükség. Vagyis ahhoz, hogy a mesterséges hálózat sikeresen imitálja egyetlen biológiai sejt működését, átlagosan 1000 mesterséges neuron kellett.
A szakértők hangsúlyozzák, hogy ez nem azt jelenti, hogy a biológiai sejt 1000-szer összetettebb a mesterségesnél. A mesterséges rendszerben egyelőre nem egyértelmű, hogy a rétegek és az azokban található csomópontok száma hogyan befolyásolja a komplexitást. A szakértők szerint egy napon elképzelhető lehet egy egyrétegű mély neurális hálózat megalkotása is, de ehhez több adatra és időre lesz szükség. A szakértők többféle architektúrát is kipróbáltak, és közzétették a kódot is, hogy másokat arra bátorítsanak, hozzanak létre kevesebb rétegű, de hasonlóan hatékony rendszereket.
A szerzők szerint az eredmények új lökést adhatnak a mélytanulásra képes rendszereknek, ha azokat ezentúl egy-egy neuront „jelképező”, kisebb mély neurális hálózatok összekapcsolásával hozzák létre, a hálózatok hálózatával dolgozva. Az persze egyelőre nagy kérdés, hogy ez a fajta struktúra valóban számítási előnyökkel jár-e, vagy egyszerűbb hasonló mennyiségű csomópontot az eddig megszokott, egybefüggő, egymásra épülő rétegekbe rendezni. Az eredmények ugyanakkor az idegkutatásra is kihathatnak, hiszen rávilágítanak az egyes neuronok működésének fontosságára, amelyek önmagukban is nagyon komplex rendszert alkotnak.
