Neurons as autonomous agents: A biologically inspired framework for cognitive architectures in artificial intelligence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Despite impressive recent advances in artificial intelligence (AI), current deep neural networks still lack the adaptability and energy efficiency inherent to biological systems. Here we suggest that this problem may be overcome by taking inspiration from the brain where neurons operate as autonomous agents, each capable of adjusting its synaptic connections and internal states based on local information. Currently, typical artificial neurons are static nodes, which is in striking contrast to the rich, dynamic computations performed by biological neurons. In this review, we propose redesigning artificial neurons as self-regulating, agent-like units, making actions to maximize future energy/reward. Similarly, as single-celled organisms which can autonomously navigate in complex environments in search for food, neurons can also be viewed as autonomous decision-makers, seeking to maximize their own energy resources. Thus, neurons could be operating similarly like reinforcement learning (RL) agents, which make actions to obtain maximum future reward. Here first we review literature illustrating that biological neurons perform complex computations and employ local, predictive learning rules to anticipate future activity to maximize metabolic energy. Next, we provide examples of recent biologically inspired learning algorithms where artificial neurons are empowered with computational flexibility, similarly to autonomous agents. Networks with neurons using such local learning rules can in some examples outperform current AI algorithms. We also discuss how this can improve scalability of current multi-agent systems (MAS) and energy efficiency. Therefore, designing neurons as autonomous agents may provide an important step toward building human-like cognition.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle