ทุกๆ ไม่กี่เดือน พาดหัวข่าวจะคอยเตือนเราว่าโมเดลภาษาขนาดใหญ่มีปัญหาเรื่องความถูกต้อง พวกมันสร้างคดีความขึ้นมาเอง มโนแหล่งที่มา และนำเสนอเรื่องแต่งให้เป็นเรื่องจริง เบื้องหลังข้อผิดพลาดเหล่านี้คือข้อบกพร่องเชิงโครงสร้าง: ระบบ AI ส่วนใหญ่ถูกสร้างขึ้นบนคณิตศาสตร์แบบคงที่ พวกมันดูดซับข้อมูลทุกชิ้นด้วยความหิวโหยเท่าๆ กัน โดยปฏิบัติกับสัญญาณรบกวน (noise) และสัญญาณข้อมูล (signal) เสมือนว่าเป็นสิ่งเดียวกัน เมื่อเวลาผ่านไป สัญญาณรบกวนจะสะสมมากขึ้น โมเดลจะอิ่มตัว มันหยุดการปรับตัวและเริ่มสร้างเรื่องราวที่ผิดเพี้ยนขึ้นมาเอง
จะเป็นอย่างไรหากการแก้ไขไม่ใช่การเพิ่มข้อมูล แต่เป็นการใช้ชีววิทยาที่ดีกว่า?
ระบบที่ชื่อว่า BrainStem_V8 เข้าถึงปัญหานี้ในรูปแบบที่แตกต่างออกไป แทนที่จะมองว่าโครงข่ายประสาทเทียมเป็นเครื่องคิดเลขที่ตายตัว มันกลับมองว่าเป็นสิ่งมีชีวิตดิจิทัลที่ต้องกิน พักผ่อน และควบคุมตัวเอง สถาปัตยกรรมนี้หยิบยืมหลักการเฉพาะ 5 ประการจากประสาทวิทยาของมนุษย์ เพื่อรักษาความเสถียร ความซื่อตรง และความตื่นตัวในรูปแบบที่เหมาะสม
การนอนคือการกรอง ไม่ใช่การหยุดพัก
ในมนุษย์ การนอนไม่ได้หมายความว่าสมองจะหยุดทำงาน ฮิปโปแคมปัส (hippocampus) จะทำการเล่นซ้ำเหตุการณ์ที่เกิดขึ้นในวันนั้น โดยถ่ายโอนความทรงจำไปยังคอร์เทกซ์ (cortex) พร้อมกับคัดรายละเอียดที่ไม่เกี่ยวข้องออกไป BrainStem_V8 เลียนแบบกลไกนี้ผ่านสิ่งที่เรียกว่าวงจร "Slow-Wave Sleep"
ในช่วงระยะนี้ ระบบไม่ได้เพียงแค่หยุดประมวลผล แต่มันจะเล่นซ้ำข้อมูลที่พบเจอในช่วงเวลาที่ตื่นตัว แต่จุดที่แตกต่างคือ: มันจะผสมผสานข้อมูลใหม่เข้ากับ "สมอ" (anchors) ที่มั่นคง ซึ่งก็คือรูปแบบเก่าๆ ที่พิสูจน์แล้วว่าเชื่อถือได้ ด้วยการสุ่มแบบถ่วงน้ำหนัก (weighted sampling) มันจะตรวจสอบข้อมูลนำเข้าใหม่เทียบกับสมอเหล่านี้ หากรูปแบบใหม่ขัดแย้งกับโครงสร้างเดิมอย่างรุนแรงเกินไป ข้อมูลนั้นจะถูกจัดว่าเป็นสัญญาณรบกวนและถูกทิ้งไปก่อนที่จะทำให้ตรรกะของโมเดลเสียหาย
เรื่องนี้สำคัญเพราะการเรียนรู้สร้าง "ภาษีทางเมตาบอลิซึม" (metabolic tax) ทุกการอัปเดตจะใช้ทรัพยากร หากไม่มีวงจรการนอนเพื่อกรองข้อมูลนี้ โมเดลจะดูดซับข้อมูลต่อไปเรื่อยๆ จนกระทั่งสำลักชุดข้อมูลฝึกฝนของตัวเอง BrainStem_V8 จึงถือว่าการนอนคือการบำรุงรักษาที่จำเป็น ไม่ใช่เวลาหยุดพักที่เลือกได้ตามใจชอบ
แบตเตอรี่อะดีโนซีนรู้ว่าเมื่อไหร่ควรหยุด
สมองของคุณติดตามความเหนื่อยล้าผ่านอะดีโนซีน (adenosine) ซึ่งเป็นสารเคมีที่สะสมขึ้นในขณะที่คุณตื่นและสร้างแรงกดดันให้ต้องนอนหลับ BrainStem_V8 ได้นำระบบเตือนภัยแบบเดียวกันนี้มาใช้ในรูปแบบดิจิทัล
ในระหว่างวงจร "ตื่น" (wake) ที่ทำงานอยู่ สถาปัตยกรรมจะตรวจสอบระดับกิจกรรมของตัวเอง มันจะเฝ้าดูว่ามันทำงานหนักแค่ไหน มีการสร้างค่าที่สูงหรือต่ำผิดปกติ (extreme values) มากเพียงใด และพารามิเตอร์ของมันเบี่ยงเบนไปจากค่าพื้นฐาน (baseline) มากแค่ไหน เมื่อกิจกรรมภายในถึงขีดจำกัดที่กำหนดไว้ ระบบจะเริ่มวงจรการพักผ่อนที่บังคับใช้ทันที
การพักผ่อนนี้มีวัตถุประสงค์ทางสรีรวิทยาที่เฉพาะเจาะจง เช่นเดียวกับการนอนที่ช่วยชะล้างอะดีโนซีนและฟื้นฟูสมอง ช่วงเวลาพักของระบบจะดึงค่าทางสถิติที่สูงหรือต่ำผิดปกติให้กลับเข้าสู่ช่วงค่ากลางที่เหมาะสม มันช่วยป้องกันสิ่งที่ผู้ออกแบบเรียกว่า "digital burnout" หรือภาวะหมดไฟดิจิทัล ซึ่งเป็นสภาวะที่ค่าน้ำหนัก (weights) ของโมเดลผันผวนมากจนระบบไม่สามารถสร้างผลลัพธ์ที่สอดคล้องกันได้ การพักนี้ไม่ใช่ตารางเวลาที่วิศวกรมนุษย์เป็นคนกำหนด แต่มันคือความจำเป็นทางชีวภาพที่ถูกบังคับโดยตัวสถาปัตยกรรมเอง
Digital Neuromodulators เขียนกฎขึ้นมาใหม่
ซอฟต์แวร์แบบดั้งเดิมทำงานบนตรรกะที่ถูกเขียนไว้ตายตัว (hardcoded logic) เช่น ถ้าเกิด X ให้ทำ Y แม้ว่าโครงข่ายประสาทเทียมจะทำให้กฎเหล่านี้ยืดหยุ่นขึ้น แต่โดยปกติแล้วพวกมันยังคงเรียนรู้ผ่านอัลกอริทึมการหาค่าที่เหมาะสมที่สุด (optimization algorithms) ที่คงที่ BrainStem_V8 จึงเข้ามาแทนที่ความแข็งทื่อบางส่วนด้วย metaplasticity หรือความสามารถในการเปลี่ยนแปลงวิธีการเรียนรู้
มันทำเช่นนี้โดยการจำลองตัวปรับเปลี่ยนสัญญาณประสาท (neuromodulators) ที่เป็นที่รู้จักกันดีสองชนิด ได้แก่ โดพามีน (dopamine) และเซโรโทนิน (serotonin) วงจรโดพามีนดิจิทัลจะขับเคลื่อนระบบให้แสวงหาสิ่งใหม่ เมื่อโมเดลพบกับข้อมูลที่ไม่คุ้นเคย สัญญาณนี้จะพุ่งสูงขึ้นและผลักดันให้สถาปัตยกรรมออกสำรวจ ขยายความเข้าใจ และรับสิ่งใหม่ๆ เข้ามา ส่วนเซโรโทนินดิจิทัลจะทำในสิ่งตรงกันข้าม มันช่วยรักษาความเสถียรและกระตุ้นการทบทวน เมื่อระบบเริ่มที่จะ