Современный искусственный интеллект упёрся в архитектурный тупик. Пока большие языковые модели (LLM) и глубокие нейросети сжигают мегаватты на тривиальные задачи, человеческий мозг умудряется строить сложнейшие планы, потребляя всего 20 Вт — примерно как тусклая лампочка в прихожей. Как следует из исследования в Nature Machine Intelligence, этот гигантский разрыв в эффективности нельзя ликвидировать простым масштабированием железа. Решение кроется в имитации биологической стратегии: использовании когнитивных карт и стохастических вычислений для «целенаправленного воображения».
Архитектура ментального воображения
Мозг не занимается перебором всех возможных вариантов, чем обычно грешит классический ИИ. Вместо этого он оперирует когнитивными картами — структурами данных, которые организуют опыт через кодирование отношений между состояниями и действиями. В сочетании с механизмом нейронного сэмплирования это позволяет системе генерировать траектории для решения задач, с которыми она никогда не сталкивалась ранее.
Ключевая особенность естественного интеллекта — способность находить решения для абсолютно новых проблем — не требует ни глубоких нейросетей, ни гигантских языковых моделей.
Эта прогностическая функция обеспечивает онлайн-адаптацию к меняющимся условиям без всякого дообучения или энергозатратного переобучения, характерного для глубокого обучения. Когда в среде — физической или абстрактной — возникает новое препятствие, механизм нейронного сэмплирования позволяет агенту буквально «вообразить» обходной путь к цели в режиме реального времени.
Эффективность через локальную пластичность и in-memory computing
Главный технологический сдвиг здесь — полный отказ от обратного распространения ошибки и глобального обновления весов. Предложенная модель опирается на самообучающуюся локальную синаптическую пластичность. На наш взгляд, это делает архитектуру идеально совместимой с нейроморфным железом и вычислениями внутри памяти (in-memory computing). Уходя от громоздких нейросетей к прозрачному композиционному кодированию, система избавляется от лишнего вычислительного «жира».
Для технического директора или инженера это четкий сигнал: следующий качественный скачок в автономных агентах и полевой робототехнике произойдет не за счет раздувания трансформеров. Будущее за устройствами, способными работать на граничных мощностях с жестким энергобюджетом. Переход от грубого перебора к нейронному сэмплированию из когнитивных карт — это единственный способ научить ИИ планированию в динамичном мире без строительства персональной электростанции для каждого робота.